Question

创建使用strsplit的函数时，向量输入的行为不符合要求，需要使用sapply。这是由strsplit生成的列表输出引起的。有没有办法对流程进行矢量化 - 也就是说，函数会在列表中为输入的每个元素生成正确的元素？

例如，要计算字符向量中单词的长度：

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

理想情况下，length(strsplit(words,"")[[.]])之类的地方.被解释为输入向量的相关部分。

Answer 1

通常，您应该尝试使用矢量化函数开始。使用strsplit之后经常需要进行某种迭代（这将会更慢），因此尽可能避免使用它。在您的示例中，您应该使用nchar代替：

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

更一般地说，利用strsplit返回列表并使用lapply的事实：

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

或者使用l*ply中的plyr家庭功能。例如：

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

编辑：

为了纪念Bloomsday，我决定使用乔伊斯的尤利西斯测试这些方法的表现：

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

现在我已经掌握了所有的话，我们可以做到这一点：

> # 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

矢量化函数和lapply比原始sapply版本快得多。所有解决方案都返回相同的答案（如摘要输出所示）。

显然plyr的最新版本更快（这是使用稍旧的版本）。

如何对R strsplit进行矢量化？

1 个答案: