> [問題敘述]:
> 各位前輩們好,
> 小弟有一筆資料大約為500MB左右,
> 因這筆資料為原始檔案,
> 還沒將欄位定義好,
> 所以小弟想詢問如何讀入data.table後,
> 在將欄位進行切割？
>>
> example:
> var1
> 1 001female 2019920404
> 2 002male 3019920505
> 3 003male 4019920606
> 4 004female 5019920707
>>
> 希望可以透過欄位切割後變成：
> id sex income birthday
> 1 001 female 20 19920404
> 2 002 male 30 19920505
> 3 003 male 40 19920606
> 4 004 female 50 19920707
手癢寫了一下@@
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;
}')
# 第二個input 第一個固定是0 第二個是第一個字串結束位置
# 第三個是第二個字串結束位置，依此類推，有k個column放k+1個值
# 這個可以用手算，也可以用regular expression去找對應位置，自行定奪
# 補充: 用C++邏輯想是，前k個是每個字串開始位置，最後一個是總長度
dat_split = dat_split_f(dat[[1]], c(0, 3, 9, 11, 19)) %>%
do.call("rbind", .) %>% data.table()
# 之後自行再把需要轉成數字的chr轉成numeric就好
測試一下40萬個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
四百萬個ROW大概是67秒
CPU: Intel Celeron B830@1.80G in windows 7 64bit with R 3.1.2
還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/