R 可用包的名称答案

【问题标题】：Names of R's available packagesR 可用包的名称
【发布时间】：2011-09-11 23:14:20
【问题描述】：

我很想知道，

CRAN 上有多少个包名有两个、三个、N 个字符？
哪些组合尚未使用（“unpoppler”）
有多少包名称使用全大写或驼峰式？
有多少个包名以 2 结尾？

我认为它可能会揭示一些有趣的事实。

编辑： 显示 CRAN 包随时间演变的动画图形的奖励积分。

【问题讨论】：

这是一个有趣的问题，但我不确定它是否真的如此风格。不过，应该只是将名称从 cran.r-project.org/web/packages/available_packages_by_name.html 中删除并在它们上运行一些正则表达式。
@Owen 这两点我都同意，但好奇心的缘故让我心服口服。
抓取是多余的：看看myList[,"Package"] 哪里有myList <- available.packages()。此列表每天都会更改。
关于时间演变，这里有一个带有API的数据库：github.com/metacran/crandb（免责声明：我是它的作者。）它有一些不正确的数据，特别是档案的日期经常是错误的。其中一些我可以并且会修复，但对于某些人来说，AFAIK 没有可用的信息。
你正在使用 metacran 完成出色的工作

标签： r cran

【解决方案1】：

比抓取网页来获取包名称更好的方法是使用available.packages() 函数并处理这些结果。 available.packages() 返回一个矩阵，其中包含所有可用软件包的详细信息（但默认情况下会被过滤 - 请参阅 ?available.packages 的详细信息部分了解更多信息）。

pkgs <- available.packages(filters = "duplicates")
nameCount <- unname(nchar(pkgs[, "Package"]))
table(nameCount)

> table(nameCount)
nameCount
  2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21 
 32 311 374 360 434 445 368 277 199 132  99  56  56  43  22  19  18   2  12   8 
 22  24  25  31 
  5   2   1   1

使用nameCount，我们可以选择名称包含任意数量字符的包，而无需求助于正则表达式等：

> unname(pkgs[which(nameCount == 2), "Package"])
 [1] "BB" "bs" "ca" "cg" "dr" "ez" "FD" "ff" "HH" "HI" "iv" "JM" "ks" "M3" "mi"
[16] "np" "oc" "oz" "PK" "PP" "qp" "QT" "RC" "rv" "Rz" "sm" "sn" "sp" "st" "SV"
[31] "tm" "wq"

【讨论】：

【解决方案2】：

这是基于各种建议的一个镜头。

 packages <- available.packages()[,'Package']

 ggplot(data.frame(n = nchar(packages))) +
   geom_histogram(aes(n), binwidth=1)

 all <- length(packages)
 ## 3168
 up <- sum(toupper(packages) == packages)
 ## 262
 low <- sum(tolower(packages) == packages)
 ## 1697
 pie(c(up, low, all-up-low), labels=c("UPPERCASE","lowercase","cAmElCaSe"))

 let <- sapply(sapply(letters, grep, tolower(packages)), length)
 barplot(let)

 length(packages[grep("2$", packages, perl=TRUE)])
 # 29

【讨论】：

也很有趣：有多少包包含点？ packages[grepl("\\.", packages)]
在您的饼图中，“cAmElCaSe”还包括仅首字母大写的那些，我不认为它是 CamelCase。

【解决方案3】：

这里有一小段代码可以回答一些问题。有时间我会继续补充我的答案。

library(XML); library(ggplot2);

url = 'http://cran.r-project.org/web/packages/available_packages_by_name.html'
packages = readHTMLTable(url, stringsAsFactors = F)[[1]][-1,]

# histogram of number of characters in package name
qplot(nchar(V1), data = packages)

【讨论】：

很好，RthroughExcelWorkbooksInstaller2 有人吗？ :)
+1，尽管这可能会稍微夸大两个字符的数字，因为当第一个字母发生变化时，它会拾取一些 NA 值（例如 packages[128,]），可能来自 html 部分名称。
是的。但我认为available.packages 解决方案更加优雅和强大。

【解决方案4】：

使用所有包制作一个向量

myList <- available.packages()[,'Package']

然后您可以根据需要进行分析。例如，只有两个字符名称的包列表

myList[grep('^..$', myList)]

【讨论】：

nchar 用于计算字符串中的字符数更快、更易读。 myList[nchar(myList) == 2]
另外，使用grepl 而不是grep 进行索引。如果你有一个空匹配，grep 不会做你认为它做的事情。