matlab——文本数据处理（一）

ASCII和UNICODE编码

首先我们介绍字符的概念.字符是文本的最基本单元，在英文语境中，它包括字母、数 字、标点符号、空格、换行符等，它们是构成单词、句子和段落的基础；在中文语境中，每 个汉字同样也被视为一个字符.实际上，我们在生活中读到的文本都是由各种字符组成的. 存储在计算机中的所有数据都是以二进制的形式表示的，由字符组成的文本数据也是一 样.将字符转换成相应的二进制数，这个过程称为对字符编码.为了使不同的计算机能够准 确无误地交换文本数据，它们必须使用相同的编码规则.为此，我们这一节将介绍两种最广为使用的编码标准：ASCII和UNICODE编码

在这里插入图片描述

ASCII编码表是一开始的为表示字符而创造的，可显示的有20-126,其他还有不可显示的控制字符。

控制字符不用于显示文本，它们用于控制如打印机、网络设备等外围设备的行为

ASCII编码表的前0-127位被UNICODE所兼容 尽管UNICODE编码为各种字符提供了一个唯一的编码，但它并没有指定这些编码应该如 何存储在计算机中.目前最常用的存储格式有三种：UTF-8、UTF-16和UTF-32。UTF是 Unicode转换格式的缩写，直译就是unicode的转换格式，后面的8、16和32分 别代表存储每种字符编码所需的最少的比特位数.关于这一块的知识点比较复杂，感兴趣的 同学可以自行查阅相关资料.大家只需要知道：matlab保存字符选用的是UTF-16格式

字符数组

double可以获取字符的unicode编码（十进位）

用if语句可以把大写字符和小写字符互换

字符向量

创建类似于普通向量的创建

**加粗样式**

列向量

也可以用[ : ]连续创建，底层是±ascii的数字

repmat和repelem

一个是复制成13的矩阵，另一个是每一个元素重复成13的矩阵

拼接向量

horzcat是水平拼接 cat(dim,A,B)输入1是列项拼接，2是水平拼接

在这里插入图片描述

翻转

也可以用indx（索引）[end👎1]来控制翻转

计算字符向量中字符的数量

这里用repmat把b2复制成一个2*9的char矩阵 ‘123456789’在实际中是‘1’，’2‘，’3‘…的形式

numel是总字符 size是矩阵格式，如果是向量就固定是1*n length是最大行向量的元素个数

比较两个字符

两种方法，一个是按照索引比较每一个字符

第二是总体比较

在这里插入图片描述

也可以用strcmpi进行不区分大小写的比较（不常用）

也能用all比较

字符矩阵

在上面的repmat中了解了字符矩阵 创建过程‘123456789’在实际中是‘1’，’2‘，’3‘…的形式要严格对齐，一个char只能存一个元素

newline是char(10)是换行符