在R中使用grepl

Question

在哪种情况下，这两种不同的实现方式会产生不同的结果？

data(mtcars)
firstWay <- mtcars[grepl('6',mtcars$cyl),]
SecondWay <- mtcars[mtcars$cyl=='6',]

如果这些方法总是给出相同的结果，那么推荐其中的一种，为什么？ 谢谢

Answer 1

mtcars$cyl是一个数字列，因此最好将其与使用mtcars [mtcars $ cyl == 6，]的数字进行比较。

但是相等运算符==和grepl之间的grepl是==仅对于等于"6"的向量成员才为TRUE ，而grepl将匹配向量中任何位置为6的任何成员。

因此，例如：

String                                                   ==     grepl
6                                                        TRUE   TRUE
123456                                                   FALSE  TRUE
6ABC                                                     FALSE  TRUE
This is a long sentence which happens to have a 6 in it  FALSE  TRUE
Whereas this long sentence does not                      FALSE  FALSE

等效的grepl模式将是“ ^ 6 $”。 在http://www.regular-expressions.info/tutorial.html上有一个有关正则表达式的教程（很多）。

Answer 2

好吧，我认为grepl区别是，即使您不知道，也可以使用grepl进行子集化，例如6 ，但是您可以尝试搜索以6开头或结尾的行。

如果您尝试使用普通的子集化方法来执行此操作，则会有一个空对象，因为例如^6不会被识别为正则表达式，而是会被识别为带有符号^和6的字符串。

我确定还有其他差异，但是我相信专业用户将提供更详细的答案。

对于可能被优先考虑的方面，可能有效率方面的原因：

system.time(mtcars[grepl('^6',mtcars$cyl),])
   user  system elapsed 
  0.029   0.002   0.035 
system.time(mtcars[mtcars$cyl=='6',])
   user  system elapsed 
  0.031   0.002   0.046 

这个小例子可以作为指导，就像@Nick K建议的那样，首先必须使用microbenchmark做进一步的（精确的）研究。 当然，对于大型数据集，我几乎不相信专业用户（或需要速度的用户）会更喜欢它们两者，但也许它将依赖于数据表或诸如以较低级语言编写的dplyr工具，并且速度更快。

Answer 3

使用包microbenchmark，我们可以看到哪个更快

library(microbenchmark)
m <- microbenchmark(mtcars[grepl('6',mtcars$cyl),], mtcars[mtcars$cyl=='6',], times=10000)

    Unit: microseconds
                         expr     min      lq     mean  median      uq      max neval
 mtcars[grepl("6", mtcars$cyl), ] 229.080 234.738 247.5324 236.693 239.417 6713.914 10000
      mtcars[mtcars$cyl == "6", ] 214.902 220.210 231.0240 221.956 224.471 7759.507 10000

看来==更快，所以应该尽可能使用

但是，这些功能不能完全相同。 grepl搜索是否所有字符串都存在该字符串==检查表达式是否相等

grepl("6", mtcars$disp)

 [1]  TRUE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE
[18] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

mtcars$disp == "6"

[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[18] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE