比strsplit（）在R中将字符串拆分为两个更有效的内存方式

Question

我有一个1.8米的字符串，我需要将它分成一个50字符的字符串，该字符串非常接近1.8m字符串的开头（大约10k个字符）

使用strsplit()错误

long_string %>% strsplit(., fifty_character_string)

# Error: C stack usage  9065064 is too close to the limit

我试图用this方法和this问题解决具体的错误，但到目前为止没有运气。

所以现在我正在调查是否有一种更有效的内存方法将一个非常长的字符串拆分成两个字符串。我不太可能需要这么做很多次，所以我对那些完成工作的hacky方法持开放态度

Answer 1

以下是对不同方法的快速比较：

library(stringi)
library(dplyr)

# get some sample data
set.seed(1)
long_string <- stri_paste(stri_rand_lipsum(10000), collapse = " ")
x <- sample(9000:11000, 1)
split_string <- substr(long_string, x, x + 49)

result <- long_string %>% strsplit(., split_string)
length(unlist(result))
#> [1] 2

substr_fun <- function(str, pattern) {
  idx <- regexpr(pattern, str, fixed = TRUE)
  res1 <- list(c(substr(str, 1, idx-1), substr(str, idx + attr(idx, "match.length"), nchar(str))))
  return(res1)  
}

bench::mark(
  strsplit_dplyr = long_string %>% strsplit(., split_string),
  strsplit_dplyr_fixed = long_string %>% strsplit(., split_string, fixed = TRUE),
  strsplit = strsplit(long_string, split_string),
  strsplit_fixed = strsplit(long_string, split_string, fixed = TRUE),
  stri_split_fixed = stringi::stri_split_fixed(long_string, split_string),
  str_split = stringr::str_split(long_string, stringr::fixed(split_string)),
  substr_fun = substr_fun(long_string, split_string)
)
#> # A tibble: 7 x 6
#>   expression                min   median `itr/sec` mem_alloc `gc/sec`
#>   <bch:expr>           <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl>
#> 1 strsplit_dplyr          131ms  134.8ms      7.44      280B        0
#> 2 strsplit_dplyr_fixed   36.6ms   37.6ms     26.5       280B        0
#> 3 strsplit                133ms  133.8ms      7.40        0B        0
#> 4 strsplit_fixed         35.4ms   37.2ms     26.7         0B        0
#> 5 stri_split_fixed       40.7ms   42.5ms     23.6     6.95KB        0
#> 6 str_split              41.6ms   43.1ms     23.4    35.95KB        0
#> 7 substr_fun             13.6ms   14.8ms     67.1         0B        0

在内存使用方面，strsplit选项fixed = TRUE并且没有管道的开销是最好的解决方案。 stringi和stringr中的实现似乎要快一些，但它们在内存方面的开销甚至比管道的效果还要大。

更新

我添加了来自@H 1回答的方法以及他的方法来获得用于拆分的50个字符的子串。只有改变是我把它包装在一个函数中并再次添加fixed = TRUE，因为我认为在这种情况下更有意义。

如果您不想在字符串中进行多次拆分，则新功能是明显的赢家！

Answer 2

因为字符串只能被分成两个，所以有效的方法是使用regexpr()和substr()的组合。

# Generate string (10m char) and pattern
set.seed(10)
long_string <- paste0(sample(letters, 1e+7, replace = TRUE), collapse ="")
x <- sample(9000:11000, 1)
fifty_character_string <- substr(long_string, x, x + 49)

# Find index and split
idx <- regexpr(fifty_character_string, long_string)
res1 <- list(c(substr(long_string, 1, idx-1), substr(long_string, idx + attr(idx, "match.length"), nchar(long_string))))