Bir dizgi sütununun her satırında belirli bir karakterin oluşum sayısı nasıl hesaplanır?

Belirli değişkenlerin metin dizesi içerdiği bir data.frame var. Her bir dizede belirli bir karakterin oluşum sayısını saymak istiyorum.

Misal:

q.data<-data.frame(number=1:3, string=c("greatgreat", "magic", "not"))

Q.data için dizede "a" oluşum sayısı ile yeni bir sütun oluşturmak istiyorum (yani c (2,1,0)).

Yönettiğim tek kıvrımlı yaklaşım şudur:

string.counter<-function(strings, pattern){  
  counts<-NULL
  for(i in 1:length(strings)){
    counts[i]<-length(attr(gregexpr(pattern,strings[i])[[1]], "match.length")[attr(gregexpr(pattern,strings[i])[[1]], "match.length")>0])
  }
return(counts)
}

string.counter(strings=q.data$string, pattern="a")

 number     string number.of.a
1      1 greatgreat           2
2      2      magic           1
3      3        not           0

Stringr paketi, str_countilgilendiğiniz şeyi yapıyor gibi görünen işlevi sağlar

# Load your example data
q.data<-data.frame(number=1:3, string=c("greatgreat", "magic", "not"), stringsAsFactors = F)
library(stringr)

# Count the number of 'a's in each element of string
q.data$number.of.a <- str_count(q.data$string, "a")
q.data
#  number     string number.of.a
#1      1 greatgreat           2
#2      2      magic           1
#3      3        not           0

R tabanından ayrılmak istemiyorsanız, işte oldukça kısa ve anlamlı bir olasılık:

x <- q.data$string
lengths(regmatches(x, gregexpr("a", x)))
# [1] 2 1 0

nchar(as.character(q.data$string)) -nchar( gsub("a", "", q.data$string))
[1] 2 1 0

Nchar'a geçmeden önce faktör değişkenini karaktere zorladığıma dikkat edin. Normal ifade işlevleri bunu dahili olarak yapıyor gibi görünmektedir.

İşte karşılaştırma sonuçları (testin boyutu 3000 satıra çıkarılmış)

 q.data<-q.data[rep(1:NROW(q.data), 1000),]
 str(q.data)
'data.frame':   3000 obs. of  3 variables:
 $ number     : int  1 2 3 1 2 3 1 2 3 1 ...
 $ string     : Factor w/ 3 levels "greatgreat","magic",..: 1 2 3 1 2 3 1 2 3 1 ...
 $ number.of.a: int  2 1 0 2 1 0 2 1 0 2 ...

 benchmark( Dason = { q.data$number.of.a <- str_count(as.character(q.data$string), "a") },
 Tim = {resT <- sapply(as.character(q.data$string), function(x, letter = "a"){
                            sum(unlist(strsplit(x, split = "")) == letter) }) }, 

 DWin = {resW <- nchar(as.character(q.data$string)) -nchar( gsub("a", "", q.data$string))},
 Josh = {x <- sapply(regmatches(q.data$string, gregexpr("g",q.data$string )), length)}, replications=100)
#-----------------------
   test replications elapsed  relative user.self sys.self user.child sys.child
1 Dason          100   4.173  9.959427     2.985    1.204          0         0
3  DWin          100   0.419  1.000000     0.417    0.003          0         0
4  Josh          100  18.635 44.474940    17.883    0.827          0         0
2   Tim          100   3.705  8.842482     3.646    0.072          0         0

CharToRaw kullanarak başka bir iyi seçenek :

sum(charToRaw("abc.d.aa") == charToRaw('.'))

stringiPaket fonksiyonları sağlar stri_countve stri_count_fixedhangi çok hızlı.

stringi::stri_count(q.data$string, fixed = "a")
# [1] 2 1 0

kıyaslama

@ 42-'nin cevabından en hızlı yaklaşıma ve 30.000 elemanlı bir vektör için stringrpaketten eşdeğer fonksiyona kıyasla .

library(microbenchmark)

benchmark <- microbenchmark(
  stringi = stringi::stri_count(test.data$string, fixed = "a"),
  baseR = nchar(test.data$string) - nchar(gsub("a", "", test.data$string, fixed = TRUE)),
  stringr = str_count(test.data$string, "a")
)

autoplot(benchmark)

veri

q.data <- data.frame(number=1:3, string=c("greatgreat", "magic", "not"), stringsAsFactors = FALSE)
test.data <- q.data[rep(1:NROW(q.data), 10000),]

Bir varyasyonu https://stackoverflow.com/a/12430764/589165 olduğu

> nchar(gsub("[^a]", "", q.data$string))
[1] 2 1 0

Eminim birisi daha iyisini yapabilir, ama bu işe yarar:

sapply(as.character(q.data$string), function(x, letter = "a"){
  sum(unlist(strsplit(x, split = "")) == letter)
})
greatgreat      magic        not 
     2          1          0 

veya bir işlevde:

countLetter <- function(charvec, letter){
  sapply(charvec, function(x, letter){
    sum(unlist(strsplit(x, split = "")) == letter)
  }, letter = letter)
}
countLetter(as.character(q.data$string),"a")

Sadece string bölme kullanabilirsin

require(roperators)
my_strings <- c('apple', banana', 'pear', 'melon')
my_strings %s/% 'a'

Bu da size 1, 3, 1, 0 verir. Dize bölmesini normal ifadeler ve tam kelimelerle de kullanabilirsiniz.

IMHO'nun en kolay ve en temiz yolu:

q.data$number.of.a <- lengths(gregexpr('a', q.data$string))

#  number     string number.of.a`
#1      1 greatgreat           2`
#2      2      magic           1`
#3      3        not           0`

Aşağıdaki soru buraya taşındı, ancak görünen o ki bu sayfa Farah El'in sorusuna doğrudan cevap vermiyor. R'de 101'de 1 sayısı nasıl bulunur

Yani, her ihtimale karşı buraya bir cevap yazacağım.

library(magrittr)
n %>% # n is a number you'd like to inspect
  as.character() %>%
  str_count(pattern = "1")

https://stackoverflow.com/users/8931457/farah-el

Yine başka bir base Rseçenek şunlar olabilir:

lengths(lapply(q.data$string, grepRaw, pattern = "a", all = TRUE, fixed = TRUE))

[1] 2 1 0

Bir sonraki ifade işi yapar ve sadece harfler için değil semboller için de işe yarar.

İfade şu şekilde çalışır:

1: 2. sütunun satırları üzerinde yinelemek için veri çerçevesi q.data sütunlarında lapply kullanır ("lapply (q.data [, 2],"),

2: 2. sütunun her satırına bir işlev "function (x) {sum ('a' == strsplit (as.character (x), '') [[1]])}" uygulanır. İşlev, sütun 2 (x) 'in her satır değerini alır, karaktere dönüştürür (örneğin bir faktör olması durumunda) ve dizeyi her karakterde bölmeyi yapar ("strsplit (as.character (x)," ') "). Sonuç olarak, 2. sütunun her satırı için dize değerinin her karakterini içeren bir vektörümüz var.

3: Vektörün her vektör değeri, sayılması istenen karakterle, bu durumda "a" ("'a' ==") ile karşılaştırılır. Bu işlem, vektördeki değer sayılacak istenen karakterle eşleştiğinde True olan "c (True, False, True, ....)" Doğru ve Yanlış değerlerinin bir vektörünü döndürecektir.

4: Satırda 'a' karakterinin toplam görünme sayısı, "sum (....)" vektöründeki tüm "True" değerlerinin toplamı olarak hesaplanır.

5: Daha sonra, "lapply" işlevinin sonucunu paketten çıkarmak ve bunu veri çerçevesindeki yeni bir sütuna atamak için "listeyi açma" işlevi uygulanır ("q.data $ number.of.a <-unlist (.... ")

q.data$number.of.a<-unlist(lapply(q.data[,2],function(x){sum('a' == strsplit(as.character(x), '')[[1]])}))

>q.data

#  number     string     number.of.a
#1   greatgreat         2
#2      magic           1
#3      not             0

s <- "aababacababaaathhhhhslsls jsjsjjsaa ghhaalll"
p <- "a"
s2 <- gsub(p,"",s)
numOcc <- nchar(s) - nchar(s2)

Etkili olmayabilir ama amacımı çöz.