将字符串分割为固定大小的块

Question

将字符串分割为固定大小的块

4

这似乎是一个非常简单的任务，但我在基础R中找不到一个好的解决方案。我有一个包含2N个字符的字符字符串。如何将其拆分为长度为N的字符向量，其中每个元素都是一个2个字符的字符串？

我可以使用类似substr和Vectorize的东西：

vss <- Vectorize(substr, c("start", "stop"))
ch <- paste(rep("a", 1e6), collapse="")
vss(ch, seq(1, nchar(ch), by=2), seq(2, nchar(ch), by=2))

但对于长字符串来说，这是非常慢的（我相信是O(N^2)）。

- Hong Ooi

2

使用 substring，其中包括向量化的 first 和 last。 - nicola

这个方法可以工作，但是它和 Vectorize(substr) 一样存在 O(N^2) 的运行时间问题。此外，它还会复制 N/2 次初始字符串，因此也需要 O(N^2) 的内存！ - Hong Ooi

1

如果你的字符串中的字符是ASCII码（或者至少没有多字节字符），你可以尝试使用apply(matrix(charToRaw(ch),nrow=2),2,rawToChar)，它似乎比substring快得多，并且基本上是线性扩展的。 - nicola

2

GSee的答案运行非常快。https://dev59.com/VXE95IYBdhLWcg3wlu4g - user20650

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- bgoldst · Accepted Answer

如果你想要速度，Rcpp总是一个不错的选择：

library(Rcpp);
cppFunction('
    List strsplitN(std::vector<std::string> v, int N ) {
        if (N < 1) throw std::invalid_argument("N must be >= 1.");
        List res(v.size());
        for (int i = 0; i < v.size(); ++i) {
            int num = v[i].size()/N + (v[i].size()%N == 0 ? 0 : 1);
            std::vector<std::string> resCur(num,std::string(N,0));
            for (int j = 0; j < num; ++j) resCur[j].assign(v[i].substr(j*N,N));
            res[i] = resCur;
        }
        return res;
    }
');

ch <- paste(rep('a',1e6),collapse='');
system.time({ res <- strsplitN(ch,2L); });
##    user  system elapsed
##   0.109   0.015   0.121
head(res[[1L]]); tail(res[[1L]]);
## [1] "aa" "aa" "aa" "aa" "aa" "aa"
## [1] "aa" "aa" "aa" "aa" "aa" "aa"
length(res[[1L]]);
## [1] 500000

有用的参考资料：http://gallery.rcpp.org/articles/strings_with_rcpp/。

更多示例：

strsplitN(c('abcd','efgh'),2L);
## [[1]]
## [1] "ab" "cd"
##
## [[2]]
## [1] "ef" "gh"
##
strsplitN(c('abcd','efgh'),3L);
## [[1]]
## [1] "abc" "d"
##
## [[2]]
## [1] "efg" "h"
##
strsplitN(c('abcd','efgh'),1L);
## [[1]]
## [1] "a" "b" "c" "d"
##
## [[2]]
## [1] "e" "f" "g" "h"
##
strsplitN(c('abcd','efgh'),5L);
## [[1]]
## [1] "abcd"
##
## [[2]]
## [1] "efgh"
##
strsplitN(character(),5L);
## list()
strsplitN(c('abcd','efgh'),0L);
## Error: N must be >= 1.

以上实现有两个重要的注意事项：

1：它不能正确处理NA。当Rcpp被强制生成std::string时，似乎会将其字符串化为'NA'。您可以在R中使用包装器轻松解决此问题，用真正的NA替换有问题的列表组件。

x <- c('a',NA); strsplitN(x,1L);
## [[1]]
## [1] "a"
##
## [[2]]
## [1] "N" "A"
##
x <- c('a',NA); ifelse(is.na(x),NA,strsplitN(x,1L));
## [[1]]
## [1] "a"
##
## [[2]]
## [1] NA
##

2: 它不能正确处理多字节字符。这是一个更棘手的问题，需要重写核心函数实现以使用 Unicode 意识遍历。修复此问题还会产生显着的性能损失，因为您将无法在赋值循环之前一次性预分配每个向量。

strsplitN('aΩ',1L);
## [[1]]
## [1] "a"    "\xce" "\xa9"
##
strsplit('aΩ','');
## [[1]]
## [1] "a" "Ω"
##