Julia: String3, String7 って，何？

それが起こったのは，たぶん 2022 年 1 月末のある日。

以前にはなんのエラーもなく実行できていたプログラムでエラーが生じる。FreqTables.freqtable() で作成したクロス集計表の列や行を抽出できなくなっていた。

再現すると以下のようである。

まず以下のようなデータを読む。

io = IOBuffer("""
ID,Weight,Height,Age,BloodType,Gender
125,44.6,157.6,17,A,Male
321,57.3,158.8,26,B,Male
437,54.3,162.2,22,AB,Female
426,45.4,160.8,31,O,Male
243,48.5,174.5,34,B,Female
""")

CSV.read() の第 1 引数は IOBuffer() の戻り値をとることができる。

using CSV, DataFrames
df = CSV.read(io, DataFrame)

もう気づいてしまった人もいるかもしれないが，先に進む。

df.Gender と df.BloodType のクロス集計表を作る。

using FreqTables
tbl = freqtable(df.Gender, df.BloodType)

2×4 Named Matrix{Int64}
Dim1 ╲ Dim2 │  "A"  "AB"   "B"   "O"
────────────┼───────────────────────
"Female"    │    0     1     1     0
"Male"      │    1     0     1     1

集計表 tbl の 1 行目，2 列目を取り出してみる。

以下はいずれもエラーになる。
MethodError: no method matching indices(::OrderedCollections.OrderedDict{String7, Int64}, ::String)

tbl["Female", :]
tbl[:, "AB"]

以下はなんの問題もない。

tbl[1, :]

4-element Named Vector{Int64}
Dim2  │ 
──────┼──
"A"   │ 0
"AB"  │ 1
"B"   │ 1
"O"   │ 0

tbl[:, 2]

2-element Named Vector{Int64}
Dim1     │ 
─────────┼──
"Female" │ 1
"Male"   │ 0

あれこれやって，半日が過ぎた（大げさ）。

幸い，以前実行した結果が残っているので，ダメ元で今の出力結果と比較した。

気がついた。

BloodType と Gender の型が String3 と String7 になっている。

今までは両方とも String だった。

BloodType と Gender の型を String に変換しよう。

df[!, :BloodType] = string.(df.BloodType)
df[!, :Gender] = string.(df.Gender)
df

これでもう一度集計表を作り，行と列を取り出してみよう。

tbl = freqtable(df.Gender, df.BloodType)

2×4 Named Matrix{Int64}
Dim1 ╲ Dim2 │  A  AB   B   O
────────────┼───────────────
Female      │  0   1   1   0
Male        │  1   0   1   1

tbl["Female", :]

4-element Named Vector{Int64}
Dim2  │ 
──────┼──
A     │ 0
AB    │ 1
B     │ 1
O     │ 0

tbl[1, :]

4-element Named Vector{Int64}
Dim2  │ 
──────┼──
A     │ 0
AB    │ 1
B     │ 1
O     │ 0

tbl[:, "AB"]

2-element Named Vector{Int64}
Dim1   │ 
───────┼──
Female │ 1
Male   │ 0

tbl[:, 2]

2-element Named Vector{Int64}
Dim1   │ 
───────┼──
Female │ 1
Male   │ 0

前と同じようにちゃんと動いている。

そもそも String3 と String7 とはなんぞやと，ぐぐってみると以下のようなことがわかった。

・ 固定長文字列(Fixed width strings) ということで，String1, String3, String7, ..., String(2^8-1) がある。
・ かなり前からあるが，CSV.jl 0.9.1 ではすでに取り込まれていた。2022/02/03 では CSV v0.10.2 だ。
・ パフォーマンスが優れている。
・ まだサポートしていないパッケージがある。まさに freqtable() がそうだった。

そのうちに freqtable() も固定長文字列に対応するのだろうか。