Wie berechnet man die Häufigkeit des Auftretens eines bestimmten Zeichens in jeder Zeile einer Zeichenfolgenspalte?

Ich habe einen data.frame, in dem bestimmte Variablen eine Textzeichenfolge enthalten. Ich möchte die Anzahl der Vorkommen eines bestimmten Zeichens in jeder einzelnen Zeichenfolge zählen.

Beispiel:

q.data<-data.frame(number=1:3, string=c("greatgreat", "magic", "not"))

Ich möchte eine neue Spalte für q.data mit der Häufigkeit des Auftretens von "a" in der Zeichenfolge (dh c (2,1,0)) erstellen.

Der einzige verschlungene Ansatz, den ich geschafft habe, ist:

string.counter<-function(strings, pattern){  
  counts<-NULL
  for(i in 1:length(strings)){
    counts[i]<-length(attr(gregexpr(pattern,strings[i])[[1]], "match.length")[attr(gregexpr(pattern,strings[i])[[1]], "match.length")>0])
  }
return(counts)
}

string.counter(strings=q.data$string, pattern="a")

 number     string number.of.a
1      1 greatgreat           2
2      2      magic           1
3      3        not           0

Das stringr-Paket bietet die str_countFunktion, die genau das zu tun scheint, woran Sie interessiert sind

# Load your example data
q.data<-data.frame(number=1:3, string=c("greatgreat", "magic", "not"), stringsAsFactors = F)
library(stringr)

# Count the number of 'a's in each element of string
q.data$number.of.a <- str_count(q.data$string, "a")
q.data
#  number     string number.of.a
#1      1 greatgreat           2
#2      2      magic           1
#3      3        not           0

Wenn Sie die Basis R nicht verlassen möchten, ist hier eine ziemlich prägnante und ausdrucksstarke Möglichkeit:

x <- q.data$string
lengths(regmatches(x, gregexpr("a", x)))
# [1] 2 1 0

nchar(as.character(q.data$string)) -nchar( gsub("a", "", q.data$string))
[1] 2 1 0

Beachten Sie, dass ich die Faktorvariable zum Zeichen zwinge, bevor ich zu nchar übergebe. Die Regex-Funktionen scheinen dies intern zu tun.

Hier sind die Benchmark-Ergebnisse (mit einer auf 3000 Zeilen vergrößerten Größe des Tests)

 q.data<-q.data[rep(1:NROW(q.data), 1000),]
 str(q.data)
'data.frame':   3000 obs. of  3 variables:
 $ number     : int  1 2 3 1 2 3 1 2 3 1 ...
 $ string     : Factor w/ 3 levels "greatgreat","magic",..: 1 2 3 1 2 3 1 2 3 1 ...
 $ number.of.a: int  2 1 0 2 1 0 2 1 0 2 ...

 benchmark( Dason = { q.data$number.of.a <- str_count(as.character(q.data$string), "a") },
 Tim = {resT <- sapply(as.character(q.data$string), function(x, letter = "a"){
                            sum(unlist(strsplit(x, split = "")) == letter) }) }, 

 DWin = {resW <- nchar(as.character(q.data$string)) -nchar( gsub("a", "", q.data$string))},
 Josh = {x <- sapply(regmatches(q.data$string, gregexpr("g",q.data$string )), length)}, replications=100)
#-----------------------
   test replications elapsed  relative user.self sys.self user.child sys.child
1 Dason          100   4.173  9.959427     2.985    1.204          0         0
3  DWin          100   0.419  1.000000     0.417    0.003          0         0
4  Josh          100  18.635 44.474940    17.883    0.827          0         0
2   Tim          100   3.705  8.842482     3.646    0.072          0         0

sum(charToRaw("abc.d.aa") == charToRaw('.'))

ist eine gute Option.

Das stringiPaket bietet die Funktionen stri_countund stri_count_fixeddie sind sehr schnell.

stringi::stri_count(q.data$string, fixed = "a")
# [1] 2 1 0

Benchmark

Verglichen mit dem schnellsten Ansatz aus der Antwort von @ 42- und der entsprechenden Funktion aus dem stringrPaket für einen Vektor mit 30.000 Elementen.

library(microbenchmark)

benchmark <- microbenchmark(
  stringi = stringi::stri_count(test.data$string, fixed = "a"),
  baseR = nchar(test.data$string) - nchar(gsub("a", "", test.data$string, fixed = TRUE)),
  stringr = str_count(test.data$string, "a")
)

autoplot(benchmark)

Daten

q.data <- data.frame(number=1:3, string=c("greatgreat", "magic", "not"), stringsAsFactors = FALSE)
test.data <- q.data[rep(1:NROW(q.data), 10000),]

Eine Variation von https://stackoverflow.com/a/12430764/589165 ist

> nchar(gsub("[^a]", "", q.data$string))
[1] 2 1 0

Ich bin sicher, jemand kann es besser machen, aber das funktioniert:

sapply(as.character(q.data$string), function(x, letter = "a"){
  sum(unlist(strsplit(x, split = "")) == letter)
})
greatgreat      magic        not 
     2          1          0 

oder in einer Funktion:

countLetter <- function(charvec, letter){
  sapply(charvec, function(x, letter){
    sum(unlist(strsplit(x, split = "")) == letter)
  }, letter = letter)
}
countLetter(as.character(q.data$string),"a")

Sie können einfach die Zeichenfolgenteilung verwenden

require(roperators)
my_strings <- c('apple', banana', 'pear', 'melon')
my_strings %s/% 'a'

Das gibt Ihnen 1, 3, 1, 0. Sie können auch die Zeichenfolgenteilung mit regulären Ausdrücken und ganzen Wörtern verwenden.

Der einfachste und sauberste Weg ist meiner Meinung nach:

q.data$number.of.a <- lengths(gregexpr('a', q.data$string))

#  number     string number.of.a`
#1      1 greatgreat           2`
#2      2      magic           1`
#3      3        not           0`

Die folgende Frage wurde hierher verschoben, aber es scheint, dass diese Seite Farah Els Frage nicht direkt beantwortet. So finden Sie die Nummer 1 in 101 in R.

Also schreibe ich hier eine Antwort, nur für den Fall.

library(magrittr)
n %>% # n is a number you'd like to inspect
  as.character() %>%
  str_count(pattern = "1")

https://stackoverflow.com/users/8931457/farah-el

Eine weitere base ROption könnte sein:

lengths(lapply(q.data$string, grepRaw, pattern = "a", all = TRUE, fixed = TRUE))

[1] 2 1 0

Der nächste Ausdruck erledigt die Aufgabe und funktioniert auch für Symbole, nicht nur für Buchstaben.

Der Ausdruck funktioniert wie folgt:

1: Es verwendet lapply für die Spalten des Datenrahmens q.data, um über die Zeilen der Spalte 2 zu iterieren ("lapply (q.data [, 2],"),

2: Für jede Zeile der Spalte 2 wird eine Funktion "function (x) {sum ('a' == strsplit (as.character (x), '') [[1]])}" angewendet. Die Funktion nimmt jeden Zeilenwert von Spalte 2 (x), konvertiert ihn in ein Zeichen (falls es sich beispielsweise um einen Faktor handelt) und teilt die Zeichenfolge für jedes Zeichen auf ("strsplit (as.character (x),") ') "). Als Ergebnis haben wir einen Vektor mit jedem Zeichen des Zeichenfolgenwerts für jede Zeile der Spalte 2.

3: Jeder Vektorwert des Vektors wird mit dem gewünschten zu zählenden Zeichen verglichen, in diesem Fall "a" ("'a' =="). Diese Operation gibt einen Vektor mit True- und False-Werten "c (True, False, True, ....)" zurück, der True ist, wenn der Wert im Vektor mit dem gewünschten zu zählenden Zeichen übereinstimmt.

4: Die Summe, mit der das Zeichen 'a' in der Zeile erscheint, wird als Summe aller 'True'-Werte im Vektor "sum (....)" berechnet.

5: Dann wird die Funktion "unlist" angewendet, um das Ergebnis der Funktion "lapply" zu entpacken und es einer neuen Spalte im Datenrahmen zuzuweisen ("q.data $ number.of.a <-unlist (.... ")

q.data$number.of.a<-unlist(lapply(q.data[,2],function(x){sum('a' == strsplit(as.character(x), '')[[1]])}))

>q.data

#  number     string     number.of.a
#1   greatgreat         2
#2      magic           1
#3      not             0

s <- "aababacababaaathhhhhslsls jsjsjjsaa ghhaalll"
p <- "a"
s2 <- gsub(p,"",s)
numOcc <- nchar(s) - nchar(s2)

Vielleicht nicht die effizienteste, aber ich löse meinen Zweck.