determinare la frequenza di stringa utilizzando grep

Question

se ho un vettore

x <- c("ajjss","acdjfkj","auyjyjjksjj") 

e fare:

y <- x[grep("jj",x)] 
table(y) 

ottengo:

y 
     ajjss auyjyjjksjj 
      1   1 

Tuttavia la seconda stringa "auyjyjjksjj" dovrebbe contare la sottostringa "jj" due volte. Come posso cambiare questo da un calcolo vero/falso, per contare effettivamente la frequenza di "jj"?

Anche se per ciascuna stringa è possibile calcolare la frequenza della sottostringa divisa per la lunghezza della stringa, sarebbe ottimo.

Grazie in anticipo.

Answer 1

Ho risolto questo usando gregexpr()

x <- c("ajjss","acdjfkj","auyjyjjksjj") 
freq <- sapply(gregexpr("jj",x),function(x)if(x[[1]]!=-1) length(x) else 0) 
df<-data.frame(x,freq) 

df 
#   x freq 
#1  ajjss 1 
#2  acdjfkj 0 
#3 auyjyjjksjj 2 

E per l'ultima parte della domanda, calcolando frequenza/lunghezza della stringa ...

df$rate <- df$freq/nchar(as.character(df$x)) 

è nece ssary per convertire df $ x in una stringa di caratteri in quanto data.frame (x, freq) converte automaticamente le stringhe in fattori a meno che non si specifichi stringsAsFactors = F.

df 
#   x freq  rate 
#1  ajjss 1 0.2000000 
#2  acdjfkj 0 0.0000000 
#3 auyjyjjksjj 2 0.1818182 

Answer 2

Stai utilizzando lo strumento sbagliato. Prova gregexpr, che vi darà le posizioni in cui è stata trovata la stringa di ricerca (o -1 se non trovato):

> gregexpr("jj", x, fixed = TRUE) 
[[1]] 
[1] 2 
attr(,"match.length") 
[1] 2 
attr(,"useBytes") 
[1] TRUE 

[[2]] 
[1] -1 
attr(,"match.length") 
[1] -1 
attr(,"useBytes") 
[1] TRUE 

[[3]] 
[1] 6 10 
attr(,"match.length") 
[1] 2 2 
attr(,"useBytes") 
[1] TRUE 

Answer 3

È possibile utilizzare qdap (anche se non in base installata R):

x <- c("ajjss","acdjfkj","auyjyjjksjj") 
library(qdap) 
termco(x, seq_along(x), "jj") 

## > termco(x, seq_along(x), "jj") 
## x word.count   jj 
## 1 1   1 1(100.00%) 
## 2 2   1   0 
## 3 3   1 2(200.00%) 

Si noti che l'uscita ha la frequenza e la frequenza rispetto al conteggio delle parole (l'uscita è in realtà una lista, ma stampa un bel produzione). Per accedere alle frequenze:

termco(x, seq_along(x), "jj")$raw 

## > termco(x, seq_along(x), "jj")$raw 
## x word.count jj 
## 1 1   1 1 
## 2 2   1 0 
## 3 3   1 2 

Answer 4

Questo semplice one-liner in base r si avvale di strsplit e poi Grepl, ed è abbastanza robusta, ma si rompa se deve contare partite come jjjjjj come 3 lotti di jj. Il pattern matching che rende possibile ciò è da @JoshOBriens excellent Q&A:

sum(grepl("jj" , unlist(strsplit(x , "(?<=.)(?=jj)" , perl = TRUE)))) 



# Examples.... 
f<- function(x){ 
    sum(grepl("jj" , unlist(strsplit(x , "(?<=.)(?=jj)" , perl = TRUE)))) 
    } 

    #3 matches here 
    xOP <- c("ajjss","acdjfkj","auyjyjjksjj") 
    f(xOP) 
    # [1] 3 

    #4 here 
    x1 <- c("ajjss","acdjfkj", "jj" , "auyjyjjksjj") 
    f(x1) 
    # [1] 4 

    #8 here 
    x2 <- c("jjbjj" , "ajjss","acdjfkj", "jj" , "auyjyjjksjj" , "jjbjj") 
    f(x2) 
    # [1] 8 

    #Doesn't work yet with multiple jjjj matches. We want this to also be 8 
    x3 <- c("jjjj" , "ajjss","acdjfkj", "jj" , "auyjyjjksjj" , "jjbjj") 
    f(x3) 
    # [1] 7