r strsplitをベクトル化する方法は？

Question

使用する関数を作成するとき strsplit, 、ベクトル入力は必要に応じて動作しません、そして sapply 使用する必要があります。これは、リストの出力によるものです strsplit 生成。プロセスをベクトル化する方法はありますか？つまり、関数は入力の各要素のリスト内の正しい要素を生成しますか？

たとえば、文字ベクトルの単語の長さをカウントするには：

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

理想的には、ようなものです length(strsplit(words,"")[[.]]) どこ . 入力ベクトルの関連部分であると解釈されます。

Answer 1

一般に、最初からベクトル化された関数を使用してみてください。使用 strsplit その後、何らかの反復が必要になることがよくあります（これは遅くなります）ので、可能であれば避けてください。あなたの例では、使用する必要があります nchar 代わりは：

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

より一般的には、その事実を利用してください strsplit リストを返して使用します lapply:

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

または、anを使用します l*ply 家族の機能 plyr. 。例えば：

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

編集：

敬意を表して ブルームズデイ, 、ジョイスのユリシーズを使用して、これらのアプローチのパフォーマンスをテストすることにしました。

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

私はすべての言葉を持っているので、私たちは私たちのカウントをすることができます：

> # 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 

ベクトル化された関数と lapply オリジナルよりもかなり高速です sapply バージョン。すべてのソリューションは、同じ答えを返します（要約出力で見られるように）。

どうやら最新バージョンの plyr より速いです（これはわずかに古いバージョンを使用しています）。