كيف تتجه إلى strsplit؟
-
27-09-2019 - |
سؤال
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.
المحلول
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).