substring() function in R : extraire des informations de chaînes de caractères

La fonction substring() de R est idéale pour la préparation de données en vue d’analyses, notamment lorsqu’il est nécessaire de transformer des données textuelles en formats plus structurés.

substring() function in R : c’est quoi ?

Dans R, substring() est une fonction intégrée qui sélectionne des sous-chaînes de caractères dans une chaîne existante. Elle permet de définir précisément les index de début et de fin afin d’isoler la partie de la chaîne de caractères souhaitée. R substring() trouve de nombreuses applications, du nettoyage de données à l’extraction d’informations spécifiques à partir de données textuelles non structurées. Vous pouvez par exemple utiliser cette méthode pour déterminer des codes postaux à partir d’adresses ou pour extraire des composantes de date à partir d’horodatages.

La fonction substring() en R offre une flexibilité appréciable lorsqu’il est nécessaire d’exercer un contrôle précis sur la position et la longueur de la sous-chaîne à extraire. Cette capacité la rend particulièrement utile dans l’analyse de données et la préparation de textes pour des analyses plus approfondies, en contribuant à organiser les données de manière structurée.

La syntaxe de la fonction substring() dans R

La fonction R substring() renvoie une chaîne de caractères extraite. Elle accepte les paramètres suivants :

substring(x, first, last)

• x : c’est la chaîne de caractères à partir de laquelle la sous-chaîne doit être extraite.
• first : il s’agit de l’index du premier caractère de la chaîne à extraire.
• last : cela représente l’index du dernier caractère de la sous-chaîne à extraire.

Voici un exemple concret :

original_string <- "data analysis"
result <- substring(original_string, 1, 4)
print(result)

Nous sélectionnons la sous-chaîne de l’index 1 à l’index 4 dans la chaîne de caractères "data analysis" et la stockons dans la variable result. Le résultat est "data".

Utilisation pratique de R substring()

Lors du traitement d’enregistrements, vous devez souvent sélectionner, manipuler ou supprimer certaines parties de chaînes de caractères. La fonction substring() de R vous permet de le faire de différentes manières.

Extraire des caractères avec la fonction R substring()

Il est possible d’assigner des indices à des variables et de les passer comme paramètres à la fonction substring().

# Chaîne de caractères originale
original_string <- "Data Science"
# Définition des indices pour l’extraction
start_index <- 6
end_index <- 12
# Extraction d’une sous-chaîne avec substring()
extracted_substring <- substring(original_string, start_index, end_index)
print(extracted_substring)
# Sortie : Science

Cet exemple illustre l’utilisation de la fonction substring() dans R. À partir de la chaîne "Data Science", une sous-chaîne est extraite en définissant les variables start_index pour l’indice de départ et end_index pour l’indice de fin. La sous-chaîne "Science" est extraite en incluant le caractère à la position 12, car dans cet exemple, l’indice de fin est inclusif.

Manipuler des chaînes avec la fonction substring() dans R

Nous constituons un dataframe df contenant des identifiants, ainsi que l’âge et la profession correspondants. Nous appliquons la fonction substring() pour insérer un espace à la deuxième position dans chaque chaîne de caractères de la colonne "ID".

# Création d’un dataframe exemple
df <- data.frame(
    ID = c("01235", "02345", "04531"),
    Age = c(25, 30, 22),
    Occupation = c("Engineer", "Doctor", "Teacher")
)
# Insertion d’un espace en seconde position dans la colonne "ID"
df$ID <- paste(substring(df$ID, 1, 1), " ", substring(df$ID, 2))
# Affichage du dataframe modifié
print("Dataframe modifié :")
print(df)

Dans cet exemple, substring(df$ID, 1, 1) extrait le premier caractère de chaque identifiant tandis que substring(df$ID, 2) récupère le reste de la chaîne à partir du deuxième caractère. La fonction R paste() est utilisée pour insérer un espace entre ces deux segments. Le résultat est affiché dans la colonne ID du dataframe.

La sortie correcte devrait ressembler à ceci :

Modified Data Frame:
    ID     Age  Occupation
1  0 1235  25    Engineer
2  0 2345  30    Doctor
3  0 4531  22    Teacher