我有一个看起来像这样的字符串：
string <- c("A,1,some text,200", "B,2,some other text,300", "A,3,yet another one,100")
所以每个向量元素都用逗号进一步划分。 现在我只想在某个地方提取元素。假设第一个逗号之前的所有元素或第二个逗号之后的所有元素。
以下代码可以满足我的要求：
sapply(strsplit(string, ","), function(x){return(x[[1]])})
# [1] "A" "B" "A"
sapply(strsplit(string, ","), function(x){return(x[[3]])})
# [1] "some text" "some other text" "yet another one"
但是，这段代码对我来说似乎相当复杂（考虑到问题的简单性）。是否有更简洁的选项来实现我想要的？
【问题讨论】：
1) data.frame 转换为数据框，然后很容易挑出一列或列的子集：
DF <- read.table(text = string, sep = ",", as.is = TRUE)
DF[[1]]
## [1] "A" "B" "A"
DF[[3]]
## [1] "some text" "some other text" "yet another one"
DF[-1]
## V2 V3 V4
## 1 1 some text 200
## 2 2 some other text 300
## 3 3 yet another one 100
DF[2:3]
## V2 V3
## 1 1 some text
## 2 2 some other text
## 3 3 yet another one
2) data.table::tranpose data.table 包具有转置列表的功能，因此如果stringt 是转置列表，则stringt[[3]] 是第三个字段的向量，说，以类似于（1）的方式。更紧凑的是下面@Henrik 提到的data.table 的tstrsplit 或下面@akrun 提到的相同包的fread。
library(data.table)
stringt <- transpose(strsplit(string, ","))
# or
stringt <- tstrsplit(string, ",")
stringt[[1]]
## [1] "A" "B" "A"
stringt[[3]]
## [1] "some text" "some other text" "yet another one"
stringt[-1]
## [[1]]
## [1] "1" "2" "3"
##
## [[2]]
## [1] "some text" "some other text" "yet another one"
##
## [[3]]
## [1] "200" "300" "100"
stringt[2:3]
## [[1]]
## [1] "1" "2" "3"
##
## [[2]]
## [1] "some text" "some other text" "yet another one"
purrr 也有一个transpose 函数但是
library(purrr)
transpose(strsplit(string, ","))
生成列表列表而不是字符向量列表。
【讨论】：
transpose(strsplit，您可以使用便利功能tstrsplit
freadfread(paste(string, collapse="\n")
一种选择是使用stringr 中的word 和sep 参数
library(stringr)
word(string, 1, sep = ",")
#[1] "A" "B" "A"
word(string, 3, sep = ",")
#[1] "some text" "some other text" "yet another one"
由于word 的性能是最差的，我发现了另一种在基础 R 中使用正则表达式的选项。
#Get 1st element
sub("(?:[^,],){0}([^,]*).*", "\\1",string)
#[1] "A" "B" "A"
#Get 3rd element
sub("(?:[^,],){2}([^,]*).*", "\\1",string)
#[1] "some text" "some other text" "yet another one"
这里有两个组要匹配。第一个匹配任何不是逗号的字符，然后是n 次的逗号，然后再次匹配另一组不是逗号的字符。第一组未被捕获 (?:)，而第二组被捕获并返回。另请注意，括号中的数字 ({}) 必须比我们想要的单词少一。所以{0} 返回第一个词，{2} 返回第三个词。
基准测试
string <- c("A,1,some text,200","B,2,some other text,300","A,3,yet another one,100")
string <- rep(string, 1e5)
library(microbenchmark)
microbenchmark(
tmfmnk_sapply = sapply(strsplit(string, ","), function(x) x[1]),
tmfmnk_tstrsplit = tstrsplit(string, ",")[[1]],
avid_useR_sapply = sapply(strsplit(string, ","), '[', 1),
avid_useR_str_split = str_split(string, ",", simplify = TRUE)[,1],
Ronak_Shah_word = word(string, 1, sep = ","),
Ronak_Shah_sub = sub("(?:[^,],){0}([^,]*).*", "\\1",string),
G_Grothendieck ={DF <- read.table(text = string, sep = ",",as.is = TRUE);DF[[1]]},
times = 5
)
#Unit: milliseconds
# expr min lq mean median uq max neval
# tmfmnk_sapply 1629.69 1641.61 2128.14 1834.99 1893.43 3640.96 5
# tmfmnk_tstrsplit 1269.94 1283.79 1286.29 1286.68 1290.76 1300.30 5
# avid_useR_sapply 1445.40 1447.64 1555.76 1498.14 1609.52 1778.13 5
#avid_useR_str_split 324.68 332.28 332.30 333.97 334.01 336.54 5
# Ronak_Shah_word 6571.29 6810.92 6956.20 6930.86 7217.26 7250.69 5
# Ronak_Shah_sub 349.76 354.77 356.91 358.91 359.17 361.94 5
# G_Grothendieck 354.93 358.24 364.43 362.24 367.79 378.94 5
我没有包含 Christoph 的解决方案，因为我不清楚它如何适用于变量 n's。例如第三名，第四名等。
【讨论】：
我们可以将 OP 的代码简化为：
sapply(strsplit(string, ","), '[', 1)
# [1] "A" "B" "A"
sapply(strsplit(string, ","), '[', 3)
# [1] "some text" "some other text" "yet another one"
另外，使用stringr::str_split 和simplify = TRUE，我们可以直接索引列，因为输出将是一个矩阵：
library(stringr)
str_split(string, ",", simplify = TRUE)[,1]
# [1] "A" "B" "A"
str_split(string, ",", simplify = TRUE)[,3]
# [1] "some text" "some other text" "yet another one"
【讨论】：
与sapply() 的版本略有不同：
sapply(strsplit(string, ","), function(x) x[1])
[1] "A" "B" "A"
sapply(strsplit(string, ","), function(x) x[3])
[1] "some text" "some other text" "yet another one"
或者使用tstrsplit 和data.table 的另一种可能性：
tstrsplit(string, ",")[[1]]
[1] "A" "B" "A"
不同解决方案的基准：
library(microbenchmark)
microbenchmark(
tmfmnk_sapply = sapply(strsplit(string, ","), function(x) x[1]),
tmfmnk_tstrsplit = tstrsplit(string, ",")[[1]],
avid_useR_sapply = sapply(strsplit(string, ","), '[', 1),
avid_useR_str_split = str_split(string, ",", simplify = TRUE)[,1],
Ronak_Shah = word(string, 1, sep = ","),
times = 5
)
expr min lq mean median uq max neval cld
tmfmnk_sapply 34.543 36.395 45.8782 47.150 48.540 62.763 5 a
tmfmnk_tstrsplit 33.072 33.554 39.1166 35.012 36.116 57.829 5 a
avid_useR_sapply 39.612 45.292 61.1936 46.730 47.398 126.936 5 a
avid_useR_str_split 27.313 34.095 49.3412 43.834 43.977 97.487 5 a
Ronak_Shah 146.875 147.277 199.4978 162.995 218.322 322.020 5 b
复制的“字符串”上的基准：
string <- rep(string, 1e5)
microbenchmark(
tmfmnk_sapply = sapply(strsplit(string, ","), function(x) x[1]),
tmfmnk_tstrsplit = tstrsplit(string, ",")[[1]],
avid_useR_sapply = sapply(strsplit(string, ","), '[', 1),
avid_useR_str_split = str_split(string, ",", simplify = TRUE)[,1],
Ronak_Shah = word(string, 1, sep = ","),
Christoph = regmatches(string, regexpr("^[^,]", string)),
times = 5
)
expr min lq mean median uq max neval
tmfmnk_sapply 1529.8955 1608.2909 1926.7776 1820.0443 2105.9736 2569.6836 5
tmfmnk_tstrsplit 1277.8712 1281.0371 1482.4520 1314.0074 1599.7686 1939.5757 5
avid_useR_sapply 1428.7175 1470.9002 1487.5425 1483.1127 1521.3735 1533.6087 5
avid_useR_str_split 306.2633 316.7539 360.8785 334.8516 335.5375 510.9863 5
Ronak_Shah 5541.6199 5657.3593 5955.9653 6068.1067 6166.7249 6346.0157 5
Christoph 231.0496 244.1049 383.9702 246.0421 273.2877 925.3667 5
【讨论】：
string 进行基准测试。更大的数据基准会产生更有意义的结果
word 比其他人慢得多。我想节省开发时间有时会以运行时间为代价。
word 即可查看其源代码并观察其代码行数。 2）使用哪种解决方案完全取决于情况。例如，在小型集（如 OP 共享的集）上，您不会“感觉到”任何解决方案的执行时间有任何差异。所有这些几乎都是即时的。
这可以通过使用 regepr 的 base R 来完成：
regmatches(string, regexpr("^[^,]", string))
[1] "A" "B" "A"
regmatches(string, regexpr("[^,]*$", string))
[1] "200" "300" "100"
regmatches(string, regexpr("[^,]*,[^,]*$", string))
[1] "some text,200" "some other text,300" "yet another one,100"
【讨论】：