我开始在我的工作中做很多字符串匹配,我很好奇这三个函数之间的区别是什么,以及在什么情况下有人会使用一个。
stringr
是"围绕梦幻般的'stringi'软件包的一组一致,简单且易于使用的包装器"(来自软件包描述(。与基本R
相比,stringi
的主要优点是软件包的速度令人难以置信 -stringr
大部分继承了它。函数的输出在 base 中与在 stringr 中相同。
我使用stringi
生成一些随机文本进行演示:
library(stringr)
sample_small <- stringi::stri_rand_lipsum(100)
grep
提供模式在字符向量中的位置,就像它等效于str_which
一样:
grep("Lorem", sample_small)
#> [1] 1 9 14 32 45 50 65 93 94
str_which(sample_small, "Lorem")
#> [1] 1 9 14 32 45 50 65 93 94
另一方面,grepl
/str_detect
为您提供向量每个元素的信息,如果它是否包含字符串。
grepl("Lorem", sample_small)
#> [1] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
#> [12] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [23] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
#> [34] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [45] TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
#> [56] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
#> [67] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [78] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [89] FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE
#> [100] FALSE
str_detect(sample_small, "Lorem")
#> [1] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
#> [12] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [23] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
#> [34] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [45] TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
#> [56] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
#> [67] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [78] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
#> [89] FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE
#> [100] FALSE
在许多情况下,不同的结果可能会对您产生影响。如果我有兴趣向 data.frame 添加新列,其中包含有关不同列是否包含模式的信息,我通常会使用grepl
。grepl
使这更容易,因为它与输入变量具有相同的长度:
df <- data.frame(sample = sample_small,
stringsAsFactors = FALSE)
df$lorem <- grepl("Lorem", sample_small)
df$ipsum <- grepl("ipsum", sample_small)
这样,可以进行一些更复杂的测试:
which(df$lorem & df$ipsum)
#> [1] 1 5 15 53 71 75
或直接作为filter
规则:
df %>%
filter(str_detect("Lorem", sample_small) & str_detect("ipsum", sample_small))
现在关于为什么使用stringr
而不是 base,我认为有两个论点:不同的语法使stringr
与管道一起使用变得更加容易
library(dplyr)
sample_small %>%
str_detect("Lorem")
与以下相比:
sample_small %>%
grepl("Lorem", .)
stringr
大约比 base 快 5 倍(对于我们正在查看的两个函数(:
sample_big <- stringi::stri_rand_lipsum(100000)
bench::mark(
base = grep("Lorem", sample_big),
stringr = str_which(sample_big, "Lorem")
)
#> # A tibble: 2 x 6
#> expression min median `itr/sec` mem_alloc `gc/sec`
#> <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl>
#> 1 base 674ms 674ms 1.48 415KB 0
#> 2 stringr 141ms 142ms 6.99 806KB 0
bench::mark(
base = grepl("Lorem", sample_big),
stringr = str_detect(sample_big, "Lorem")
)
#> # A tibble: 2 x 6
#> expression min median `itr/sec` mem_alloc `gc/sec`
#> <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl>
#> 1 base 679ms 679ms 1.47 391KB 0
#> 2 stringr 146ms 148ms 6.76 391KB 0
当我们寻找完全匹配时,差异更加明显(默认是寻找正则表达式(
bench::mark(
base = grepl("Lorem", sample_big, fixed = TRUE),
stringr = str_detect(sample_big, fixed("Lorem"))
)
#> # A tibble: 2 x 6
#> expression min median `itr/sec` mem_alloc `gc/sec`
#> <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl>
#> 1 base 336ms 338.1ms 2.96 391KB 0
#> 2 stringr 12.4ms 12.6ms 79.1 417KB 0
但是,我认为基本函数对它们有一定的魅力,这就是为什么我在快速编写代码时仍然经常使用它们的原因。选项fixed = TRUE
就是一个例子。将fixed()
包裹在图案周围对我来说有点尴尬。其他例子是grep
value = TRUE
的选项(我让你自己弄清楚(,最后ignore.case = TRUE
,在stringr
中看起来又有点尴尬:
str_which(sample_small, regex("Lorem", ignore_case = TRUE))
#> [1] 1 5 6 8 9 11 12 14 15 17 22 27 30 32 34 35 42 48 51 53 58 64 69
#> [24] 74 76 80 83 86 89 91 92 94 97
但是,这对我来说很尴尬的原因可能只是因为我在学习stringr
之前使用了一段时间的基础R
。
要考虑的另一点是stringi
,总体而言,您拥有更多功能。因此,如果您决心进行字符串操作,您可能会立即开始学习该包 - 尽管不可否认的教程较少,并且弄清楚某些事情可能会有点困难。