R中高效查找字符串中单字母单词位置的方法

原始数据 #

s <- c("GATTTT,A,T,GATTCTATTCT,GATTCTATTCTATTCT", "ATTCTATTCTC", "G")

需求 #

针对每个字符串，找出其中单字母单词的位置（单词以固定分隔符逗号,划分）。

预期结果 #

[[1]]
[1] 2 3

[[2]]
[1] NA

[[3]]
[1] 1

当前无效方案 #

以下代码无法得到预期结果：

sapply(gregexpr("\\W+", s), FUN = function(x) which(diff(x) == 2))

高效解决方案 #

基础R实现（无需额外包） #

利用strsplit拆分字符串，直接判断每个单词的长度，逻辑简洁且高效：

lapply(strsplit(s, ","), function(x) {
  pos <- which(nchar(x) == 1)
  if (length(pos) == 0) NA else pos
})

高性能扩展方案（适合极长字符向量） #

如果需要处理超大规模数据，推荐使用stringi包的固定分隔符拆分函数，其速度远优于基础R的strsplit，内存占用也更优：

library(stringi)
lapply(stri_split_fixed(s, ","), function(x) {
  pos <- which(stri_length(x) == 1)
  if (length(pos) == 0) NA else pos
})

方案说明 #

原方案通过正则匹配非单词字符并计算位置差的逻辑存在局限性：无法处理无分隔符的字符串（如第二个元素），也无法覆盖开头/结尾为单字母的场景。而直接拆分后判断单词长度的方式，逻辑直观可靠，适配所有单词数量可变的情况，同时能高效应对极长向量的处理需求。

内容的提问来源于stack exchange，提问作者nya