测试字符是否在字符串中

Question

我正在尝试确定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。在以下场景中，我想返回false：

chars <- "test"
value <- "et"

Answer 1

使用grepl功能

grepl(value, chars)
# TRUE

Answer 2

答案

叹了口气，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

解释

grep以linux可执行文件命名，它本身是＆＃34; G lobal R egular E xpression P rint＆＃34;，它将读取输入行，然后如果它们与您给出的参数匹配则打印它们。 ＆＃34;全球＆＃34;意味着匹配可能发生在输入行的任何地方，我将解释＆＃34;正则表达＆＃34;下面，但这个想法是匹配字符串的更聪明的方法（R称这个＆＃34;字符＆＃34;，例如class("abc")），＆＃34;打印＆＃34;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，grep程序基本上是一个过滤器，从输入行到输出行。似乎R的grep函数同样会采用一系列输入。由于我完全不知道的原因（我大约一小时前才开始玩R），它会返回匹配的索引向量，而不是匹配列表。

但是，回到你原来的问题，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为grepl，就像在＆＃34; grep＆＃34;但是＆＃34; L ogical＆＃34;返回值（它们调用true和false逻辑值，例如class(TRUE)）。

所以，现在我们知道这个名字的来源以及它应该做什么。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（以下称为正则表达式）。正则表达式是一种匹配字符串的方法（如果这个定义让你烦恼，那就让它去）。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次或更多次，正则表达式a+将匹配字符"a" 1次或更多次。因此，在上面的示例中，我们正在搜索1+2的针，当被视为正则表达式时，意味着＆＃34;一个或多个1后跟一个2＆＃34; ...但是我们之后是一个加号！

所以，如果你在没有设置grepl的情况下使用fixed，那么你的针头会不小心成为干草堆，这会不经常发生，我们可以看到它甚至适用于OP的例。但这是一个潜在的错误！我们需要告诉它输入是字符串，而不是正则表达式，这显然是fixed的用途。为何固定？毫无头绪，给这个答案添加书签b / c你可能需要再记录5次才能记住它。

最后的一些想法

您的代码越好，您需要了解的历史记录就越少。每个参数都至少有两个有趣的值（否则它不需要是一个参数），文档在这里列出9个参数，这意味着至少有2 ^ 9 = 512种方式来调用它，编写，测试和记忆的工作很多......解耦这些函数（拆分它们，删除彼此的依赖关系，字符串的东西不同于正则表达式的东西不同于矢量的东西）。有些选项也是相互排斥的，不会给用户提供使用代码的错误方法，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）。比喻一下：用一面墙替换10楼一侧的前门比悬挂一个警告其使用的标志更好，但要么两者都要好。在一个接口中，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，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，永远不会提供你期望的好处）。对于模棱两可的类型要非常警惕，TRUE和0以及"abc"等所有向量都是设计缺陷。

Answer 3

您想要grepl：

> chars <- "test"
> value <- "es"
> grepl(value, chars)
[1] TRUE
> chars <- "test"
> value <- "et"
> grepl(value, chars)
[1] FALSE

Answer 4

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

Answer 5

万一你还要检查一个字符串（或一组字符串）是否包含多个子字符串，你也可以使用'|'在两个子串之间。

>substring="as|at"
>string_vector=c("ass","ear","eye","heat") 
>grepl(substring,string_vector)

你会得到

[1]  TRUE FALSE FALSE  TRUE

因为第一个单词有子串“as”，最后一个单词包含子串“at”

Answer 6

另外，可以使用＆＃34; stringr＆＃34;库：

> 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

Answer 7

使用grep或grepl ，但要注意您是否要使用正则表达式。

默认情况下，grep和相关的正则表达式匹配，而不是文字子字符串。如果您没想到，并且尝试匹配无效的正则表达式，则不起作用：

> 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

如果你确实想要正则表达式，那很好，但这不是OP似乎要问的问题。

Answer 8

您可以使用grep

grep("es", "Test")
[1] 1
grep("et", "Test")
integer(0)

Answer 9

此处存在类似问题：给定字符串和关键字列表，请检测该字符串中包含哪些关键字（如果有）。

此线程的建议建议stringr的{​​{1}}和str_detect。以下是grepl软件包中的基准测试：

使用

microbenchmark

然后

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))
}

我们找到

microbenchmark(mapper1(t), mapper2(t), times = 5000)

---

如您所见，在实际的关键字字符串和向量上，使用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 和str_detect进行了5,000次以上的关键字搜索迭代，grepl的效果比{{1 }}。

结果是布尔向量grepl，该布尔向量标识字符串中包含哪些关键字（如果有）。

因此，我建议使用str_detect来确定字符串中是否包含任何关键字。