R：提取部分长度不同的字符串

Question

我有一个字符串列表（非常大，数百万行），我想从中提取特定部分。

我先在分号处拆分字符串，然后提取到特定的部分。它变得有点复杂，因为有时一行有 3 个，有时有 4 个段。但是我感兴趣的部分总是最后和倒数第二个片段。

示例代码：

dataStr = c("secAlways;  secExtr1; secExtr2",
            "secSometimes;  secAlways;  secExtr1; secExtr2",
            "secSometimes;  secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secSometimes;  secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2")

splStr <- strsplit(dataStr, ";")
extr1 <- list()
extr2 <- list()

for (i in 1:length(splStr)) {
  extr1[i] <- head( tail(splStr[[i]], n=2), n=1)
  extr2[i] <- tail(splStr[[i]], n = 1)
}

可以用，但是太慢了。对于如何加快速度的任何想法，我将不胜感激。我怀疑这可能是用 apply 完成的，但我无法理解它。

如果问题可能与问题重复，则会提出问题。我认为它有点不同，因为我想提取最后两个元素并且部分的数量不同。此外，我还没有得到 vapply 的解决方案来处理我的真实样本。

Answer 1

我认为你最好在这里使用正则表达式：

sub(".+; (.+?); (.+?)$", "\2", dataStr)

这将获取最后一项。

sub(".+; (.+?); (.+?)$", "\1", dataStr)

这将在最后一个项目之前获取项目。

Answer 2

这样做可能会更快：

str_list <- lapply(splStr, tail, 2)
do.call(rbind, str_list)

      [,1]         [,2]       
 [1,] "  secExtr1" " secExtr2"
 [2,] "  secExtr1" " secExtr2"
 [3,] "  secExtr1" " secExtr2"
 [4,] "  secExtr1" " secExtr2"
 [5,] "  secExtr1" " secExtr2"
 [6,] "  secExtr1" " secExtr2"
 [7,] "  secExtr1" " secExtr2"
 [8,] "  secExtr1" " secExtr2"
 [9,] "  secExtr1" " secExtr2"
[10,] "  secExtr1" " secExtr2"

Answer 3

我们可以使用 stringi 和 vapply

来加快速度

library(stringi)
vapply(stri_split(dataStr, regex=';\s*'), function(x) tail(x, 2), character(2))

Answer 4

来自 stringr 的 word 解决方案，

stringr::word(dataStr, -2, -1,  sep = ';')

然后您可以 strsplit 将它们作为 2 个不同的词，即

do.call(rbind, strsplit(trimws(word(dataStr, -2, -1,  sep = ';')), '; '))
#      [,1]       [,2]      
# [1,] "secExtr1" "secExtr2"
# [2,] "secExtr1" "secExtr2"
# [3,] "secExtr1" "secExtr2"
# [4,] "secExtr1" "secExtr2"
# [5,] "secExtr1" "secExtr2"
# [6,] "secExtr1" "secExtr2"
# [7,] "secExtr1" "secExtr2"
# [8,] "secExtr1" "secExtr2"
# [9,] "secExtr1" "secExtr2"
#[10,] "secExtr1" "secExtr2"

Answer 5

> str_list <- lapply(dataStr, tail, 2)

> do.call(rbind, str_list)


      [,1]                                           
[1,] "secAlways;  secExtr1; secExtr2"               
[2,] "secSometimes;  secAlways;  secExtr1; secExtr2"
[3,] "secSometimes;  secAlways;  secExtr1; secExtr2"
[4,] "secAlways;  secExtr1; secExtr2"               
[5,] "secAlways;  secExtr1; secExtr2"               
[6,] "secAlways;  secExtr1; secExtr2"               
[7,] "secSometimes;  secAlways;  secExtr1; secExtr2"
[8,] "secAlways;  secExtr1; secExtr2"               
[9,] "secAlways;  secExtr1; secExtr2"               
[10,] "secAlways;  secExtr1; secExtr2"

我不确定这是否有效？

Answer 6

假设最后一段和倒数第二段的字符数始终相同，这可以使用 stringi 库通过以下方式实现。

我还假设您想要两个列表作为输出。

library(stringi)

dataStr = c("secAlways;  secExtr1; secExtr2",
            "secSometimes;  secAlways;  secExtr1; secExtr2",
            "secSometimes;  secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secSometimes;  secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2",
            "secAlways;  secExtr1; secExtr2")

extr1 <- as.list(stringi::stri_sub(dataStr, from=-18, to=-11))
extr2 <- as.list(stringi::stri_sub(dataStr, from= -8))

R：提取部分长度不同的字符串

R: Extract part of string with varying length

r

string

performance

apply

strsplit