计算这个因子中“0”的个数答案

【问题标题】：Counting the number of "0" in this factor计算这个因子中“0”的个数
【发布时间】：2017-07-21 13:53:03
【问题描述】：

考虑以下因素

x = factor(c("1|1","1|0","1|1","1|1","0|0","1|1","0|1"))

我想计算这个因素中字符“0”的出现次数。到目前为止我找到的唯一解决方案是

sum(grepl("0",strsplit(paste(sapply(x, as.character), collapse=""), split="")[[1]]))
# [1] 4

对于这样一个简单的过程，这个解决方案似乎非常复杂。有没有“更好”的选择？（由于这个过程将在 2000 个元素长的因子上重复大约 100,000 次，我可能最终也会关心性能。）

【问题讨论】：

标签： r string parsing pattern-matching

【解决方案1】：

x = factor(c("1|1","1|0","1|1","1|1","0|0","1|1","0|1"))
x
# [1] 1|1 1|0 1|1 1|1 0|0 1|1 0|1
# Levels: 0|0 0|1 1|0 1|1

sum( unlist( lapply( strsplit(as.character(x), "|"), function( x ) length(grep( '0', x ))) ) )
# [1] 4

或

sum(nchar(gsub("[1 |]", '', x )))
# [1] 4

基于@Rich Scriven 的评论

sum(nchar(gsub("[^0]", '', x )))
# [1] 4

基于@thelatemail 的评论 - 使用tabulate 比上述解决方案快得多。这是比较。

sum(nchar(gsub("[^0]", "", levels(x) )) * tabulate(x))

时间简介：

x2 <- sample(x,1e7,replace=TRUE)
system.time(sum(nchar(gsub("[^0]", '', x2 ))));
# user  system elapsed 
# 14.24    0.22   14.65 
system.time(sum(nchar(gsub("[^0]", "", levels(x2) )) * tabulate(x2)));
# user  system elapsed 
# 0.04    0.00    0.04 
system.time(sum(str_count(x2, fixed("0"))))
# user  system elapsed 
# 1.02    0.13    1.25

【讨论】：

如果您正在处理一个非常大的向量，您可以通过仅对x 的levels 进行操作来节省时间 - sum(nchar(gsub("[^0]", "", levels(x) )) * tabulate(x))
@thelatemail 谢谢。很高兴知道。它打败了一切
关键是gsub 只需要在length(levels(x)) 而不是length(x) 上运行 - 在这种情况下，正则表达式似乎非常密集。说了这么多，在 15 秒内处理 1000 万条记录仍然非常快。

【解决方案2】：

这里有三个选项。

选项 1： scan() 使用 sep="|" 的向量

sum(scan(text=as.character(x), sep="|") == 0)
# [1] 4

选项 2：gregexpr() 中的固定字符

sum(unlist(gregexpr("0", x, fixed=TRUE)) > 0)
# [1] 4

选项 3： 一个非常简单快速的打包选项，带有 stringr

library(stringr)
sum(str_count(x, fixed("0")))
# [1] 4

【讨论】：

计时 - set.seed(1); x2 <- sample(x,1e7,replace=TRUE); system.time(sum(nchar(gsub("[^0]", '', x2 )))); system.time(sum(nchar(gsub("[^0]", "", levels(x2) )) * tabulate(x2))); system.time(sum(str_count(x2, fixed("0"))))
@thelatemail - levels + tabulate 一个是梦幻的