正規表現（R）の前に文字を削除する

Question

私は株式ティッカーの文字ベクトルを持っています。ここでティッカー名は、ティッカーがcountry_name/ticker_nameの形式に基づいている国に連結されています。私は各文字列を分割し、 '/'バックからすべてを削除しようとしていて、テロップ名だけの文字ベクトルを返しています。ここにベクトル例があります：

sample_string <- c('US/SPY', 'US/AOL', 'US/MTC', 'US/PHA', 'US/PZI', 
        'US/AOL', 'US/BRCM') 

私の最初の考えは、stringrライブラリを使用することです。私は実際にそのパッケージでの経験を持っているが、ここで私がしようとしていたものですありません。

library(stringr) 
split_string <- str_split(sample_string, '/') 

をしかし、私は、単一のベクトルとして、各リストの唯一の第二の要素を返す方法が不明でした。

私はこれを大規模な文字ベクトル（1億500万エントリ）でどうやって行うのですか？

Answer 1

@David Arenburgで提案されているすべての方法や、stringrパッケージのstr_extractを使用した別のベンチマークがあります。

sample_string <- rep(sample_string, 1000000) 

library(data.table); library(stringr) 
s1 <- function() sub(".*/(.*)", "\\1", sample_string) 
s2 <- function() sub(".*/", "", sample_string) 
s3 <- function() str_extract(sample_string, "(?<=/)(.*)") 
s4 <- function() tstrsplit(sample_string, "/", fixed = TRUE)[[2]] 

length(sample_string) 
# [1] 7000000 

identical(s1(), s2()) 
# [1] TRUE 
identical(s1(), s3()) 
# [1] TRUE 
identical(s1(), s4()) 
# [1] TRUE 

microbenchmark::microbenchmark(s1(), s2(), s3(), s4(), times = 5) 
# Unit: seconds 
# expr  min  lq  mean median  uq  max neval 
# s1() 3.916555 3.917370 4.046708 3.923246 3.925184 4.551184  5 
# s2() 3.584694 3.593755 3.726922 3.610284 3.646449 4.199426  5 
# s3() 3.051398 3.062237 3.354410 3.138080 3.722347 3.797985  5 
# s4() 1.908283 1.964223 2.349522 2.117521 2.760612 2.996971  5 

tstrsplitの方法が最も高速です。

更新は：

@Frankから別のメソッドを追加し、この比較は、実際のデータに依存する厳密に正確ではありませんsample_stringが上記で製造されたように複製例がたくさんある場合、利点があります非常に明白：

s5 <- function() setDT(list(sample_string))[, v := tstrsplit(V1, "/", fixed = TRUE)[[2]], by=V1]$v 

identical(s1(), s5()) 
# [1] TRUE 

microbenchmark::microbenchmark(s1(), s2(), s3(), s4(), s5(), times = 5) 
# Unit: milliseconds 
# expr  min  lq  mean median  uq  max neval 
# s1() 3905.97703 3913.264 3922.8540 3913.4035 3932.2680 3949.3575  5 
# s2() 3568.63504 3576.755 3713.7230 3660.5570 3740.8252 4021.8426  5 
# s3() 3029.66877 3032.898 3061.0584 3052.6937 3086.9714 3103.0604  5 
# s4() 1322.42430 1679.475 1985.5440 1801.9054 1857.8056 3266.1101  5 
# s5() 82.71379 101.899 177.8306 121.6682 209.0579 373.8141  5 

Answer 2

あなたの質問についていくつかの有用な注意事項：まず、あなたはそれがlapply呼び出すことによって、何をしたいかないstringrパッケージでstr_split_fixed機能があります。それは第二に、別の方法は、リストの各第二の要素を抽出することを考えるようにstringi::stri_split_fixedを呼び出すことによって動作し、

do.call("c", lapply(str_split(sample_string, '/'),"[[",2)) 

に異ならないです

library(data.table); library(stringr) 
sample_string <- c('US/SPY', 'US/AOL', 'US/MTC', 'US/PHA', 'US/PZI', 
        'US/AOL', 'US/BRCM') 
sample_string <- rep(sample_string, 1e5) 
split_string <- str_split_fixed(sample_string, '/', 2)[,2] 

はtstrsplitが内部的に行っていることを正確に何をすることです。総サイドノートで

transpose(strsplit(sample_string, "/", fixed = T))[[2]] 

、上記tstrsplitを呼び出すよりもわずかに速くする必要があります。これはもちろん、おそらく長さを入力する価値はありませんが、関数が何をしているかを知るのに役立ちます。

library(data.table); library(stringr) 
s4 <- function() tstrsplit(sample_string, "/", fixed = TRUE)[[2]] 
s5 <- function() transpose(strsplit(sample_string, "/", fixed = T))[[2]] 

identical(s4(), s5()) 
microbenchmark::microbenchmark(s4(), s5(), times = 20) 

microbenchmark::microbenchmark(s4(), s5(), times = 20) 
Unit: milliseconds 
expr  min  lq  mean median  uq  max neval 
s4() 161.0744 193.3611 255.8136 234.9945 271.6811 434.7992 20 
s5() 140.8569 176.5600 233.3570 194.1676 251.7921 420.3431 20 

2つの要素とのそれぞれは、長さ2のリストに700万要素と各あなたの結果を変換する、長さ700万このリストを転置要するに、この第二の方法、に関する。このリストの2番目の要素を抽出します。