识别字符串中的第一个匹配位置

Posted 2023-02-22

【中文标题】识别字符串中的第一个匹配位置

【英文标题】：Identify first match position in a string

【发布时间】：2015-05-21 07:15:03

【问题描述】：

我有一个字符串（“00010000”），需要确定我们在哪个位置看到第一个“1”。 （这告诉我客户在哪个月份活跃）

我有一个如下所示的数据集：

id  <- c(1:5)
seq <- c("00010000","00001000","01000000","10000000","00010000")
df <- data.frame(id,seq)

我想为每个 id 创建一个标识 first_month_active 的新字段。

我可以使用嵌套的 ifelse 函数手动执行此操作：

    df$first_month_active <-
        ifelse(substr(df$seq,1,1)=="1",1,
        ifelse(substr(df$seq,2,2)=="1",2,
        ifelse(substr(df$seq,3,3)=="1",3,       
        ifelse(substr(df$seq,4,4)=="1",4,
        ifelse(substr(df$seq,5,5)=="1",5,99 ))))) 

这给了我想要的结果：

  id  seq        first_position
  1   00010000   4
  2   00001000   5
  3   01000000   2
  4   10000000   1
  5   00010000   4

但是，对于包含 36 个月的数据，这不是一个理想的解决方案。

我想使用带有 ifelse 语句的循环，但是我真的在语法上苦苦挣扎

for (i in 1:36) 
ifelse(substr(df$seq,0+i,0+i)=="1",0+i,

任何想法将不胜感激

【问题讨论】：

我认为strsplit 可能会有所帮助。

【参考方案1】：

或者试试stringi 包

library(stringi)
stri_locate_first_fixed(df$seq, "1")[, 1]
## [1] 4 5 2 1 4

【参考方案2】：

跳过循环和ifelse:

9 - nchar(as.numeric(seq))
## [1] 4 5 2 1 4

这在您的 data.frame 中不会起作用，因为您强制 seq 隐式分解，所以只需这样做：

9 - nchar(as.numeric(as.character(df$seq)))
## [1] 4 5 2 1 4

编辑：只是为了好玩，因为弗兰克没有将他的评论转化为答案，这里是strsplit 解决方案：

# from original vector
sapply(strsplit(seq, "1"), nchar)[1,] + 1
## [1] 4 5 2 1 4

# from data.frame
sapply(strsplit(as.character(df$seq), "1"), nchar)[1,] + 1
## [1] 4 5 2 1 4

【讨论】：

第一个对我有用（聪明的解决方案），但那个也很有意义。太棒了！

明显的字符串是“00010000”，但应该注意这可能是双字符，具体取决于编码。在这种情况下，应首先调用strtrim，并给出预期的长度，否则strsplit 可能没有预期的结果。

啊，巧妙的把戏。我在想那个乱七八糟的人sapply(strsplit(c("01001","10000"),"",fixed=TRUE),function(x)which(x=="1")[1])

【参考方案3】：

您可以使用gregexpr。

> unlist(gregexpr(pattern=1,seq,fixed=T))
[1] 4 5 2 1 4

【讨论】：

这个问题是，如果有多个“1”，它会报告两个而不是只报告第一个。使用regexpr 获取第一个。

【参考方案4】：

以下可以完成这项工作：

library(stringr)
str_locate(pattern ='1',seq)

【参考方案5】：

一些比较：

library(stringi)
library(stringr)

seq <- c("00010010","00001000","10000010","10000000","00010000")
seq2 <- rep(seq, 5e6)

system.time(regexpr("1", seq2))
   user  system elapsed 
   4.78    0.03    4.82

system.time(9-nchar(as.numeric(as.character(seq2))))
   user  system elapsed
   34.89    0.18   35.52

system.time(str_locate(pattern ='1',seq2))
   user  system elapsed 
   6.17    0.21    6.53

system.time(stri_locate_first_fixed(seq2, "1")[, 1])
   user  system elapsed
   1.68    0.15    1.84

system.time(nchar(seq2)-round(log10(as.numeric(seq2))))
   user  system elapsed
   7.67    0.09    7.86

system.time(nchar(sub('1.*', '', seq2))+1)
   user  system elapsed
   14.61    0.11   14.93

【讨论】：

您应该使用microbenchmark 进行计时。比system.time可靠。

@Thomas 所有的基准测试都以 秒 为单位，mocrobenchmark 中没有必要。

您可以在regexpr 中添加“fixed = TRUE”以提高性能。

【参考方案6】：

另一个，使用log：

  nchar(seq)-round(log10(as.numeric(seq)))

【参考方案7】：

另一个使用sub的选项

nchar(sub('1.*', '', seq))+1
#[1] 4 5 2 1 4