我有一个脚本,它将CSV文件中的数据读入到data.table
中,然后将一列中的文本拆分为几个新列。我目前正在使用lapply
和strsplit
函数来完成此操作。下面是一个例子:
library("data.table")
df = data.table(PREFIX = c("A_B","A_C","A_D","B_A","B_C","B_D"),
VALUE = 1:6)
dt = as.data.table(df)
# split PREFIX into new columns
dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))
dt
# PREFIX VALUE PX PY
# 1: A_B 1 A B
# 2: A_C 2 A C
# 3: A_D 3 A D
# 4: B_A 4 B A
# 5: B_C 5 B C
# 6: B_D 6 B D
在上面的示例中,列PREFIX
在"_“字符上被拆分为两个新列PX
和PY
。
尽管这种方法工作得很好,但我想知道是否有更好(更有效)的方法使用data.table
实现这一点。我的实际数据集有>=10M+行,因此时间/内存效率变得非常重要。
更新:
遵循@Frank的建议,我创建了一个更大的测试用例,并使用了建议的命令,但stringr::str_split_fixed
花费的时间比原始方法长得多。
library("data.table")
library("stringr")
system.time ({
df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
VALUE = rep(1:6, 1000000))
dt = data.table(df)
})
# user system elapsed
# 0.682 0.075 0.758
system.time({ dt[, c("PX","PY") := data.table(str_split_fixed(PREFIX,"_",2))] })
# user system elapsed
# 738.283 3.103 741.674
rm(dt)
system.time ( {
df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
VALUE = rep(1:6, 1000000) )
dt = as.data.table(df)
})
# user system elapsed
# 0.123 0.000 0.123
# split PREFIX into new columns
system.time ({
dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))
})
# user system elapsed
# 33.185 0.000 33.191
因此,str_split_fixed
方法花费的时间大约是它的20倍。
https://stackoverflow.com/questions/18154556
复制相似问题