重塑 R 中的一个因子

Question

我有以下字符串：

str(seqN)  
chr [1:704] "010000100100001010000100010001000100000100101000010001001000001001001000001000010010000100100100010000101000010"| __truncated__ ...

是的，它们是由 0 和 1 组成的非常长的字符串（704 个长度为 1000 的字符串）。它们应该是一个已经被单热编码的序列。

因为我想将其提供给卷积模型，所以我需要特定的输入形状，所以我想将每个字符串拆分为长度为 4 的子组（以匹配 one-hot 编码）。

问题是 R 不让我拆分那个字符串，好像这个字符串是不可拆分的。

例如，如果我执行这段代码：

seqN2 <- array_reshape(seqN,c(704,250,4))

它给我这个错误：

Error in py_call_impl(callable, dots$args, dots$keywords) :
ValueError: cannot reshape array of size 704 into shape (704,250,4)

我应该怎么做才能达到我需要的形状 (704,250,4)？

Answer 1

这里有一个简单的方法可以将一个长字符串拆分成长度为 4 的子字符串。只需根据您的需要调整变量n：

mystring <- "110010101101"
n <- 2 # n <- nchar(mystring) / 4 -1

sapply(1 + 4*0:n, function(z) substr(mychar, z, z+3))
[1] "1100" "1010" "1101"

Answer 2

我们可以使用 strsplit 从 base R

lst1 <- strsplit(seqN, "(?<=.{4})", perl = TRUE)

输出将是 list 的 vector 秒。不确定转换为数字。可能是

lst2 <- lapply(lst1, strtoi, base = 2)

或者如评论中提到的 OP，它只是转换为整数

lst2 <- lapply(lst1, as.integer)

如果它们的长度相同，也可以通过 rbinding list 元素

将其转换为 matrix

out <- do.call(rbind, lst2)

Answer 3

您能否stringr提取最多 4 个字符的所有序列：

library(stringr)
str_extract_all(seqN, ".{1,4}", simplify = T)[1,]
 [1] "0100" "0010" "0100" "0010" "1000" "0100" "0100" "0100" "0100" "0001" "0010" "1000" "0100" "0100" "1000" "0010" "0100" "1000" "0010"
[20] "0001" "0010" "0001" "0010" "0100" "0100" "0010" "1000" "010"

重塑 R 中的一个因子

Reshaping a Factor in R

r

reshape