Question

我需要根据字符向量模式验证字符串。我目前的代码是：

trim <- function (x) gsub("^\\s+|\\s+$", "", x)

# valid pattern is lowercase alphabet, '.', '!', and '?' AND
# the string length should be >= than 2
my.pattern = c(letters, '!', '.', '?')

check.pattern = function(word, min.size = 2)
{
    word = trim(word)
    chars = strsplit(word, NULL)[[1]]
    all(chars %in% my.pattern) && (length(chars) >= min.size)
}

示例：

w.valid = 'special!'
w.invalid = 'test-me'

check.pattern(w.valid) #TRUE
check.pattern(w.invalid) #FALSE

这是非常慢的我猜...有更快的方法吗？正则表达式可能吗？谢谢！

PS：非常感谢大家的回答。我的目标是构建一个29 x 29矩阵，行名和列名是允许的字符。然后我迭代一个巨大的文本文件的每个单词，并建立一个'字母优先'矩阵。例如，从第一个char开始考虑单词'special'：

row s, col p -> increment 1
row p, col e -> increment 1
row e, col c -> increment 1
... and so on.

我的代码的瓶颈是向量分配，我正在'追加'而不是预先分配最终的向量，因此代码需要30分钟才能执行，而不是20秒！ / p>

Answer 1

有一些内置函数可以清理代码。而且我认为你没有充分利用正则表达式的全部功能。

这里的明显问题是strsplit。当你有正则表达式时，逐个字符地比较事物的相等性是低效的。此处的模式使用方括号表示法来过滤所需的字符。 *适用于任意数量的重复（包括零），而^和$符号代表行的开头和结尾，因此没有其他内容。 nchar(word)与length(chars)相同。将&&更改为&会使函数矢量化，因此您可以输入字符串向量并获取逻辑向量作为输出。

check.pattern.2 = function(word, min.size = 2)
{
    word = trim(word)
    grepl(paste0("^[a-z!.?]*$"),word) & nchar(word) >= min.size
}
check.pattern.2(c(" d ","!hello  ","nA!","  asdf.!"," d d "))
#[1] FALSE  TRUE FALSE  TRUE FALSE

接下来，使用花括号表示重复次数和一些paste0，模式可以使用你的min.size：

check.pattern.3 = function(word, min.size = 2)
{
    word = trim(word)
    grepl(paste0("^[a-z!.?]{",min.size,",}$"),word)
}
check.pattern.3(c(" d ","!hello  ","nA!","  asdf.!"," d d "))
#[1] FALSE  TRUE FALSE  TRUE FALSE

最后，您可以从trim：

内化正则表达式

check.pattern.4 = function(word, min.size = 2)
{
    grepl(paste0("^\\s*[a-z!.?]{",min.size,",}\\s*$"),word)
}
check.pattern.4(c(" d ","!hello  ","nA!","  asdf.!"," d d "))
#[1] FALSE  TRUE FALSE  TRUE FALSE

Answer 2

如果我理解你正确需要的模式，你会想要一个类似格式的正则表达式：

^\\s*[a-z!\\.\\?]{MIN,MAX}\\s*$

其中MIN被替换为字符串的最小长度，MAX被替换为字符串的最大长度。如果没有最大长度，则可以省略MAX和逗号。同样地，如果既没有最大值也没有最小值{}内的所有内容，包括括号本身都可以用*代替，这表示前一项将匹配零次或多次;这相当于{0}。

这确保正则表达式只匹配字符串，其中任何前导和尾随空格之后的每个字符都来自 *小写字母 *一声巨响（感叹号） *一个问号

请注意，这是用Perl风格的正则表达式编写的，因为它是我更熟悉的;我的大部分研究都在this wiki for R text processing。

函数缓慢的原因是将字符串拆分为多个较小字符串的额外开销。与正则表达式相比，这是一个很大的开销（甚至是对字符串的手动迭代，比较每个字符，直到到达结尾或找到无效字符）。还要记住，此算法确保了O（n）性能速率，因为拆分会导致生成n个字符串。这意味着即使是FAILING字符串也必须至少执行n次操作才能拒绝该字符串。

希望这可以澄清您遇到性能问题的原因。

用于检查单词是否与模式匹配的R代码

2 个答案: