fread与grepl

Question

我有一个数据(大数据125000行，~20 MB)，其中一些具有特定字符串的行需要删除，有些列需要在读取过程中被选中。

首先，我发现grepl函数不能正常工作，因为fread将数据作为这个问题中的一个列来表示。

示例数据可以找到这里 (通过下面的@akrun通知)和数据的标题，如下所示

头(Sum_data)

TRIAL :            1        3331        9091
  TRIAL :            2  1384786531   278055555
    2     0.10     0.000E+00 -0.0047 -0.0168 -0.9938    -0.0087 -0.0105 -0.9709     0.0035  0.0079 -0.9754     0.0081  0.0023  0.9997      -0.135324E-09    0.278754E-01
    2     0.20     0.000E+00 -0.0121  0.0002 -0.9898    -0.0364 -0.0027 -0.9925    -0.0242 -0.0050 -0.9929     0.0029 -0.0023  0.9998      -0.133521E-09    0.425567E-01
    2     0.30     0.000E+00  0.0193 -0.0068 -0.9884     0.0040  0.0139 -0.9782    -0.0158  0.0150 -0.9814     0.0054 -0.0008  0.9997      -0.134103E-09    0.255356E-01
    2     0.40     0.000E+00 -0.0157  0.0183 -0.9879    -0.0315 -0.0311 -0.9908    -0.0314 -0.0160 -0.9929     0.0040  0.0010  0.9998      -0.134819E-09    0.257300E-01
    2     0.50     0.000E+00 -0.0402  0.0300 -0.9832    -0.0093  0.0269 -0.9781    -0.0326  0.0247 -0.9802     0.0044 -0.0010  0.9997      -0.131515E-09    0.440350E-01

我试图用fread读取数据，并使用grepl删除行；

files <-dir(pattern = "*sum.txt",full.names = FALSE)
library(data.table)

fread_files <- function(files){
sum_data_read <- fread(files,skip=2, sep="\t", ) #seperation is tab.
df_grep <- sum_vgm_read [!grepl("TRI",sum_vgm_read$V1),] # for removing the lines that contain "TRIAL" letter in V1 column. But so far there is no V1 column is recognized!!

df <- bind_rows(df_grep)  #binding rows after removing 
write.table(as.data.table(df),file = gsub("(.*)(\\..*)", "\\1_new\\2", files),row.names = FALSE,col.names = TRUE) 
}

最后是lapply

lapply(files, fread_files)

当我处理这个问题时，只有一行数据被创建为一个输出，这是正在发生的事情，但我不知道是什么。谢谢你提前提供帮助！

Answer 1

首先，我发现grepl函数不能正常工作，因为fread将数据作为这个问题中的一个列来表示。

但这个问题的公认答案表明，问题在1.9.6中得到了解决。你用的是哪个版本？这就是为什么我们要求您在前面列出版本号，以节省回答的时间。

这是一个很好的例子文件和问题是伟大的。

我不会尝试重新发明轮子，因为像这样的操作早就被实现为命令行工具，您可以直接与fread一起使用这些工具。它的优点是您不会在R内存中翻动，您可以将过滤留给命令工具，这样效率会高得多。例如，如果将所有行作为行加载到R中，则这些字符串将被缓存在R的全局字符串缓存中(至少暂时如此)。首先在R之外执行该过滤器将节省成本。

我下载了您的优秀文件，并测试了下面的工作原理。

> fread("grep -v TRIAL sum_data.txt")
         V1   V2 V3      V4      V5      V6      V7      V8      V9     V10     V11     V12    V13     V14    V15          V16       V17
     1:   2  0.1  0 -0.0047 -0.0168 -0.9938 -0.0087 -0.0105 -0.9709  0.0035  0.0079 -0.9754 0.0081  0.0023 0.9997 -1.35324e-10 0.0278754
     2:   2  0.2  0 -0.0121  0.0002 -0.9898 -0.0364 -0.0027 -0.9925 -0.0242 -0.0050 -0.9929 0.0029 -0.0023 0.9998 -1.33521e-10 0.0425567
     3:   2  0.3  0  0.0193 -0.0068 -0.9884  0.0040  0.0139 -0.9782 -0.0158  0.0150 -0.9814 0.0054 -0.0008 0.9997 -1.34103e-10 0.0255356
     4:   2  0.4  0 -0.0157  0.0183 -0.9879 -0.0315 -0.0311 -0.9908 -0.0314 -0.0160 -0.9929 0.0040  0.0010 0.9998 -1.34819e-10 0.0257300
     5:   2  0.5  0 -0.0402  0.0300 -0.9832 -0.0093  0.0269 -0.9781 -0.0326  0.0247 -0.9802 0.0044 -0.0010 0.9997 -1.31515e-10 0.0440350
    ---                                                      

124247: 250 49.5  0 -0.0040  0.0141  0.9802 -0.0152  0.0203 -0.9877 -0.0015  0.0123 -0.9901 0.0069  0.0003 0.9997 -1.30220e-10 0.0213215
124248: 250 49.6  0 -0.0006  0.0284  0.9819  0.0021  0.0248 -0.9920  0.0264  0.0408 -0.9919 0.0028 -0.0028 0.9997 -1.30295e-10 0.0284142
124249: 250 49.7  0  0.0378  0.0305  0.9779 -0.0261  0.0232 -0.9897 -0.0236  0.0137 -0.9928 0.0102 -0.0023 0.9997 -1.29890e-10 0.0410760
124250: 250 49.8  0  0.0569 -0.0203  0.9800 -0.0028 -0.0009 -0.9906 -0.0139 -0.0169 -0.9918 0.0039 -0.0017 0.9997 -1.31555e-10 0.0513482
124251: 250 49.9  0  0.0234 -0.0358  0.9840 -0.0340  0.0114 -0.9873 -0.0255  0.0134 -0.9888 0.0006  0.0009 0.9997 -1.30862e-10 0.0334976
>

-v使grep返回除了包含字符串试用的行之外的所有行。考虑到多年来使用命令工具grep的高质量工程师的数量，它很可能是尽可能快的，而且是正确的、方便的、记录在网上的、易于学习和为特定任务寻找解决方案的。如果您需要执行更复杂的字符串筛选器(例如，行首或行尾的字符串，等等)，那么grep语法非常强大。学习它的语法是一种可以转移到其他语言和环境的技能。

有关在fread中使用命令行工具的更多示例，您可以查看文章fread的方便特性。请注意，“在Windows上，我们建议使用西格温 (运行一个.exe来安装)，其中包括命令行工具，如grep”。

Answer 2

为了根据字符串条件读取文件和删除行，可以使用readLines函数并过滤结果。

我使用stringr包进行字符串操作。

library(stringr)
# Read your file by lines
DT <- readLines("sum_data") 
length(DT)
#> [1] 124501
# detect which lines contains trial
trial_lines <- str_detect(DT, "TRI")
head(trial_lines)
#> [1]  TRUE  TRUE FALSE FALSE FALSE FALSE
# Remove those lines 
DT <- DT[!trial_lines]
length(DT)
#> [1] 124251
# Rewrite your file by line
writeLines(DT, "new_file")

如果存在性能问题，可以尝试使用包read_lines readr，而不是基本readLines。