R语言中strsplit的加速方案：处理文本数字交替字符串

你的代码在处理大规模数据时速度慢，核心原因是逐元素循环处理（purrr::map本质是循环）加上多次冗余字符串转换（先加空格再拆分），这些步骤在数据量放大后会产生大量性能开销。下面是几个针对性的高效优化方案：

方案1：直接统计匹配组数（最快，无需拆分） #

如果只需要拆分项的长度，不需要保留拆分后的具体内容，完全可以跳过拆分步骤，直接统计字符串中字母组和数字组的总数量，这是效率最高的方式：

data <- c("VID22CAS05", "TEL21XSE12")
# 统计每个字符串中连续数字/字母组的数量，即拆分项长度
string_lengths <- stringr::str_count(data, "\\d+|[A-Za-z]+")
# 输出结果：[1] 4 4

原理：正则表达式\\d+|[A-Za-z]+会匹配所有连续数字或连续字母的片段，str_count直接统计每个字符串的匹配次数，这个次数就是你需要的拆分项长度。该方法完全向量化，没有循环，处理百万级数据也能快速完成。

如果不想依赖stringr包，用基础R也能实现：

string_lengths <- sapply(gregexpr("\\d+|[A-Za-z]+", data), function(x) sum(x != -1))

方案2：向量化拆分后统计长度 #

如果需要保留拆分后的内容，推荐用stringr::str_split的向量化拆分，比purrr::map+strsplit的组合高效得多：

library(stringr)
# 直接在数字与字母的交界处拆分（零宽断言，无需额外添加空格）
split_results <- str_split(data, "(?<=\\d)(?=[A-Za-z])|(?<=[A-Za-z])(?=\\d)")
# 统计每个拆分结果的长度
string_lengths <- sapply(split_results, length)

正则表达式(?<=\\d)(?=[A-Za-z])|(?<=[A-Za-z])(?=\\d)是零宽断言，它会精准定位数字和字母的交界位置完成拆分，省去了原代码中gsub加空格、trimws去空格的冗余步骤。

原代码的性能瓶颈分析 #

你的原代码流程是：gsub添加空格 → trimws去首尾空格 → strsplit拆分，连续三次字符串转换，再加上purrr::map的逐元素循环，每一步的开销在大规模数据下都会被放大，最终导致整体速度变慢。

内容的提问来源于stack exchange，提问作者JanieM