Julia编程06：String与Symbol

<~生~信~交~流~与~合~作~请~关~注~公~众~号@生信探索>

字符与字符串

Julia是区分字符和字符串的，而且都是不可修改的类型

typeof('A') == Char

typeof("A") == String

遍历

julia的字符串索引是根据bytes排，非ASCII码的字符可能由多个bytes编码，比如汉 占了3个bytes，所以字的索引是4

for i in "汉字123Abc"
    println(i)
end
# 汉
# 字
# 1
# 2
# 3
# A
# b
# c
for i in eachindex("汉字123Abc")
    println(i)
end
# 1
# 4
# 7
# 8
# 9
# 10
# 11
# 12

"汉字123Abc"[2]
# StringIndexError: invalid index [2], valid nearby indices [1]=>'汉', [4]=>'字'

codeunits("汉")
# 3-element Base.CodeUnits{UInt8, String}:
#  0xe6
#  0xb1
#  0x89

为了避免出现上述的索引错误，安全的方法是使用内置函数

length("汉字123Abc")== 8
#前3个字符
first("汉字123Abc",3)=="汉字1"
#后3个字符
last("汉字123Abc",3)=="Abc"
##前1个后2字符
chop("汉字123Abc",head=1,tail=2)=="字bc"
# 返回s中第一个字符的下标
firstindex("汉字123Abc") == 1 
# 返回s中最后一个字符的下标
lastindex("汉字123Abc") == 1 

# 前3个bytes对应字符的索引都是1即`汉`
thisind("汉字123Abc", 1) == thisind("汉字123Abc", 2) == thisind("汉字123Abc", 3) == 1
# 第4个byte对应字符的索引4即`字`
thisind("汉字123Abc", 4) == 4

nextind("汉字123Abc",1, 3)

• 判断字符串是不是仅由ASCII码组成

isascii("汉字123Abc") == false
isascii("123Abc") == true

methods

• 字符串拼接

区别与Python的字符拼接，Julia使用的是 *，而Python使用的是 +

"abc" * "def" # "abcdef"

join([1,"B",3], '-') # "1-B-3"

str_list=["hello","world","julians!"]
string(str_list...) # "helloworldjulians!"

string("AP", "P", "LE") #"APPLE"

• 字符串插值

这个类似与shell中的字符串差值

name = "Victor"
"hello world $name" # "hello world Victor"

x=[1,2,3]
"the sum of $x is $(sum(x))" #"the sum of [1, 2, 3] is 6"

• raw

保留字符串中的escape，跟python中的r""类似

str = raw"""
Hello \n
world
""" # "Hello \\n\nworld\n"

• 类型转换

# 将字符串s中的数值转换成整数类型
parse(Int64, "9") == 9 
# 将字符串s中的数值转换成Float64类型
parse(Float64, "9") == 9.0 
# 将表达式x的值表示成字符串
repr(9) == "9" # 

# string to vector
collect("汉字123Abc")
# 8-element Vector{Char}:
#  '汉': Unicode U+6C49 (category Lo: Letter, other)
#  '字': Unicode U+5B57 (category Lo: Letter, other)
#  '1': ASCII/Unicode U+0031 (category Nd: Number, decimal digit)
#  '2': ASCII/Unicode U+0032 (category Nd: Number, decimal digit)
#  '3': ASCII/Unicode U+0033 (category Nd: Number, decimal digit)
#  'A': ASCII/Unicode U+0041 (category Lu: Letter, uppercase)
#  'b': ASCII/Unicode U+0062 (category Ll: Letter, lowercase)
#  'c': ASCII/Unicode U+0063 (category Ll: Letter, lowercase)

• 字符串分割

split("1,2,3", ",") 

查找

findfirst("ing", "Begining things") # 6:8
findnext("ing", "Begining things", 9) # 12:14 找到某个模式在指定位置之后的首次出现
findprev # 找到某个模式在指定位置之前的首次出现

startswith("Photo", "Ph")
endswith("weight", "ght")

occursin("oar", "board")

正则表达式

s = "TCGA-02-0001-01C-01D-0182-01"
ptn = r"01[CD]"i # i 不区分大小写
occursin(ptn, s) # true
m = match(ptn, s)
m.match # return 匹配到的字符串 # "TCGA-02-0001-01"
m.offset # 开始字符下标
m.offsets # 匹配的各个子模式的开始字符下标
m.captures # 返回匹配的各个子模式
replced = s"\1ONE\2"
replace(s,ptn=>replced) # 

# ------------------多处匹配----------------
eachmatch(ptn, s)

for imatch in eachmatch(ptn, s)
    println("\"$(imatch.match)\"")
end

固定长度字符串

InlineStrings.jl 包提供6种长度的字符串类型。

优点：可以提高运行速度，节约内存；

使用场景：固定长度的字符串，比如TCGA的barcode

CSV包读取数据的时候会自动判断是否应该使用固定长度字符串

InlineStrings可以自动判断使用多少长度，一般不需自己指定

String1—Size up to 1 
byteString3—Size up to 3 bytes
String7—Size up to 7 bytes
String15—Size up to 15 bytes
String31—Size up to 31 bytes
String63—Size up to 63 bytes
String127—Size up to 127 bytes
String255—Size up to 255 bytes

import Pkg; Pkg.add("InlineStrings")
using InlineStrings
inlinestrings(["red","green","pink","yellow"])
# 4-element Vector{String7}:
#  "red"
#  "green"
#  "pink"
#  "yellow"

Symbol特点

Symbol和字符串类似，但是更节省内存，更快速

因为在整个global环境中所有Symbol都存在于Symbol pool中，因为Symbol是不可变类型，因此1000个:red也只在内存中存一次，所有:red都指向同一个内存地址。

创建Symbol

两种写法都可以，但是当想要创建的Symbol不是合法的变量名时，只能用第一种方法

Symbol("red") == :red


typeof(:1314) == Int64
# 只能写做
Symbol(1314) == Symbol("1314")

:red color
# syntax: extra token "color" after end of expression
Symbol("red color") == Symbol("red color")

Symbol("red","color") == :redcolor

supertype(Symbol) == Any