Come calcolare il numero di occorrenze di un dato carattere in ogni riga di una colonna di stringhe?

Ho un data.frame in cui alcune variabili contengono una stringa di testo. Desidero contare il numero di occorrenze di un dato carattere in ogni singola stringa.

Esempio:

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

Desidero creare una nuova colonna per q.data con il numero di occorrenze di "a" nella stringa (es. C (2,1,0)).

L'unico approccio contorto che ho gestito è:

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

Il pacchetto stringr fornisce la str_countfunzione che sembra fare quello che ti interessa

# 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

Se non vuoi lasciare la base R, ecco una possibilità abbastanza succinta ed espressiva:

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

Si noti che costringo la variabile factor a carattere, prima di passare a nchar. Le funzioni regex sembrano farlo internamente.

Ecco i risultati del benchmark (con una dimensione del test aumentata a 3000 righe)

 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('.'))

è una buona opzione.

Il stringipacchetto fornisce le funzioni stri_counte stri_count_fixedche sono molto veloci.

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

prova delle prestazioni

Rispetto all'approccio più veloce dalla risposta di @ 42 e alla funzione equivalente del stringrpacchetto per un vettore con 30.000 elementi.

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)

dati

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

Una variante di https://stackoverflow.com/a/12430764/589165 è

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

Sono sicuro che qualcuno può fare di meglio, ma funziona:

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

o in una funzione:

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

Potresti semplicemente usare la divisione delle stringhe

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

Il che ti darà 1, 3, 1, 0. Puoi anche usare la divisione delle stringhe con espressioni regolari e parole intere.

Il modo più semplice e pulito IMHO è:

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`

La domanda seguente è stata spostata qui, ma sembra che questa pagina non risponda direttamente alla domanda di Farah El. Come trovare i numeri 1 in 101 in R

Quindi, scriverò una risposta qui, per ogni evenienza.

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

Un'altra base Ropzione potrebbe essere:

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

[1] 2 1 0

L'espressione successiva fa il lavoro e funziona anche per i simboli, non solo per le lettere.

L'espressione funziona come segue:

1: utilizza lapply sulle colonne del dataframe q.data per scorrere le righe della colonna 2 ("lapply (q.data [, 2],"),

2: applica ad ogni riga della colonna 2 una funzione "function (x) {sum ('a' == strsplit (as.character (x), '') [[1]])}". La funzione prende il valore di ogni riga della colonna 2 (x), la converte in carattere (nel caso si tratti di un fattore, ad esempio), ed esegue la divisione della stringa su ogni carattere ("strsplit (as.character (x), ' ') "). Di conseguenza abbiamo un vettore con ogni carattere del valore stringa per ogni riga della colonna 2.

3: Ogni valore del vettore del vettore viene confrontato con il carattere desiderato da contare, in questo caso "a" ("'a' =="). Questa operazione restituirà un vettore di valori True e False "c (True, False, True, ....)", che sono True quando il valore nel vettore corrisponde al carattere desiderato da contare.

4: Il numero totale di volte in cui il carattere "a" appare nella riga è calcolato come la somma di tutti i valori "True" nel vettore "sum (....)".

5: Quindi viene applicata la funzione "unlist" per decomprimere il risultato della funzione "lapply" e assegnarlo a una nuova colonna nel 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)

Potrebbe non essere quello efficiente ma risolvere il mio scopo.