避免strsplit列表上的循环

Question

我有一个向量v，其中每个条目都是由分号分隔的一个或多个字符串(或可能的字符(0))：

ABC

DEF;ABC;QWE

TRF

character(0)

ABC;GFD

我需要找到包含"ABC“(1,2,5或逻辑向量T，T，F，F，T)的向量的索引。

我目前使用的循环如下：

toSelect=integer(0)
for(i in c(1:length(v))){
if(length(v[i])==0) next
words=strsplit(v[i],";")[[1]] 
if(!is.na(match("ABC",words))) toSelect=c(toSelect,i)
}

不幸的是，我的向量有45万个条目，所以这花费的时间太长了。我更喜欢通过如下操作来创建逻辑向量

toSelect=(!is.na(match("ABC",strsplit(v,";")))

但是因为strsplit返回一个列表，所以我找不到一种方法将strsplit(v，";")正确地格式化为一个向量(unlist不能做，因为它会破坏索引)。有没有人有任何关于如何加速这段代码的想法？

谢谢!

Answer 1

使用正则表达式：

v = list("ABC", "DEF;ABC;QWE", "TRF", character(0), "ABC;GFD")
grep("(^|;)ABC($|;)", v)
#[1] 1 2 5

Answer 2

棘手的部分是处理character(0)，@BlueMagister通过用character(1)替换它来进行模糊处理(这允许使用向量，但不允许表示原始问题)。也许吧

v <- list("ABC", "DEF;ABC;QWE", "TRF", character(0), "ABC;GFD")
v[sapply(v, length) != 0] <- strsplit(unlist(v), ";", fixed=TRUE)

来做字符串拆分。可以使用base R，但我建议您使用IRanges包

source("http://bioconductor.org/biocLite.R")
biocLite("IRanges")

来安装，然后

library(IRanges)
w = CharacterList(v)

这给出了一个类似列表的结构，其中所有元素都必须是字符向量。

> w
CharacterList of length 5
[[1]] ABC
[[2]] DEF ABC QWE
[[3]] TRF
[[4]] character(0)
[[5]] ABC GFD

然后，人们可以做一些有趣的事情，比如问“元素成员是否等于ABC”

> w == "ABC"
LogicalList of length 5
[[1]] TRUE
[[2]] FALSE TRUE FALSE
[[3]] FALSE
[[4]] logical(0)
[[5]] TRUE FALSE

或“是否有任何元素成员等于ABC”

> any(w == "ABC")
[1]  TRUE  TRUE FALSE FALSE  TRUE

这将具有很好的伸缩性。对于不支持“开箱即用”的操作，策略(计算成本较低)是先unlist，然后转换为等长向量，然后使用原始CharacterList作为骨架进行relist，例如在每个成员上使用reverse：

> relist(reverse(unlist(w)), w)
CharacterList of length 5
[[1]] CBA
[[2]] FED CBA EWQ
[[3]] FRT
[[4]] character(0)
[[5]] CBA DFG

正如@eddi指出的那样，这比grep慢。其动机是(a)避免需要制定复杂的正则表达式，同时(b)为像这样的结构化数据获得其他操作的灵活性。

Answer 3

在sapply和%in%中使用strsplit

v <- c("ABC","DEF;ABC;QWE","TRF",character(1),"ABC;GFD")
sapply(strsplit(v,";"),function(x) "ABC" %in% x)
#[1]  TRUE  TRUE FALSE FALSE  TRUE