如何有效地匹配和组合 data.table 中的字符串答案

【问题标题】：How to efficiently match and combine strings in data.table如何有效地匹配和组合 data.table 中的字符串
【发布时间】：2019-03-13 17:12:18
【问题描述】：

考虑一个示例数据集：

dt <- data.table(data.frame(V1 = c("C1/R3","M2/R4")))
> dt
      V1
1: C1/R3
2: M2/R4

对于dt 的每一行，我想提取连接的字符 C、M 或 R。例如，

dt[,V2 := stri_join_list(str_match_all(V1,"[CMR],sep="",collapse=""),by=seq_len(nrow(dt))]
> dt
         V1 V2
1:    C1/R3 CR
2:    M2/R4 MR

但是，我有 4200 万行，上面的代码还不够高效。有没有办法在不使用逐行操作的情况下做到这一点？当我跳过 by 参数时，我会为每一行获得条目 CRMR。

【问题讨论】：

这些不是矢量化函数，因此您不需要by=？ - dt[,V2 := stri_join_list(str_match_all(V1,"[CMR]"))] - 我不确定你是如何得到 NA 值的，但你可能希望在你的示例中包含一个这样做的行。
您能否澄清一下，在您的真实数据中：1）所有的字母都是大写的吗？ 2) 模式是否始终只是 1 个字母后跟一个数字，然后是 / 后跟 1 个字母，后跟一个数字 - 如果不是，请指定字母和数字的重复长度，例如任何长度？因为效率对您很重要，包括这些细节将有助于防止过度概括（可能较慢）的解决方案，或者避免过度简化的解决方案（作为一个公平的假设）正确解决您提出的问题。
@thelatemail，将其矢量化实际上会从所有行组合中返回 [CMR]。 IE，两个条目都是“CRMR”。
@krads，更新示例。
@hipHopMetropolisHastings - 使用我建议的矢量化代码有效。根据更新前的原始dt，它为第一行提供CR，为第二行提供MR。您需要删除代码中的collapse=""（而不是我的代码）。

标签： r string data.table

【解决方案1】：

一个选项使用sub：

dt <- data.table(data.frame(V1 = c("C1/R3","M2/R4")))
dt$V2 <- sub("^([A-Z]+)[0-9]+/([A-Z]+)[0-9]+", "\\1\\2", dt$V1)
dt
     V1 V2
1 C1/R3 CR
2 M2/R4 MR

Demo

【讨论】：

【解决方案2】：

如您所说，如果您仅希望将字母 C、M 和 R 捕获到您的 data.table 的新列中，那么通过就地分配应该可以有效地执行以下操作：

dt[, V2 := gsub('[^CMR]', '', V1, perl=TRUE, useBytes=TRUE)]

模式[^CMR] 匹配任何非 C M 或R 的字符，然后我们替换为空字符串''。

根据?gsub的帮助：“如果可以使用useBytes = TRUE，则匹配前不会检查字符串，实际匹配会更快。”

最后，根据我的阅读，使用perl=TRUE 我相信应该比省略它更快。但是，也许您可以测试两种方式并使用您的真实数据回复结果以向我们确认？

【讨论】：

所以有一些额外的值包含[CMR]，但不是上述格式。例如，有一个名称“ZMR 14-B”，我想为其捕获“NA”。稍后将使用更完整的示例更新问题。我想捕获所有“[CMR](?=\d)”，但使用“[^[CMR](?=\d)]”只是捕获第一个实例。