> [问题叙述]:
> 各位前辈们好,
> 小弟有一笔资料大约为500MB左右,
> 因这笔资料为原始档案,
> 还没将字段定义好,
> 所以小弟想询问如何读入data.table后,
> 在将字段进行切割？
>>
> example:
> var1
> 1 001female 2019920404
> 2 002male 3019920505
> 3 003male 4019920606
> 4 004female 5019920707
>>
> 希望可以透过字段切割后变成：
> id sex income birthday
> 1 001 female 20 19920404
> 2 002 male 30 19920505
> 3 003 male 40 19920606
> 4 004 female 50 19920707
手痒写了一下@@
code:
library(data.table)
library(magrittr)
dat = fread("001female2019920404\n002male 3019920505\n003male
4019920606\n004female5019920707\n", sep="\n", sep2="", header=FALSE)
library(Rcpp)
library(inline)
sourceCpp(code = '
#include <Rcpp.h>
using namespace Rcpp;
// [[Rcpp::export]]
List dat_split_f( std::vector< std::string > strings, NumericVector loc) {
int loc_len = loc.size(), num_strings = strings.size();
List output(num_strings);
for( int j=0; j < num_strings; j++ )
{
std::vector< std::string > tmp;
for (int i=0; i < loc_len-1; i++)
tmp.push_back( strings[j].substr(loc[i], loc[i+1] - loc[i]) );
output[j] = tmp;
}
return output;
}')
# 第二个input 第一个固定是0 第二个是第一个字串结束位置
# 第三个是第二个字串结束位置，依此类推，有k个column放k+1个值
# 这个可以用手算，也可以用regular expression去找对应位置，自行定夺
# 补充: 用C++逻辑想是，前k个是每个字串开始位置，最后一个是总长度
dat_split = dat_split_f(dat[[1]], c(0, 3, 9, 11, 19)) %>%
do.call("rbind", .) %>% data.table()
# 之后自行再把需要转成数字的chr转成numeric就好
测试一下40万个row
dat = fread(paste0(rep("001female2019920404\n002male 3019920505\n003male
4019920606\n004female5019920707\n", 100000), collapse=""),
sep="\n", sep2="", header=FALSE)
tt = proc.time()
dat_split = dat_split_f(dat[[1]], c(0, 3, 9, 11, 19)) %>%
do.call("rbind", .) %>% data.table()
proc.time() - tt
# user system elapsed
# 3.34 0.01 3.50
四百万个ROW大概是67秒
CPU: Intel Celeron B830@1.80G in windows 7 64bit with R 3.1.2
还要更快可以找我的文章(R_Language #1JiQHkrP)，在Rcpp中加入openmp加速
Reference: http://gallery.rcpp.org/articles/strings_with_rcpp/