Häufigkeit der Zeichenfolge bestimmen grep

Question

, wenn ich einen Vektor

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

haben und zu tun:

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

ich:

y 
     ajjss auyjyjjksjj 
      1   1 

jedoch die zweite Zeichenfolge "auyjyjjksjj" zählen sollte der Teilstring "jj" zweimal. Wie kann ich dies von einer echten/falschen Berechnung ändern, um die Häufigkeit von "jj" tatsächlich zu zählen?

Auch wenn für jeden String die Frequenz des Teilstrings geteilt durch die Länge des Strings berechnet werden könnte, wäre das großartig.

Vielen Dank im Voraus.

Answer 1

Ich löste dies mit 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 

Und für den letzten Teil der Frage, Berechnung Frequenz/Stringlänge ...

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

Es ist nece sssary, um df $ x zurück in eine Zeichenkette zu konvertieren, da data.frame (x, freq) Zeichenketten automatisch in Faktoren umwandelt, es sei denn, Sie geben stringsAsFactors = F an.

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

Answer 2

Sie verwenden das falsche Werkzeug. Versuchen Sie gregexpr, mit dem Sie die Positionen geben, wo der Suchbegriff gefunden wurde (oder -1, wenn nicht gefunden):

> 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

Sie verwenden qdap können (wenn auch nicht in der Basis R installieren):

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%) 

Beachten Sie, dass die Ausgangsfrequenz und die Frequenz im Vergleich zu Wortanzahl (ist die Ausgabe eine Liste tatsächlich aber druckt eine ziemlich Ausgabe). Um die Frequenzen zugreifen:

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

Dieser einfache Einzeiler in base r Verwendung von strsplit macht und dann Grepl, und ist ziemlich robust, aber brechen, wenn es Spiele zu zählen wie jjjjjj als 3 Los jj hat. Die Musterübereinstimmung, die das ermöglicht, ist von @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