stringr :: str_sub Ausgang ist unerwartet

Question

die Folowing data.frame Bedenken Sie:

df <- structure(list(sufix = c("atizado", "atoria", "atório", "auta", 
         "áutico", "ável"), min_stem_len = c(4, 5, 3, 5, 4, 2), replacement = c("", 
                           "", "", "", "", ""), exceptions = list(character(0), character(0), 
                                     character(0), character(0), character(0), c("afável", "razoável", 
                                                "potável", "vulnerável"))), .Names = c("sufix", "min_stem_len", 
                                                          "replacement", "exceptions"), row.names = 21:26, class = c("tbl_df", 
                                                                        "tbl", "data.frame")) 

Ich habe eine Liste von Strings in variablen sufix dieser data.frame. Jetzt habe ich ein Wort word <- "amável" und ich möchte den Suffix dieses Wortes mit der gleichen Länge wie jedes Wort der df$sufix erhalten.

Ich verwende den Folowing Code:

library(stringr) 
word <- "amável" 
str_sub(word, start = -stringr::str_length(df$sufix)) 

Aber das gibt dieses:

> str_sub(word, start = -stringr::str_length(df$sufix)) 
[1] "amável" "mável" "mável" "vel" "mável" "vel" 
> df$sufix 
[1] "atizado" "atoria" "atório" "auta" "áutico" "ável" 

Ich hatte erwartet, dass das letzte Element des resultierenden Vektors "Avel" zu sein, da:

> str_length("ável") 
[1] 4 
> str_sub(word, start = -4) 
[1] "ável" 

---

hier ein mor e einfaches reproduzierbares Beispiel:

set.seed(100) 
a <- sample(1:10, 10000, replace = T) 
res <- rep("ábc", 10000) %>% str_sub(start = -a) 
sum(ifelse(a > 3, 3, a) != str_length(res)) 
[1] 2504 

Answer 1

Dies hat in dem Entwicklungszweig von stringi fest, siehe https://github.com/gagolews/stringi/issues/227 (wie str_sub von stringr beruht auf stri_sub in stringi). Sobald ein Update auf CRAN, das richtige Verhalten vorliegt, wird von jedermann aus der „Öffentlichkeit“ replizierbar sein, als ist:

str_sub(word, start = -stringr::str_length(df$sufix)) 
## [1] "amável" "amável" "amável" "ável" "amável" "ável" 

Answer 2

Wenn Sie bemerken, sind alle Ergebnisse falsch (außer durch die erste).

Sie sollten

[1] "amável" "amável" "amável" "ável" "amável" "ável" 

waren dies durch

library(stringi) 
stri_sub(rep(word, 6), from = -stri_length(df$suffix)) 

leicht gelöst werden könnte ich wette, dass Sie Ihre stringr Code wiederverwenden könnte genau das gleiche.

### EDIT ###

ich jetzt ADD verstehen, was Sie meinen. Auf jeden Fall gibt es ein merkwürdiges Verhalten, höchstwahrscheinlich auf die Sonderzeichen á. Siehe nachstehendes Beispiel:

df <- data.frame(suffix = c("Lorem","ipsum","dolor","sit","amet","consectetur","adipiscing", "elit","Donec","arcu")) 
df$len <- stri_length(df$suffix) 

Schauen Sie sich das seltsame Verhalten im 7.en Elemente des Ergebnisses:

stri_sub("amavel", from = -df$len) 
## [1] "mavel" "mavel" "mavel" "vel" "avel" "amavel" "amavel" "avel" 
## [9] "mavel" "avel" 

# Compared to 
stri_sub("amável", from = -df$len) 
## [1] "mável" "mável" "mável" "vel" "ável" "amável" "mável" "ável" 
## [9] "mável" "ável" 

Seltsam genug, wird das Ergebnis im letzten Fall korrigiert, wenn rep verwendet wird:

stri_sub(rep("amável", 10), from = -df$len) 
## [1] "mável" "mável" "mável" "vel" "ável" "amável" "amável" "ável" 
## [9] "mável" "ável" 

# note how the 7th element is now correct. 

Also auch wenn es ein bisschen hacky ist, die Lösung oben sollte vorgesehen arbeiten.

Ich habe versucht, den Code von stri_sub, wo es sich auf C_stri_sub bezieht, aber das war eine Sackgasse für mich. Vielleicht kann jemand mehr kenntnisreich von C und/oder String-Manipulation kommen und helfen?

### ZWEITER EDIT ###

Es scheint mir das Problem mit der Wiederholung des Strings ist innerhalb des Aufrufs stri_sub.Schauen Sie sich diesen alternativen Code der, die Sie in Ihrem bearbeiten setzen:

set.seed(100) 
a <- sample(1:10, 10000, replace = TRUE) 
res <- stri_sub(rep("ábc", 10000), from = -a) 
sum(ifelse(a > 3, 3, a) != stri_length(res)) 
## [1] 0