كيف تتجه إلى strsplit؟

Question

عند إنشاء وظائف تستخدم strsplit, ، مدخلات المتجهات لا تتصرف حسب الرغبة ، و sapply يحتاج إلى استخدام. هذا بسبب إخراج القائمة strsplit ينتج عنه. هل هناك طريقة لتجاوز العملية - أي أن الوظيفة تنتج العنصر الصحيح في القائمة لكل عنصر من عناصر الإدخال؟

على سبيل المثال ، لحساب أطوال الكلمات في ناقل الأحرف:

words <- c("a","quick","brown","fox")

> length(strsplit(words,""))
[1] 4 # The number of words (length of the list)

> length(strsplit(words,"")[[1]])
[1] 1 # The length of the first word only

> sapply(words,function (x) length(strsplit(x,"")[[1]]))
a quick brown   fox 
1     5     5     3 
# Success, but potentially very slow

من الناحية المثالية ، شيء مثل length(strsplit(words,"")[[.]]) أين . يتم تفسيره على أنه الجزء ذي الصلة من متجه الإدخال.

Answer 1

بشكل عام ، يجب أن تحاول استخدام وظيفة متجهية لتبدأ. استخدام strsplit سيتطلب بشكل متكرر نوعًا من التكرار بعد ذلك (والذي سيكون أبطأ) ، لذا حاول تجنب ذلك إن أمكن. في مثالك ، يجب أن تستخدم nchar في حين أن:

> nchar(words)
[1] 1 5 5 3

بشكل عام ، استفد من حقيقة أن strsplit إرجاع قائمة واستخدام lapply:

> as.numeric(lapply(strsplit(words,""), length))
[1] 1 5 5 3

أو استخدم l*ply وظيفة الأسرة من plyr. على سبيل المثال:

> laply(strsplit(words,""), length)
[1] 1 5 5 3

يحرر:

تكريما ل Bloomsday, ، قررت اختبار أداء هذه الأساليب باستخدام أوليسيس جويس:

joyce <- readLines("http://www.gutenberg.org/files/4300/4300-8.txt")
joyce <- unlist(strsplit(joyce, " "))

الآن بعد أن حصلت على كل الكلمات ، يمكننا القيام بتهمنا:

> # original version
> system.time(print(summary(sapply(joyce, function (x) length(strsplit(x,"")[[1]])))))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   3.000   4.000   4.666   6.000  69.000 
   user  system elapsed 
   2.65    0.03    2.73 
> # vectorized function
> system.time(print(summary(nchar(joyce))))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   3.000   4.000   4.666   6.000  69.000 
   user  system elapsed 
   0.05    0.00    0.04 
> # with lapply
> system.time(print(summary(as.numeric(lapply(strsplit(joyce,""), length)))))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   3.000   4.000   4.666   6.000  69.000 
   user  system elapsed 
    0.8     0.0     0.8 
> # with laply (from plyr)
> system.time(print(summary(laply(strsplit(joyce,""), length))))
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   3.000   4.000   4.666   6.000  69.000 
   user  system elapsed 
  17.20    0.05   17.30
> # with ldply (from plyr)
> system.time(print(summary(ldply(strsplit(joyce,""), length))))
       V1        
 Min.   : 0.000  
 1st Qu.: 3.000  
 Median : 4.000  
 Mean   : 4.666  
 3rd Qu.: 6.000  
 Max.   :69.000  
   user  system elapsed 
   7.97    0.00    8.03 

وظيفة ناقلات و lapply أسرع بكثير من الأصل sapply إصدار. جميع الحلول تُرجع نفس الإجابة (كما رأينا في الإخراج الموجز).

يبدو أن أحدث إصدار من plyr أسرع (هذا يستخدم نسخة أقدم قليلاً).