【Rデータ整理】R標準パッケージ（base）とstringrパッケージの比較

Rで文字列操作を行う際に、標準パッケージ（baseパッケージ）やstringrパッケージを使っていることが多いと思う。

私の周囲にはstringrを好む人が多いけれども、実際、どちらを使った方がよいのか、調べてみた。

R標準パッケージ、stringrパッケージの比較

標準パッケージ (base R)

メリット

• 追加インストールが不要：どの環境でもすぐに使用可能。
• 小規模データでは、実行速度が速い：gsub()やgrep()などは軽量で高速。
• 単純な作業には十分：ちょっとした文字列の置換や抽出には便利。

主な関数

• nchar()：文字数のカウント
• substr()：文字列の一部を抽出
• grep() / grepl()：パターンマッチング（ベクター内の検索）
• gsub()：文字列の置換
• paste() / paste0()：文字列の結合
• strsplit()：文字列の分割

使用例

# 文字数カウント
nchar("こんにちは")

# 文字の置換
gsub("a", "A", "banana")

# 文字の抽出
substr("banana", 2, 4)

# 文字の結合
paste("Hello", "World", sep = ", ")

# パターン検索
grepl("R", c("Python", "R", "Julia"))

output
result: 5
result: "bAnana"
result: "ana"
result: "Hello, World"
result: FALSE, TRUE, FALSE

stringr パッケージ

メリット

• 大規模データでの処理速度が速い。
• 関数名が直感的：str_から始まる関数が統一されているため、覚えやすい。
• デフォルトの動作がわかりやすい：「第一引数が対象文字列、第二引数がパターン」で統一。
• 関数がベクトル化されている：ベクトルに対しても簡単に使える。
• factor と character を同じように扱う。
• tidyverseの一部：tidyverseを使う場合、dplyrなどとシームレスに連携可能。
• 引数オブジェクトの各要素の名前や位置を保持する。
  • 長さゼロのオブジェクトを引数として与えた場合には長さゼロの結果を返す。
  • 引数オブジェクトに NA が含まれる場合はその部分の結果を NA とする。

主な関数

• str_length()：文字数のカウント（nchar()の代替）
• str_sub()：文字列の部分抽出（substr()の代替）
• str_replace()：文字の置換（gsub()の代替）
• str_detect()：パターン検出（grepl()の代替）
• str_c()：文字列の結合（paste0()の代替）
• str_split()：文字列の分割（strsplit()の代替）

使用例

# stringrパッケージの読み込み
library(stringr)

# 文字数カウント
str_length("こんにちは")

# 文字の置換
str_replace("banana", "a", "A")

# すべての一致箇所を置換
str_replace_all("banana", "a", "A")

# 文字の抽出
str_sub("banana", 2, 4)

# 文字の結合
str_c("Hello", "World", sep = ", ")

# パターン検索
str_detect(c("Python", "R", "Julia"), "R")

output
result: 5
result: "bAnAnA"
result: "bAnAnA"
result: "ana"
result: "Hello, World"

選び方のポイント

baseとstringrのどちらが有利か、条件毎にまとめるとこんな感じ。

実際、どちらを使うべき？

具体的な場面を想定すると、こんな感じ。

まとめ

• 可読性や一貫性を重視するならstringr。
  • 直感的な名前 (str_replace, str_length など) でコードが読みやすい。
  • tidyverseパッケージを使うならstringrが便利。
  • 大規模データでは、stringrの方がbaseよりも処理速度が速いことがある。
• 速度や標準機能で十分な場合はbase Rを使うと良い。
  • シンプルな置換 (gsub()) や正規表現 (grep(), grepl()) は速い。
  • 追加インストールが不要で、どの環境でも使える。

速度について具体的に比較した記事はこちら。

実際に使うときは、

「Tidyverseのワークフロー（dplyr, ggplot2など）を使うなら、stringrを使ったほうが可読性が高いけど、シンプルな文字列処理やパフォーマンスが重要な場合は、base関数のgsub(), paste(), nchar()の方が有利」

とゆー感じかな。

他の人たちはどれくらい使い分けているんだろう。。。