Question

我有一个1.8m的字符串，我需要将其拆分为一个50的字符串，该字符串出现在距离1.8m字符串的开头非常近的位置（大约1万个字符）

使用strsplit()错误

long_string %>% strsplit(., fifty_character_string)

# Error: C stack usage  9065064 is too close to the limit

我已经尝试使用this方法和this问题来解决特定的错误，但到目前为止还没有运气。

因此，现在我正在研究是否存在将长字符串拆分为两个的更有效内存的方法。我不太可能需要执行多次此操作，因此我愿意接受仅能完成工作的骇人听闻的方法

Answer 1

以下是执行此操作的不同方法的快速比较：

library(stringi)
library(dplyr)

# get some sample data
set.seed(1)
long_string <- stri_paste(stri_rand_lipsum(10000), collapse = " ")
x <- sample(9000:11000, 1)
split_string <- substr(long_string, x, x + 49)

result <- long_string %>% strsplit(., split_string)
length(unlist(result))
#> [1] 2

substr_fun <- function(str, pattern) {
  idx <- regexpr(pattern, str, fixed = TRUE)
  res1 <- list(c(substr(str, 1, idx-1), substr(str, idx + attr(idx, "match.length"), nchar(str))))
  return(res1)  
}

bench::mark(
  strsplit_dplyr = long_string %>% strsplit(., split_string),
  strsplit_dplyr_fixed = long_string %>% strsplit(., split_string, fixed = TRUE),
  strsplit = strsplit(long_string, split_string),
  strsplit_fixed = strsplit(long_string, split_string, fixed = TRUE),
  stri_split_fixed = stringi::stri_split_fixed(long_string, split_string),
  str_split = stringr::str_split(long_string, stringr::fixed(split_string)),
  substr_fun = substr_fun(long_string, split_string)
)
#> # A tibble: 7 x 6
#>   expression                min   median `itr/sec` mem_alloc `gc/sec`
#>   <bch:expr>           <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl>
#> 1 strsplit_dplyr          131ms  134.8ms      7.44      280B        0
#> 2 strsplit_dplyr_fixed   36.6ms   37.6ms     26.5       280B        0
#> 3 strsplit                133ms  133.8ms      7.40        0B        0
#> 4 strsplit_fixed         35.4ms   37.2ms     26.7         0B        0
#> 5 stri_split_fixed       40.7ms   42.5ms     23.6     6.95KB        0
#> 6 str_split              41.6ms   43.1ms     23.4    35.95KB        0
#> 7 substr_fun             13.6ms   14.8ms     67.1         0B        0

就内存使用而言，strsplit带有选项fixed = TRUE并且没有管道开销是最好的解决方案。 stringi和stringr中的实现似乎要快一些，但它们在内存方面的开销甚至大于管道带来的影响。

更新

我从@H 1答案中添加了方法，还添加了他的方法来获取50个字符的子字符串用于拆分。唯一的改变就是将其包装在函数中，并再次添加fixed = TRUE，因为我认为在这种情况下更有意义。

如果您不想在字符串中进行多个拆分，则新功能无疑是赢家！

Answer 2

由于仅将字符串分成两部分，因此可以使用regexpr()和substr()的组合来实现。

# Generate string (10m char) and pattern
set.seed(10)
long_string <- paste0(sample(letters, 1e+7, replace = TRUE), collapse ="")
x <- sample(9000:11000, 1)
fifty_character_string <- substr(long_string, x, x + 49)

# Find index and split
idx <- regexpr(fifty_character_string, long_string)
res1 <- list(c(substr(long_string, 1, idx-1), substr(long_string, idx + attr(idx, "match.length"), nchar(long_string))))

比strsplit（）在R中将字符串拆分为两个的内存效率更高的方法

2 个答案:

更新