[問題] 如何一次檢查多個column的字串

看板R_Language作者daze (一期一會)時間4年前 (2020/09/07 12:44)推噓4(4推 0噓 11→)

留言15則, 5人參與討論串1/1

[問題類型]: 程式諮詢(我想用R 做某件事情，但是我不知道要怎麼用R 寫出來) [軟體熟悉度]: 入門(寫過其他程式，只是對語法不熟悉) [問題敘述]: 代碼儲存在複數欄位中,希望檢查是否有某些欄位符合特定字串規則,輸出True or False 目前用 dplyr::filter_at 是可以得到需要的結果但需要另外產生一個data.frame再join回來且要檢查多組不同字串規則時變得更為冗長想問看看有沒有更好的寫法 ex: ID 代碼一代碼二 ... 代碼N 1 O33 O34 O354 2 O331 O354 3 OO33 O345 需要的結果 ID 代碼一代碼二 ... 代碼N O33開頭 O34開頭 ... 1 O33 O34 O354 True True 2 O331 O354 True False 3 OO33 O345 False True [程式範例]: df <- read.csv( ...... ) require(dplyr) dftemp <- filter_at(df, vars(starts_with("代碼")), any_vars(grepl("^O33", .))) dftemp$O33開頭 <- True df <- left_join(df, dftemp ) df$O33開頭 <- ifelse( is.na(df$O33開頭), False, True) 然後為 "O34開頭" 再做一次... -- So stand by your glasses steady, Here’s good luck to the man in the sky, Here’s a toast to the dead already, Three cheers for the next man to die. -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.163.222.252 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1599453865.A.4D5.html ※ 編輯: daze (118.163.222.252 臺灣), 09/07/2020 12:54:34

→

locka

09/07 14:06, 4年前 , 1^F

09/07 14:06, 1^F

代碼1 ~ 代碼N 都可能出現O33開頭的值 N的數量不固定用 filter_at 可以抓 column name 裡面有"代碼"開頭的columns 另外還可能有其他開頭不是"代碼"的columns 這些columns不可列入檢查

→

andrew43

09/07 17:15, 4年前 , 2^F

09/07 17:15, 2^F

→

andrew43

09/07 17:15, 4年前 , 3^F

09/07 17:15, 3^F

→

andrew43

09/07 17:23, 4年前 , 4^F

09/07 17:23, 4^F

這個code只在代碼1比對 O33, 在代碼2比對 O34。在代碼2出現O33就不行了。當然寫成巢狀 for loop也可以但是這樣實現的話使用 filter_at 的簡潔度與可讀性可能更好些而且在N會變動的情況下巢狀 for loop 會更麻煩些 ※ 編輯: daze (114.40.18.158 臺灣), 09/07/2020 18:14:49

→

andrew43

09/07 18:35, 4年前 , 5^F

09/07 18:35, 5^F

→

andrew43

09/07 18:36, 4年前 , 6^F

09/07 18:36, 6^F

推

JuanMaestrow

09/08 13:42, 4年前 , 7^F

09/08 13:42, 7^F

→

JuanMaestrow

09/08 13:42, 4年前 , 8^F

09/08 13:42, 8^F

更之前有試著用 reshape2::melt/dcast 行為跟 tidyr::gather/spread 應該很類似不過有個問題是 melt 後 dataframe 會變大好幾倍比較小的檔案可以這麼做，但6G的檔案變大10倍,記憶體就爆了當時的做法是把某些暫時不用的 column 抽掉先把檔案瘦身跑完 melt/dcast 之後再 join 回去但這樣當然比較麻煩，又容易出錯目前處理的檔案大小，最大就 10G 左右剛好落在用 filter_at 不會爆而用 melt 就會爆的狀態 filter_at 在效能上對我來說其實剛好夠用，能用的參數也算方便但 filter_at 為了 filter，應該本來就會為每一 row 產生一個邏輯值我主要的困擾是希望有現成的類似函式可以直接產生該邏輯值寫入新 column 而不必使用 filter_at 生成新 dataframe 再 join 回去從而可以直接對 patterns list 做 lapply ※ 編輯: daze (114.40.18.158 臺灣), 09/08/2020 16:53:57 做兩次 lapply 再 cbind，最後把 column name 改掉。缺點是可能過兩個月我就搞不清這段code的作用了。 require(dplyr) df<- read.csv(...) pattern.list <- c("^O33", "^O34") CNames<-colnames(df) df<-df %>% cbind( lapply( pattern.list, function(y) Reduce("|", lapply(select(.,starts_with("代碼")), function(x) grepl(y, x))))) colnames(df)<-c(CNames,pattern.list) ※ 編輯: daze (114.40.18.158 臺灣), 09/08/2020 21:56:34 這樣似乎稍微好一點... cbind(df, lapply(pattern.list, function(x) df %>% rowwise() %>% summarise( (sum(grepl( x, across(starts_with("代碼"))))>0)))) 但這樣不是非常有效率跑 1.7M rows, 在 6個 column中比對1個pattern, 大概要 3~4 分鐘用一開始的 filter_at 實現同樣的比對則要花... 3 秒鐘。 ※ 編輯: daze (114.40.18.158 臺灣), 09/08/2020 23:32:04

推

intotherain

09/09 09:36, 4年前 , 9^F

09/09 09:36, 9^F

推

JuanMaestrow

09/09 20:06, 4年前 , 10^F

09/09 20:06, 10^F

→

JuanMaestrow

09/09 20:06, 4年前 , 11^F

09/09 20:06, 11^F

試著讀了一個約 5G 的 CSV 檔進來 (12568899 rows x 43 columns) Rstudio 顯示 data.frame 大小是 6259133200 bytes 將 6 個代碼欄 gather 成一個 data.frame 大小變成 22696429616 bytes 在工作管理員中, Rsession.exe 的記憶體用量則約 28G 電腦開始 lag, 畢竟實體記憶體只有 32G 把 R 重啟後，用 melt 做同樣的操作 data.frame 大小變成 22394776472 bytes 電腦仍然開始 lag 所謂 gather 比 melt 好很多，具體是指哪方面? ※ 編輯: daze (36.237.70.94 臺灣), 09/09/2020 23:24:29

推

cywhale

09/11 12:28, 4年前 , 12^F

09/11 12:28, 12^F

→

cywhale

09/11 12:34, 4年前 , 13^F

09/11 12:34, 13^F

→

cywhale

09/11 12:36, 4年前 , 14^F

09/11 12:36, 14^F