问题标签 [stringi]

我尝试创建正则表达式来提取所有整数。提取非整数的实数可以是6 -12bur also+6.000或-5,0and onother ，例如3.14, -6,26but no 5.0。

为了查找整数，我尝试过"^[+-]?([0-9]+)(\\[.,]0{1,})?$"，但它不适用于-6.00. 而且我不知道如何创建第二个正则表达式（如何排除带有逗号或点的整数，然后是零）。任何帮助表示赞赏。

我最近一直在gsub广泛使用，我注意到短模式比长模式运行得更快，这并不奇怪。这是一个完全可重现的代码：

如您所见，我正在寻找包含a重复rpt[n]时间的模式。正如预期的那样，斜率为正。但是，我注意到 300 个字符fixed=T和 600 个字符出现扭结，fixed=F然后斜率似乎与以前大致相同（见下图）。我想，这是由于内存、对象大小等原因。我还注意到允许的最长pattern符号是 1463 个符号，对象大小为 1552 字节。

有人可以更好地解释这个扭结，为什么要 300 和 600 个字符？

补充：值得一提的是，我的大多数模式都是 5-10 个字符长，这为我的真实数据（不是inp上面示例中的模型）提供了以下时间。

（我有 4k 模式，所以我的模块的总时间大约是 200 秒，这恰好是 0.05 x 4000 与 gsub 和固定 = TRUE。这是我的数据和模式最快的方法）

我们正在努力让一些 R 代码在生产环境中工作，作为其中的一部分，我们正在安装一些 R 包，如下所示：

这可能不是安装 R 包的最优雅的方式，但对我们来说似乎没问题（任何其他关于 R 包管理的技巧都会受到欢迎，但在这个阶段有点晚了:)。

但是，stringi 包似乎依赖于 icu52l 包，它通过网络安装：

我们如何告诉它寻找本地副本？输出很容易包含远程位置（http://static.rexamine.com/packages/icudt52l.zip），所以我们可以自己把它放在某个地方，但不确定在哪里。

也许我们正在以完全错误的方式解决这个问题，但欢迎任何帮助或指示。

我们在 ubuntu 机器上，也尝试过安装 libicu42 和 libicu-dev，但这些似乎都没有帮助。

我有一个 data.tableDT如下。

我正在尝试将列拆分V2为“<<”并在两个新列中获取输出。

我可以使用以下方法完成它stringi

但是，我想使用:=运算符通过引用来做同样的事情。如何使用 data.table 做到这一点？

我对 RHS 部分有困难。

stri_split_fixed(DT$V2, "<<", 2)给出长度为 2 的字符向量的 3 列表。如何获得长度为 3 的字符向量的 2 列表？

编辑 df和dict

我有一个包含句子的数据框：

还有一个包含单词及其相应分数的字典：

我想附加一个“分数”列df，将每个句子的分数相加：

预期成绩

更新

以下是迄今为止的结果：

阿克伦的方法

建议一

请注意，要使此方法起作用，我必须使用data_frame()创建df而dict不是data.frame()否则我得到：Error in strsplit(text, " ") : non-character argument

这不考虑单个字符串中的多个匹配项。接近预期的结果，但还没有完全达到。

建议二

我在评论中对 akrun 的建议进行了一些调整，以将其应用于已编辑的帖子

这不考虑字符串中的多个匹配项：

理查德斯克里文的方法

建议一

更新所有软件包后，现在可以使用（尽管它不考虑多个匹配项）

建议二

这给出了相同的结果：

建议 3

这实际上有效：

Thelatemail的方法

请注意，我添加了该cbind()部分。这实际上符合预期的结果。

最终答案

受 akrun 建议的启发，这是我最终写的最典型的dplyr解决方案：

尽管我会执行 Richard Scriven 的建议 #3，因为它是最有效的。

基准

以下是适用于更大数据集（df93 个句子和dict14K 单词）的建议microbenchmark()：

结果：

有没有一种简单的方法可以用 R 中字符向量的每个元素中的点替换破折号？

正在寻找stringi包裹中的帮助，但找不到答案。有stri_substitute功能，但不知道怎么用。

我正在尝试gdac.broadinstitute.org_在 R 中的该字符中提取该单词之后的名称

我stri_extract从stringi包中使用，但看起来我对正则表达式不太了解。我试过这样的事情：

任何人都可以帮忙吗？

我需要拆分并获取之前的所有字符^

示例：我在数据框中有一列读取

并且同一数据框中的结果列应为：

我尝试使用stringr, strsub{base}, stringi, gsubfn. 但他们抛出了奇怪的结果，因为^. 我无法更换^，因为这张桌子实在是太大了。

我想知道为什么我使用 gsub 和 stringi 获得两个不同的输出字符串。元字符是否“。” 在 stringi 中不包括新行？stringi 是否读取“逐行”？

顺便说一句，我没有找到用 stringi 执行“正确”替换的任何方法，所以我需要在这里使用 gsub。

我正在制作一个有尺寸的集合

第二列看起来或多或少像这样：

对于每一行，我想从topics列中选择:符号后等级最高的单词。我尝试使用dplyr包中的 mutate 函数，它看起来好像不起作用。stringi使用更快版本的包制作的字符上的操作stringr。我的代码和此操作的结果如下。任何人都知道为什么我在此操作后的每一行中都得到相同的值，以及如何在不使用for循环的情况下达到预期的结果？

我添加nr了作为行号的额外列，然后我愚蠢地group_by编辑了该列和summarised 而不是mutate并实现了我想要的......但我并不为我的代码感到自豪。还有其他想法吗？

样本数据