Question

我写了一个简单的函数，将旧的日文文本转换为现代形式。我想发布一个包，但我试图以两种方式改进它。首先，使用mapply而不是循环有一个小的速度增益，但我无法得到我想要的结果。这是工作循环。

normalize <- function(doc)
{
  kanji_conversion <- data.frame("old" =c("學","勲"), "new" =c("学","勳"), stringsAsFactors = FALSE)
  for (i in 1:nrow(kanji_conversion))
 {doc <- gsub(kanji_conversion$old[i], kanji_conversion$new[i], doc)
  }
  return(doc)
}

效果很好，它位于https://github.com/histmr/Rekishi

但我对mapply版本的尝试不返回单个字符串，而是返回与kanji_conversion的nrow（）匹配的向量，每个元素中有一个更改

doc <- "學"
kanji_conversion <- data.frame("old" =c("學","勲"), "new" =c("学","勳"), stringsAsFactors = FALSE)
mapply(gsub, kanji_conversion$old, kanji_conversion$new, doc)
library(stringr)
mapply(str_replace_all, kanji_conversion$old, kanji_conversion$new, doc)

有没有办法使用mapply迭代覆盖对象doc的单个版本，就像在循环中一样？

其次，在该函数的实际版本中，kanji_conversion数据帧将为2416 x 2.我是否应该在函数中包含更大的df，如示例2 x 2 df？或者它应该是外部文件？文件大小是否有“最佳实践”阈值？

Answer 1

长线将是你必须在提交时向CRAN解释的东西，所以最好让它们被包裹起来。此外，如果您正在制作包，则无需在函数中构建数据框。这是一个不必要的开销。倒数第二，stringi::stri_replace_all_fixed()在pattern和replacement参数上进行矢量化，因此您可以获得C ++支持的超快速，编码友好的帮助程序，以满足您的目的。最后，normalize_kanji()可能是避免命名冲突的函数的更好名称。

此外，您将获得其他CRAN检查警告，特别是：

便携包必须在其R代码中仅使用ASCII字符，除非在注释中。对其他字符使用\uxxxx转义符。

您需要与CRAN协商，将它们转换为unicode转义序列或将数据帧存储为R数据文件。

你会找到所有^^（除了那个CRAN检查警告的修复;-) https://github.com/histmr/Rekishi/pull/1，因为翻译表太大而无法放在这里。

您以前的normalize()功能现在是：

normalize_kanji <- function(doc) {
  stri_replace_all_fixed(
    doc,
    kanji_conversion_table$old,
    kanji_conversion_table$new,
    vectorize_all = FALSE
  )
}

和

normalize_kanji("亞啞惡蘆鰺壓菴桉")

返回

## [1] "亜唖悪芦鯵圧庵案"

这不是衡量速度的最佳方法（更多样化的输入采样会更好，但这是特定转换的速度：

microbenchmark::microbenchmark(ƒ = normalize_kanji("亞啞惡蘆鰺壓菴桉"))
## Unit: microseconds
##  expr     min     lq     mean   median       uq     max neval
##     ƒ 188.362 190.61 202.7352 193.7235 201.9745 448.688   100

如果您想与您的方法进行比较。

R包中的mapply vs loop

1 个答案: