Re: [問題] 想利用data.table將Rawdata切割欄位

看板R_Language作者 (攸藍)時間9年前 (2015/03/02 10:44), 9年前編輯推噓1(100)
留言1則, 1人參與, 最新討論串4/4 (看更多)
改成用CharacterMatrix做為output 省去使用rbind的時間 PS: 之前對CharacterMatrix不甚熟悉,才沒有使用。 library(data.table) library(magrittr) library(Rcpp) library(inline) sourceCpp(code = ' #include <Rcpp.h> using namespace Rcpp; // [[Rcpp::export]] CharacterMatrix dat_split_f( std::vector< std::string > strings, NumericVector loc) { int loc_len = loc.size(), num_strings = strings.size(); CharacterMatrix output(num_strings, loc_len); for( int j=0; j < num_strings; j++ ) { for (int i=0; i < loc_len-1; i++) output(j, i) = strings[j].substr(loc[i], loc[i+1] - loc[i]); } return output; }') # 測試一下40萬的case 如果要用下面資料記得他們是一行... 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)) %>% data.table() dat_split[, ':='(V1 = as.numeric(V1), V3 = as.numeric(V3))] proc.time() - tt # user system elapsed # 0.97 0.06 1.03 # 測試一下400萬的case 如果要用下面資料記得他們是一行... dat = fread(paste0(rep("001female2019920404\n002male 3019920505\n003male 4019920606\n004female5019920707\n", 1000000), collapse=""),sep="\n", sep2="", header=FALSE) tt = proc.time() dat_split = dat_split_f(dat[[1]], c(0, 3, 9, 11, 19)) %>% data.table() dat_split[, ':='(V1 = as.numeric(V1), V3 = as.numeric(V3))] proc.time() - tt # user system elapsed # 7.73 0.21 7.98 # 十倍的資料量,時間只花八倍,這樣的結果好多了。 windows 64bit R-3.1.2 i7-3770K@4.4GHz 用了一下B830@1.8GHz的CPU跑40萬的case # user system elapsed # 1.14 0.05 1.19 補上用regular expression的方法 library(data.table) library(plyr) library(dplyr) library(magrittr) dat = fread(paste0(rep("001female2019920404\n002male 3019920505\n003male 4019920606\n004female5019920707\n", 100000), collapse=""),sep="\n", sep2="",header=FALSE) tt = proc.time() dat_regex = dat %>% select(V1) %>% extract2(1) %>% regexec("([0-9]{3})(female|male\\s{2})([0-9]{2})([0-9]{8})", text = .) dat_split = dat %>% select(V1) %>% extract2(1) %>% regmatches(dat_regex) %>% do.call(rbind, .) %>% data.table() %>% select(2:ncol(.)) %>% setnames(c("id", "gender", "age", "birthday")) proc.time() - tt # user system elapsed # 14.99 0.34 23.76 with B830@1.8GHz -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.235.152.127 ※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1425264248.A.3E5.html

03/03 02:19, , 1F
有試有成功 感謝C大分享 用您的CODE真的超快速的 推~~
03/03 02:19, 1F
※ 編輯: celestialgod (61.224.150.158), 03/07/2015 21:36:34 ※ 編輯: celestialgod (61.224.150.158), 03/07/2015 21:39:05
文章代碼(AID): #1KyyvuFb (R_Language)
文章代碼(AID): #1KyyvuFb (R_Language)