如何从数据文件中提取特定行

Question

假设我有足够大的数据格式，大约有一百万行。

我想在一个数据文件中删除BSM和ENDBSM之间的行，如何有效地做到这一点呢？

我想首先用1标记行，我需要使用下面的循环提取行，但这需要花费很长时间。

chkSTR = 0
for(i in 1:nrow(rDATA)){

  if(rDATA$Data[i] == "BSM"){
    chkSTR = 1
  }

  if(rDATA$Data[i] == "ENDBSM"){
    chkSTR = 0
  }

  rDATA$BOOL[i] = chkSTR

}

输入数据帧示例

rData = data.frame(

Data = 

c(1,"BSM","a",3,3,"ENDBSM",1,3,1,"BSM","b",3,3,"ENDBSM",1,2,1,"BSM","c",2,3,"ENDBSM",1,2)

)


Output example

rData = data.frame(

Data = 

c("BSM","a",3,3,"ENDBSM","BSM","b",3,3,"ENDBSM","BSM","c",2,3,"ENDBSM")

)

Answer 1

您可以使用Reduce在BSM和ENDBSM之间创建触发器。不需要BSM和ENDBSM的数量相同，也不需要BSM优先。当BSM出现时，它会简单地打开，当ENDBSM出现时，它会反过来。

idx <- Reduce(function(y,x) {(y || x=="BSM") && x!= "ENDBSM"}, x=rData$Data, init=FALSE, accumulate=TRUE)
rData[idx[-1] | idx[-length(idx)], , drop = FALSE]
#     Data
#2     BSM
#3       a
#4       3
#5       3
#6  ENDBSM
#10    BSM
#11      b
#12      3
#13      3
#14 ENDBSM
#18    BSM
#19      c
#20      2
#21      3
#22 ENDBSM

如果您想摆脱周围的BSM和ENDBSM，可以使用以下方法完成：

rData[idx[-1] & idx[-length(idx)], , drop = FALSE]
#   Data
#3     a
#4     3
#5     3
#11    b
#12    3
#13    3
#19    c
#20    2
#21    3

Answer 2

正如注释中提到的，"BSM" of "ENDBSM"的数量是相同的，"BSM"总是第一位的，我们可以使用mapply并在索引之间创建一个子集序列。

rData[c(mapply(`:`, which(rData$Data == "BSM"), 
                    which(rData$Data == "ENDBSM"))), , drop = FALSE]
#    Data
#2     BSM
#3       a
#4       3
#5       3
#6  ENDBSM
#10    BSM
#11      b
#12      3
#13      3
#14 ENDBSM
#18    BSM
#19      c
#20      2
#21      3
#22 ENDBSM

Answer 3

我们可以使用来自map2的purrr

library(purrr)
map2(which(rData$Data == "BSM"), which(rData$Data == "ENDBSM"), `:`) %>%
     flatten_int %>%
     extract2(rData, ., )