我试图确定一个字符串是否是另一个字符串的子集。例如:
chars <- "test"
value <- "es"
如果“value”作为字符串“chars”的一部分出现,我想返回 TRUE。在以下情况下,我想返回 false:
chars <- "test"
value <- "et"
使用 grepl
功能
grepl( needle, haystack, fixed = TRUE)
像这样:
grepl(value, chars, fixed = TRUE)
# TRUE
使用?grepl
以了解更多信息。
唉,我花了 45 分钟才找到这个简单问题的答案。答案是:grepl(needle, haystack, fixed=TRUE)
# Correct
> grepl("1+2", "1+2", fixed=TRUE)
[1] TRUE
> grepl("1+2", "123+456", fixed=TRUE)
[1] FALSE
# Incorrect
> grepl("1+2", "1+2")
[1] FALSE
> grepl("1+2", "123+456")
[1] TRUE
grep
以 linux 可执行文件命名,该可执行文件本身是“ G lobal Regular E xpression P rint”的首字母缩写词,它会读取输入行,然后在它们与您提供的参数匹配时打印它们。“全局”意味着匹配可以发生在输入行的任何位置,我将在下面解释“正则表达式”,但想法是它是匹配字符串的更聪明的方式(R 称之为“字符”,例如class("abc")
)和“打印" 因为它是一个命令行程序,发出输出意味着它打印到它的输出字符串。
现在,该grep
程序基本上是一个过滤器,从输入行到输出行。并且似乎 R 的grep
函数同样会采用一组输入。由于我完全不知道的原因(我大约一个小时前才开始使用 R),它返回匹配索引的向量,而不是匹配列表。
但是,回到你最初的问题,我们真正想要的是知道我们是否在大海捞针中找到了针,一个真/假值。他们显然决定将这个函数命名grepl
为“grep”,但带有一个“逻辑”返回值(他们称之为真假逻辑值,例如class(TRUE)
)。
所以,现在我们知道这个名字来自哪里以及它应该做什么。让我们回到正则表达式。参数,即使它们是字符串,它们也用于构建正则表达式(以下简称:正则表达式)。正则表达式是一种匹配字符串的方法(如果这个定义激怒了你,那就放手吧)。例如,正则表达式a
匹配字符"a"
,正则表达式a*
匹配字符"a"
0 次或多次,正则表达式a+
匹配字符"a"
1 次或多次。因此,在上面的示例中,我们正在搜索的 needle 被1+2
视为正则表达式时,表示“一个或多个 1 后面跟着一个 2”……但我们的后面跟着一个加号!
所以,如果你使用了grepl
without setting fixed
,你的针会不小心变成干草堆,而且会经常意外地工作,我们可以看到它甚至适用于 OP 的示例。但这是一个潜在的错误!我们需要告诉它输入是一个字符串,而不是一个正则表达式,这显然fixed
是用于的。为什么固定?没有线索,将此答案加入书签 b/c 您可能需要再查找 5 次才能记住它。
你的代码越好,你需要知道的历史就越少才能理解它。每个参数至少可以有两个有趣的值(否则它不需要是一个参数),文档在这里列出了 9 个参数,这意味着至少有 2^9=512 种调用它的方法,这需要做很多工作编写,测试和记住...解耦这些函数(将它们拆分,消除彼此的依赖关系,字符串事物与正则表达式事物不同,与向量事物不同)。一些选项也是互斥的,不要给用户错误的代码使用方式,即有问题的调用应该是结构上无意义的(例如传递一个不存在的选项),而不是逻辑上无意义的(你必须发出警告来解释它)。打个比方:用墙代替 10 楼一侧的前门,总比挂一个警告不要使用它的标志要好,但两者都比两者都好。在接口中,函数定义了参数应该是什么样子,而不是调用者(因为调用者依赖于函数,推断每个人可能想要调用它的所有内容都使得函数也依赖于调用者,并且这种类型周期性依赖会迅速阻塞系统,并且永远不会提供您期望的好处)。非常警惕模棱两可的类型,这是一个设计缺陷 推断每个人都可能想要调用它的所有内容,使得函数也依赖于调用者,并且这种类型的循环依赖会迅速阻塞系统,并且永远不会提供您期望的好处)。非常警惕模棱两可的类型,这是一个设计缺陷 推断每个人都可能想要调用它的所有内容,使得函数也依赖于调用者,并且这种类型的循环依赖会迅速阻塞系统,并且永远不会提供您期望的好处)。非常警惕模棱两可的类型,这是一个设计缺陷TRUE
和0
都是"abc"
向量。
你想要grepl
:
> chars <- "test"
> value <- "es"
> grepl(value, chars)
[1] TRUE
> chars <- "test"
> value <- "et"
> grepl(value, chars)
[1] FALSE
使用stringi
包中的此功能:
> stri_detect_fixed("test",c("et","es"))
[1] FALSE TRUE
一些基准:
library(stringi)
set.seed(123L)
value <- stri_rand_strings(10000, ceiling(runif(10000, 1, 100))) # 10000 random ASCII strings
head(value)
chars <- "es"
library(microbenchmark)
microbenchmark(
grepl(chars, value),
grepl(chars, value, fixed=TRUE),
grepl(chars, value, perl=TRUE),
stri_detect_fixed(value, chars),
stri_detect_regex(value, chars)
)
## Unit: milliseconds
## expr min lq median uq max neval
## grepl(chars, value) 13.682876 13.943184 14.057991 14.295423 15.443530 100
## grepl(chars, value, fixed = TRUE) 5.071617 5.110779 5.281498 5.523421 45.243791 100
## grepl(chars, value, perl = TRUE) 1.835558 1.873280 1.956974 2.259203 3.506741 100
## stri_detect_fixed(value, chars) 1.191403 1.233287 1.309720 1.510677 2.821284 100
## stri_detect_regex(value, chars) 6.043537 6.154198 6.273506 6.447714 7.884380 100
此外,可以使用“stringr”库来完成:
> library(stringr)
> chars <- "test"
> value <- "es"
> str_detect(chars, value)
[1] TRUE
### For multiple value case:
> value <- c("es", "l", "est", "a", "test")
> str_detect(chars, value)
[1] TRUE FALSE TRUE FALSE TRUE
万一您还想检查一个字符串(或一组字符串)是否包含多个子字符串,您也可以使用“|” 两个子串之间。
>substring="as|at"
>string_vector=c("ass","ear","eye","heat")
>grepl(substring,string_vector)
你会得到
[1] TRUE FALSE FALSE TRUE
因为第一个词有子串“as”,最后一个词含有子串“at”
使用grep
orgrepl
但要注意是否要使用正则表达式。
默认情况下,grep
相关采用正则表达式进行匹配,而不是文字子字符串。如果您没有预料到,并且您尝试匹配无效的正则表达式,则它不起作用:
> grep("[", "abc[")
Error in grep("[", "abc[") :
invalid regular expression '[', reason 'Missing ']''
要进行真正的子字符串测试,请使用fixed = TRUE
.
> grep("[", "abc[", fixed = TRUE)
[1] 1
如果您确实想要正则表达式,那很好,但这不是 OP 似乎要问的。
您可以使用grep
grep("es", "Test")
[1] 1
grep("et", "Test")
integer(0)
这里有类似的问题:给定一个字符串和一个关键字列表,检测哪些关键字(如果有)包含在字符串中。
此线程的建议建议stringr
'sstr_detect
和grepl
. 以下是microbenchmark
软件包中的基准:
使用
map_keywords = c("once", "twice", "few")
t = "yes but only a few times"
mapper1 <- function (x) {
r = str_detect(x, map_keywords)
}
mapper2 <- function (x) {
r = sapply(map_keywords, function (k) grepl(k, x, fixed = T))
}
接着
microbenchmark(mapper1(t), mapper2(t), times = 5000)
我们发现
Unit: microseconds
expr min lq mean median uq max neval
mapper1(t) 26.401 27.988 31.32951 28.8430 29.5225 2091.476 5000
mapper2(t) 19.289 20.767 24.94484 23.7725 24.6220 1011.837 5000
如您所见,超过 5,000 次关键字搜索迭代使用str_detect
和grepl
超过一个实用的字符串和关键字向量,grepl
其性能比str_detect
.
结果是一个布尔向量r
,它标识字符串中包含哪些关键字(如果有的话)。
因此,我建议使用grepl
来确定字符串中是否有任何关键字。