Как разбить строку на подстроки заданной длины?

Ответ 1

Вот один из способов

substring("aabbccccdd", seq(1, 9, 2), seq(2, 10, 2))
#[1] "aa" "bb" "cc" "cc" "dd"

или в целом

text <- "aabbccccdd"
substring(text, seq(1, nchar(text)-1, 2), seq(2, nchar(text), 2))
#[1] "aa" "bb" "cc" "cc" "dd"

Изменить: это намного быстрее.

sst <- strsplit(text, "")[[1]]
out <- paste0(sst[c(TRUE, FALSE)], sst[c(FALSE, TRUE)])

Сначала он разбивает строку на символы. Затем он объединяет четные элементы и нечетные элементы.

Задержка

text <- paste(rep(paste0(letters, letters), 1000), collapse="")
g1 <- function(text) {
    substring(text, seq(1, nchar(text)-1, 2), seq(2, nchar(text), 2))
}
g2 <- function(text) {
    sst <- strsplit(text, "")[[1]]
    paste0(sst[c(TRUE, FALSE)], sst[c(FALSE, TRUE)])
}
identical(g1(text), g2(text))
#[1] TRUE
library(rbenchmark)
benchmark(g1=g1(text), g2=g2(text))
#  test replications elapsed relative user.self sys.self user.child sys.child
#1   g1          100  95.451 79.87531    95.438        0          0         0
#2   g2          100   1.195  1.00000     1.196        0          0         0

Ответ 2

string <- "aabbccccdd"
# total length of string
num.chars <- nchar(string)

# the indices where each substr will start
starts <- seq(1,num.chars, by=2)

# chop it up
sapply(starts, function(ii) {
  substr(string, ii, ii+1)
})

Что дает

[1] "aa" "bb" "cc" "cc" "dd"

Ответ 3

Есть две простые возможности:

s <- "aabbccccdd"

• gregexpr и regmatches:

  regmatches(s, gregexpr(".{2}", s))[[1]]
  # [1] "aa" "bb" "cc" "cc" "dd"
  

• strsplit

  strsplit(s, "(?<=.{2})", perl = TRUE)[[1]]
  # [1] "aa" "bb" "cc" "cc" "dd"
  

Ответ 4

Можно использовать матрицу для группировки символов:

s2 <- function(x) {
  m <- matrix(strsplit(x, '')[[1]], nrow=2)
  apply(m, 2, paste, collapse='')
}

s2('aabbccddeeff')
## [1] "aa" "bb" "cc" "dd" "ee" "ff"

К сожалению, это прерывается для ввода нечетной длины строки, вызывая предупреждение:

s2('abc')
## [1] "ab" "ca"
## Warning message:
## In matrix(strsplit(x, "")[[1]], nrow = 2) :
##   data length [3] is not a sub-multiple or multiple of the number of rows [2]

Более неудачным является то, что g1 и g2 из @GSee молча возвращают неверные результаты для ввода длины нечетной строки:

g1('abc')
## [1] "ab"

g2('abc')
## [1] "ab" "cb"

Здесь функция в духе s2, принимая параметр для количества символов в каждой группе и оставляя последнюю запись коротким, если необходимо:

s <- function(x, n) {
  sst <- strsplit(x, '')[[1]]
  m <- matrix('', nrow=n, ncol=(length(sst)+n-1)%/%n)
  m[seq_along(sst)] <- sst
  apply(m, 2, paste, collapse='')
}

s('hello world', 2)
## [1] "he" "ll" "o " "wo" "rl" "d" 
s('hello world', 3)
## [1] "hel" "lo " "wor" "ld" 

(Это действительно медленнее, чем g2, но быстрее, чем g1 примерно в 7 раз)

Ответ 5

Ужасно, но работает

sequenceString <- "ATGAATAAAG"

J=3#maximum sequence length in file
sequenceSmallVecStart <-
  substring(sequenceString, seq(1, nchar(sequenceString)-J+1, J), 
    seq(J,nchar(sequenceString), J))
sequenceSmallVecEnd <-
    substring(sequenceString, max(seq(J, nchar(sequenceString), J))+1)
sequenceSmallVec <-
    c(sequenceSmallVecStart,sequenceSmallVecEnd)
cat(sequenceSmallVec,sep = "\n")

дает   ATG   AAT   AAA   G