R计数逗号和字符串的数量答案

【问题标题】：R count number of commas and stringR计数逗号和字符串的数量
【发布时间】：2012-03-29 02:34:47
【问题描述】：

我有一个字符串：

    str1 <- "This is a string, that I've written 
        to ask about a question, or at least tried to."

我会怎么做：

1) 统计逗号的个数

2) 统计 '-ion' 的出现次数

有什么建议吗？

【问题讨论】：

标签： r nlp

【解决方案1】：

stringr 包有一个函数 str_count 可以很好地为您完成这项工作。

library(stringr)

str_count(str1, ',')
[1] 2
str_count(str1, 'ion')
[1] 1

编辑：

因为我很好奇：

vec <- paste(sample(letters, 1e6, replace=T), collapse=' ')

system.time(str_count(vec, 'a'))
   user  system elapsed 
  0.052   0.000   0.054 

system.time(length(gregexpr('a', vec, fixed=T)[[1]]))
   user  system elapsed 
  2.124   0.016   2.146 

system.time(length(gregexpr('a', vec, fixed=F)[[1]]))
   user  system elapsed 
  0.052   0.000   0.052

【讨论】：

重要的是要注意gregexpr() 的时间命中完全来自设置fixed=T（这里根本不需要）。您可能想要为system.time(length(gregexpr('a', vec)[[1]])) 添加时间，这应该与str_count() 的时间几乎相同。这是有道理的，因为str_count() 本质上是gregexpr() 的包装器。
@JoshO'Brien 好点。我有点惊讶gregexpr 的速度有多慢。
我也是。这就是我检查的原因。当fixed=TRUE 时，我真的没有意识到正则表达式的匹配速度要慢得多。很高兴知道这一点，因此感谢您将这些时间添加到您的帖子中！
在data.table j 表达式中，您可以使用dt[,n=str_count(str,'a')] 来获取str 中每行'a' 的数量，但dt[,n= length(gregexpr('a',str)] 不起作用，并且解决方法 (Filter & unlist) 需要很长时间。在我的 data.table j 表达式中切换到 str_count 可以将我的执行时间从几个小时减少到 30 分钟（使用大型数据集）。

【解决方案2】：

数学文本的一般问题需要正则表达式。在这种情况下，您只想匹配特定字符，但要调用的函数是相同的。你想要gregexpr。

matched_commas <- gregexpr(",", str1, fixed = TRUE)
n_commas <- length(matched_commas[[1]])

matched_ion <- gregexpr("ion", str1, fixed = TRUE)
n_ion <- length(matched_ion[[1]])

如果您只想匹配单词末尾的“ion”，那么您确实需要正则表达式。 \b 代表单词边界，需要将反斜杠转义。

gregexpr(
  "ion\\b", 
  "ionisation should only be matched at the end of the word", 
  perl = TRUE
)

【讨论】：

谢谢，无需安装stringr 库即可。但是请注意length(gregexpr(",", "no commas", fixed = TRUE)[[1]]) 和length(gregexpr(",", "one , comma", fixed = TRUE)[[1]]) 都是1。所以我们需要检查matched_commas[[1]][1] 是否大于0。

【解决方案3】：

这真的是对Richie棉花的答案的适应。我讨厌一遍又一遍地重复相同的功能。此方法允许您在字符串内汇集术语的向量：

str1 <- "This is a string, that I've written to ask about a question, 
    or at least tried to."
matches <- c(",", "ion") 
sapply(matches,  function(x) length(gregexpr(x, str1, fixed = TRUE)[[1]]))
#  , ion 
#  2   1

【讨论】：

再次原因我很好奇，你也可以向@ 987654322提供匹配的向量。 str_count(str1, matches)将返回相同的2和1。 span>

【解决方案4】：

另一个选项是stringi

library(stringi)
stri_count(str1,fixed=',')
#[1] 2
stri_count(str1,fixed='ion')
#[1] 1

基准测试

vec <- paste(sample(letters, 1e6, replace=T), collapse=' ')
f1 <- function() str_count(vec, 'a')
f2 <- function() stri_count(vec, fixed='a')
f3 <- function() length(gregexpr('a', vec)[[1]])

library(microbenchmark)
microbenchmark(f1(), f2(), f3(), unit='relative', times=20L)
#Unit: relative
#expr      min       lq     mean   median       uq      max neval cld
# f1() 18.41423 18.43579 18.37623 18.36428 18.46115 17.79397    20   b
# f2()  1.00000  1.00000  1.00000  1.00000  1.00000  1.00000    20  a 
# f3() 18.35381 18.42019 18.30015 18.35580 18.20973 18.21109    20   b

【讨论】：