测试字符是否在字符串中

我正在尝试确定一个字符串是否是另一个字符串的子集。例如：

chars <- "test"
value <- "es"

如果“值”作为字符串“字符”的一部分出现，我想返回TRUE。在以下情况下，我想返回false：

chars <- "test"
value <- "et"

使用 grepl功能

grepl(value, chars, fixed = TRUE)
# TRUE

使用?grepl以了解更多信息。

回答

igh，我花了45分钟才能找到这个简单问题的答案。答案是：grepl(needle, haystack, fixed=TRUE)

# Correct
> grepl("1+2", "1+2", fixed=TRUE)
[1] TRUE
> grepl("1+2", "123+456", fixed=TRUE)
[1] FALSE

# Incorrect
> grepl("1+2", "1+2")
[1] FALSE
> grepl("1+2", "123+456")
[1] TRUE

解释

grepLinux的可执行文件的名字命名，这本身就是一个缩写“ 摹叶形[R egular é上的表达P RINT”，它会读取输入的线，然后打印出来，如果他们匹配你给的参数。“全局”表示匹配可以在输入行中的任何地方进行，我将在下面解释“正则表达式”，但是这种想法是匹配字符串的一种更聪明的方式（R称为“字符”，例如class("abc")）和“打印” ”，因为它是一个命令行程序，所以发出输出意味着它会打印到其输出字符串。

现在，该grep程序基本上是一个过滤器，从输入行到输出行。似乎R的grep功能类似地需要输入数组。由于我完全不知道的原因（我大约一个小时前才开始玩R），它返回匹配索引的向量，而不是匹配列表。

但是，回到您最初的问题，我们真正想要的是知道我们是否在大海捞针中找到了针，这是一个真/假值。他们显然决定将这个函数命名grepl为“ grep”，但返回值为“ L ogical”（例如，它们调用true和false逻辑值class(TRUE)）。

因此，现在我们知道该名称的来源和用途。让我们回到正则表达式。这些参数即使是字符串，也用于构建正则表达式（此后为regex）。正则表达式是一种匹配字符串的方法（如果此定义激怒了您，请放手）。例如，正则表达式a匹配字符"a"，正则表达式a*匹配字符"a"0次或更多次，正则表达式a+匹配字符"a"1次或更多次。因此，在上面的示例中1+2，当我们搜索的针作为正则表达式时，表示“一个或多个1后跟2”……但我们的后跟一个加号！

因此，如果使用了grepl不带设置fixed，那么针会意外地变成干草堆，并且偶然会经常出现，我们可以看到它甚至适用于OP的示例。但这是一个潜在的错误！我们需要告诉它输入是一个字符串，而不是正则表达式，这显然fixed是为了什么。为什么要解决？毫无头绪，将此答案添加为书签b / c，您可能需要再查找5次才能记住它。

最后的几点思考

您的代码越好，了解它的历史就越少。每个参数可以至少有两个有趣的值（否则就不必是一个参数），docs在此处列出9个参数，这意味着至少有2 ^ 9 = 512种方法可以调用它，这需要大量的工作编写，测试和记住...将这些函数解耦（拆分它们，消除彼此的依赖关系，字符串与正则表达式不同，向量与矢量不同）。有些选项也是互斥的，不会给用户错误的代码使用方式，即，有问题的调用在结构上应该是荒谬的（例如，传递不存在的选项），而不是在逻辑上是荒谬的（必须这样做）发出警告以进行解释）。隐喻地说：用墙壁代替10楼侧面的前门比悬挂警告使用该标志的标牌更好，但是哪一个都比哪一个都好。在接口中，该函数定义参数的外观，而不是调用方的外观（因为调用方取决于该函数，因此推断每个人可能想要使用它调用的所有内容，也使得该函数也取决于调用方，并且此类型周期性的依赖关系会迅速阻塞系统，永远不会提供您期望的收益）。警惕模棱两可的类型，这是设计缺陷，例如 推断所有人可能想要调用的所有内容，也会使该函数也依赖于调用者，而这种类型的周期性依赖关系将迅速阻塞系统，并且永远不会提供您期望的收益。警惕模棱两可的类型，这是设计缺陷，例如 推断所有人可能想要调用的所有内容，也会使该函数也依赖于调用者，而这种类型的周期性依赖关系将迅速阻塞系统，并且永远不会提供您期望的收益。警惕模棱两可的类型，这是设计缺陷，例如TRUE和0和"abc"都是向量。

您要grepl：

> chars <- "test"
> value <- "es"
> grepl(value, chars)
[1] TRUE
> chars <- "test"
> value <- "et"
> grepl(value, chars)
[1] FALSE

从stringi包中使用此功能：

> stri_detect_fixed("test",c("et","es"))
[1] FALSE  TRUE

一些基准：

library(stringi)
set.seed(123L)
value <- stri_rand_strings(10000, ceiling(runif(10000, 1, 100))) # 10000 random ASCII strings
head(value)

chars <- "es"
library(microbenchmark)
microbenchmark(
   grepl(chars, value),
   grepl(chars, value, fixed=TRUE),
   grepl(chars, value, perl=TRUE),
   stri_detect_fixed(value, chars),
   stri_detect_regex(value, chars)
)
## Unit: milliseconds
##                               expr       min        lq    median        uq       max neval
##                grepl(chars, value) 13.682876 13.943184 14.057991 14.295423 15.443530   100
##  grepl(chars, value, fixed = TRUE)  5.071617  5.110779  5.281498  5.523421 45.243791   100
##   grepl(chars, value, perl = TRUE)  1.835558  1.873280  1.956974  2.259203  3.506741   100
##    stri_detect_fixed(value, chars)  1.191403  1.233287  1.309720  1.510677  2.821284   100
##    stri_detect_regex(value, chars)  6.043537  6.154198  6.273506  6.447714  7.884380   100

另外，可以使用“字符串”库来完成：

> library(stringr)
> chars <- "test"
> value <- "es"
> str_detect(chars, value)
[1] TRUE

### For multiple value case:
> value <- c("es", "l", "est", "a", "test")
> str_detect(chars, value)
[1]  TRUE FALSE  TRUE FALSE  TRUE

万一您还想检查一个字符串（或一组字符串）是否包含多个子字符串，也可以使用“ |” 在两个子字符串之间。

>substring="as|at"
>string_vector=c("ass","ear","eye","heat") 
>grepl(substring,string_vector)

你会得到

[1]  TRUE FALSE FALSE  TRUE

因为第一个单词的子字符串为“ as”，而最后一个单词的子字符串为“ at”

使用grep或grepl 但请注意是否要使用正则表达式。

默认情况下，grep与related相关的是正则表达式，而不是文字子字符串。如果您不希望这样，并且尝试匹配无效的正则表达式，那么它将不起作用：

> grep("[", "abc[")
Error in grep("[", "abc[") : 
  invalid regular expression '[', reason 'Missing ']''

要进行真正的子字符串测试，请使用fixed = TRUE。

> grep("[", "abc[", fixed = TRUE)
[1] 1

如果您确实需要正则表达式，那很好，但这不是OP似乎要问的。

您可以使用 grep

grep("es", "Test")
[1] 1
grep("et", "Test")
integer(0)

此处存在类似的问题：给定字符串和关键字列表，请检测该字符串中包含哪些关键字（如果有）。

从这个线程建议提出stringr的str_detect和grepl。这是microbenchmark软件包中的基准测试：

使用

map_keywords = c("once", "twice", "few")
t = "yes but only a few times"

mapper1 <- function (x) {
  r = str_detect(x, map_keywords)
}

mapper2 <- function (x) {
  r = sapply(map_keywords, function (k) grepl(k, x, fixed = T))
}

然后

microbenchmark(mapper1(t), mapper2(t), times = 5000)

我们发现

Unit: microseconds
       expr    min     lq     mean  median      uq      max neval
 mapper1(t) 26.401 27.988 31.32951 28.8430 29.5225 2091.476  5000
 mapper2(t) 19.289 20.767 24.94484 23.7725 24.6220 1011.837  5000

如您所见，使用str_detect和grepl在实际的关键字字符串和向量上grepl进行了5,000次以上的关键字搜索迭代，其效果要好于str_detect。

结果是布尔向量r，该布尔向量标识字符串中包含哪些关键字（如果有）。

因此，建议您使用grepl来确定字符串中是否包含任何关键字。