web-dev-qa-db-fra.com

Couper une chaîne en un vecteur d'éléments de caractère de largeur fixe

J'ai un objet contenant une chaîne de texte:

x <- "xxyyxyxy"

et je veux diviser cela en un vecteur avec chaque élément contenant deux lettres:

[1] "xx" "yy" "xy" "xy"

Il semble que la strsplit devrait être mon ticket, mais comme je n’ai pas d’expression régulière foo, je ne sais pas comment faire pour que cette fonction coupe la chaîne en morceaux comme je le souhaite. Comment dois-je faire cela?

50
JD Long

Utiliser substring est la meilleure approche:

substring(x, seq(1, nchar(x), 2), seq(2, nchar(x), 2))

Mais voici une solution avec plyr:

library("plyr")
laply(seq(1, nchar(x), 2), function(i) substr(x, i, i+1))
57
Shane

Voici une solution rapide qui divise la chaîne en caractères, puis colle ensemble les éléments pairs et les éléments impairs.

x <- "xxyyxyxy"
sst <- strsplit(x, "")[[1]]
paste0(sst[c(TRUE, FALSE)], sst[c(FALSE, TRUE)])

Configuration de référence:

library(microbenchmark)

GSee <- function(x) {
  sst <- strsplit(x, "")[[1]]
  paste0(sst[c(TRUE, FALSE)], sst[c(FALSE, TRUE)])
}

Shane1 <- function(x) {
  substring(x, seq(1,nchar(x),2), seq(2,nchar(x),2))
}

library("plyr")
Shane2 <- function(x) {
  laply(seq(1,nchar(x),2), function(i) substr(x, i, i+1))
}

seth <- function(x) {
  strsplit(gsub("([[:alnum:]]{2})", "\\1 ", x), " ")[[1]]
}

geoffjentry <- function(x) {
  idx <- 1:nchar(x)  
  odds <- idx[(idx %% 2) == 1]  
  evens <- idx[(idx %% 2) == 0]  
  substring(x, odds, evens)  
}

drewconway <- function(x) {
  c<-strsplit(x,"")[[1]]
  sapply(seq(2,nchar(x),by=2),function(y) paste(c[y-1],c[y],sep=""))
}

KenWilliams <- function(x) {
  n <- 2
  sapply(seq(1,nchar(x),by=n), function(xx) substr(x, xx, xx+n-1))
}

RichardScriven <- function(x) {
  regmatches(x, gregexpr("(.{2})", x))[[1]]
}

Indice de référence 1:

x <- "xxyyxyxy"

microbenchmark(
  GSee(x),
  Shane1(x),
  Shane2(x),
  seth(x),
  geoffjentry(x),
  drewconway(x),
  KenWilliams(x),
  RichardScriven(x)
)

# Unit: microseconds
#               expr      min        lq    median        uq      max neval
#            GSee(x)    8.032   12.7460   13.4800   14.1430   17.600   100
#          Shane1(x)   74.520   80.0025   84.8210   88.1385  102.246   100
#          Shane2(x) 1271.156 1288.7185 1316.6205 1358.5220 3839.300   100
#            seth(x)   36.318   43.3710   45.3270   47.5960   67.536   100
#     geoffjentry(x)    9.150   13.5500   15.3655   16.3080   41.066   100
#      drewconway(x)   92.329   98.1255  102.2115  105.6335  115.027   100
#     KenWilliams(x)   77.802   83.0395   87.4400   92.1540  163.705   100
#  RichardScriven(x)   55.034   63.1360   65.7545   68.4785  108.043   100

Indicateur de référence 2:

Maintenant, avec de plus grandes données. 

x <- paste(sample(c("xx", "yy", "xy"), 1e5, replace=TRUE), collapse="")

microbenchmark(
  GSee(x),
  Shane1(x),
  Shane2(x),
  seth(x),
  geoffjentry(x),
  drewconway(x),
  KenWilliams(x),
  RichardScriven(x),
  times=3
)

# Unit: milliseconds
#               expr          min            lq       median            uq          max neval
#            GSee(x)    29.029226    31.3162690    33.603312    35.7046155    37.805919     3
#          Shane1(x) 11754.522290 11866.0042600 11977.486230 12065.3277955 12153.169361     3
#          Shane2(x) 13246.723591 13279.2927180 13311.861845 13371.2202695 13430.578694     3
#            seth(x)    86.668439    89.6322615    92.596084    92.8162885    93.036493     3
#     geoffjentry(x) 11670.845728 11681.3830375 11691.920347 11965.3890110 12238.857675     3
#      drewconway(x)   384.863713   438.7293075   492.594902   515.5538020   538.512702     3
#     KenWilliams(x) 12213.514508 12277.5285215 12341.542535 12403.2315015 12464.920468     3
#  RichardScriven(x) 11549.934241 11730.5723030 11911.210365 11989.4930080 12067.775651     3
23
GSee

Que diriez-vous

strsplit(gsub("([[:alnum:]]{2})", "\\1 ", x), " ")[[1]]

En gros, ajoutez un séparateur (ici "") et puis use strsplit

19
seth

strsplit va être problématique, regardez une expression rationnelle comme celle-ci 

strsplit(z, '[[:alnum:]]{2}')  

il se divisera aux bons points mais il ne reste plus rien.

Vous pouvez utiliser substring et amis

z <- 'xxyyxyxy'  
idx <- 1:nchar(z)  
odds <- idx[(idx %% 2) == 1]  
evens <- idx[(idx %% 2) == 0]  
substring(z, odds, evens)  
10
geoffjentry

Voici un moyen, mais n'utilisant pas regexen:

a <- "xxyyxyxy"
n <- 2
sapply(seq(1,nchar(a),by=n), function(x) substr(a, x, x+n-1))
7
Ken Williams

Total bidouille, JD, mais ça se fait

x <- "xxyyxyxy"
c<-strsplit(x,"")[[1]]
sapply(seq(2,nchar(x),by=2),function(y) paste(c[y-1],c[y],sep=""))
[1] "xx" "yy" "xy" "xy"
6
DrewConway

Une fonction d'assistance:

fixed_split <- function(text, n) {
  strsplit(text, paste0("(?<=.{",n,"})"), Perl=TRUE)
}

fixed_split(x, 2)
[[1]]
[1] "xx" "yy" "xy" "xy"
3
Pierre Lafortune

ATTENTION avec la sous-chaîne, si la longueur de la chaîne n’est pas un multiple de la longueur demandée, vous aurez besoin de+ (n-1)dans la deuxième séquence:

substring(x,seq(1,nchar(x),n),seq(n,nchar(x)+n-1,n)) 
2
Mario S

L'utilisation de C++ peut être encore plus rapide. Comparaison avec Version de GSee :

GSee <- function(x) {
  sst <- strsplit(x, "")[[1]]
  paste0(sst[c(TRUE, FALSE)], sst[c(FALSE, TRUE)])
}

rstub <- Rcpp::cppFunction( code = '
CharacterVector strsplit2(const std::string& hex) {
  unsigned int length = hex.length()/2;
  CharacterVector res(length);
  for (unsigned int i = 0; i < length; ++i) {
    res(i) = hex.substr(2*i, 2);
  }
  return res;
}')

x <- "xxyyxyxy"
all.equal(GSee(x), rstub(x))
#> [1] TRUE
microbenchmark::microbenchmark(GSee(x), rstub(x))
#> Unit: microseconds
#>      expr   min     lq      mean median     uq       max neval
#>   GSee(x) 4.272 4.4575  41.74284 4.5855 4.7105  3702.289   100
#>  rstub(x) 1.710 1.8990 139.40519 2.0665 2.1250 13722.075   100

set.seed(42)
x <- paste(sample(c("xx", "yy", "xy"), 1e5, replace = TRUE), collapse = "")
all.equal(GSee(x), rstub(x))
#> [1] TRUE
microbenchmark::microbenchmark(GSee(x), rstub(x))
#> Unit: milliseconds
#>      expr       min        lq      mean    median       uq       max neval
#>   GSee(x) 17.931801 18.431504 19.282877 18.738836 19.47943 27.191390   100
#>  rstub(x)  3.197587  3.261109  3.404973  3.341099  3.45852  4.872195   100
1
Ralf Stubner

Eh bien, j'ai utilisé le pseudo-code suivant pour remplir cette tâche:

  1. Insérer une séquence spéciale à chaque morceau de longueur n.
  2. Fractionner la chaîne par ladite séquence.

En code, j'ai fait

chopS <- function( text, chunk_len = 2, seqn)
{
    # Specify select and replace patterns
    insert <- paste("(.{",chunk_len,"})", sep = "")
    replace <- paste("\\1", seqn, sep = "")

    # Insert sequence with replaced pattern, then split by the sequence
    interp_text <- gsub( pattern, replace, text)
    strsplit( interp_text, seqn)
}

Cela retourne une liste avec le vecteur divisé à l'intérieur, cependant, pas un vecteur.

1
David Atlas

D'après mes tests, le code ci-dessous est plus rapide que les méthodes précédentes qui ont été analysées. stri_sub est assez rapide et seq.int vaut mieux que seq. Il est également facile de changer la taille des chaînes en modifiant tous les 2L. 

library(stringi)

split_line <- function(x) {
  row_length <- stri_length(x)
  stri_sub(x, seq.int(1L, row_length, 2L), seq.int(2L, row_length, 2L))
}

Je n'ai pas remarqué de différence lorsque les morceaux de chaîne comptaient 2 caractères, mais pour les plus gros morceaux, c'est légèrement mieux.

split_line <- function(x) {
  stri_sub(x, seq.int(1L, stri_length(x), 109L), length = 109L)
}
1
James Bonkowski

Voici une option utilisant stringi::stri_sub(). Essayer:

x <- "xxyyxyxy"
stringi::stri_sub(x, seq(1, stringi::stri_length(x), by = 2), length = 2)
# [1] "xx" "yy" "xy" "xy"
0
ANG