Bagaimana cara menghitung jumlah kemunculan karakter tertentu di setiap baris kolom string?

Saya memiliki data.frame di mana variabel tertentu berisi string teks. Saya ingin menghitung jumlah kemunculan karakter tertentu di setiap string individu.

Contoh:

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

Saya ingin membuat kolom baru untuk q.data dengan jumlah kemunculan "a" dalam string (mis. C (2,1,0)).

Satu-satunya pendekatan berbelit-belit yang berhasil saya lakukan adalah:

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

Paket stringr menyediakan str_countfungsi yang sepertinya melakukan apa yang Anda minati

# 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

Jika Anda tidak ingin meninggalkan basis R, berikut kemungkinan yang cukup singkat dan ekspresif:

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

Perhatikan bahwa saya memaksa variabel faktor menjadi karakter, sebelum meneruskan ke nchar. Fungsi regex tampaknya melakukannya secara internal.

Berikut hasil benchmark (dengan ukuran tes yang ditingkatkan menjadi 3000 baris)

 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('.'))

adalah pilihan yang bagus.

The stringipaket menyediakan fungsi stri_countdan stri_count_fixedyang sangat cepat.

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

patokan

Dibandingkan dengan pendekatan tercepat dari jawaban @ 42- dan dengan fungsi yang setara dari stringrpaket untuk vektor dengan 30.000 elemen.

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)

data

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

Variasi dari https://stackoverflow.com/a/12430764/589165 adalah

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

Saya yakin seseorang dapat melakukan lebih baik, tetapi ini berhasil:

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

atau dalam sebuah fungsi:

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

Anda bisa menggunakan pembagian string

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

Yang akan memberi Anda 1, 3, 1, 0. Anda juga dapat menggunakan pembagian string dengan ekspresi reguler dan seluruh kata.

Cara IMHO termudah dan terbersih adalah:

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`

Pertanyaan di bawah sudah dipindahkan ke sini, tapi sepertinya halaman ini tidak langsung menjawab pertanyaan Farah El. Bagaimana menemukan nomor 1 di 101 di R

Jadi, saya akan menulis jawabannya di sini, untuk berjaga-jaga.

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

Namun base Ropsi lain bisa jadi:

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

[1] 2 1 0

Ekspresi berikutnya melakukan pekerjaan itu dan juga berfungsi untuk simbol, tidak hanya huruf.

Ekspresi bekerja sebagai berikut:

1: menggunakan lapply pada kolom dataframe q.data untuk melakukan iterasi pada baris kolom 2 ("lapply (q.data [, 2],"),

2: itu berlaku untuk setiap baris kolom 2 fungsi "fungsi (x) {sum ('a' == strsplit (as.character (x), '') [[1]])}". Fungsi tersebut mengambil setiap nilai baris kolom 2 (x), mengonversi ke karakter (dalam kasus ini adalah faktor misalnya), dan itu melakukan pemisahan string pada setiap karakter ("strsplit (as.character (x), ' ') "). Hasilnya kita memiliki vektor dengan setiap karakter dari nilai string untuk setiap baris kolom 2.

3: Setiap nilai vektor dari vektor dibandingkan dengan karakter yang diinginkan untuk dihitung, dalam hal ini "a" ("'a' =="). Operasi ini akan mengembalikan vektor nilai True dan False "c (True, False, True, ....)", menjadi True ketika nilai dalam vektor cocok dengan karakter yang diinginkan untuk dihitung.

4: Total kali karakter 'a' muncul di baris dihitung sebagai jumlah dari semua nilai 'True' dalam vektor "sum (....)".

5: Kemudian diterapkan fungsi "unlist" untuk membongkar hasil dari fungsi "lapply" dan menetapkannya ke kolom baru di dataframe ("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)

Mungkin bukan yang efisien tetapi menyelesaikan tujuan saya.