我有一个数据(大数据125000行,约20 MB),其中一些带有特定字符串的行需要删除,一些列需要在读取过程中选择。
首先,我发现grepl
函数不能正常工作,因为fread
将数据作为本问题中所示的一列。
示例数据可以在这里找到(通过遵循@akrun建议)和类似的数据头
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
我尝试使用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)
当我执行此操作时,只创建了一行数据作为输出,这是正在发生的事情,但我不知道是什么。感谢您的提前帮助!
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也指出的一列。
但这个问题的公认答案是,这个问题在v1.9.6中得到了解决。您正在使用哪个版本?这就是为什么我们要求您提前说明版本号,以节省回答时间。
这是一个很好的示例文件,问题也很好。
我不会试图重新发明轮子,因为像这样的操作长期以来都是作为命令行工具实现的,您可以直接将其与fread
一起使用。其优点是,您不会在R内存中乱转,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,则这些字符串将缓存在R的全局字符串缓存中(至少是临时缓存)。首先在R之外进行过滤将节省成本。
我下载了你的伟大文件,并测试了以下内容。
> 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
返回除包含字符串TRIAL的行之外的所有行。考虑到多年来研究过命令工具grep
的高素质工程师的数量,它很可能是你能得到的最快的,而且是正确的、方便的、在线记录良好的、易于学习和搜索特定任务的解决方案的。如果您需要执行更复杂的字符串过滤器(例如,行的开头或末尾的字符串等),那么grep
语法非常强大。学习其语法是一项可转移到其他语言和环境中的技能。
有关在fread
中使用命令行工具的更多示例,您可以查看fread的便利功能一文。请注意,"在Windows上,我们建议Cygwin(运行one.exe进行安装),其中包括grep
等命令行工具"。
为了读取文件并根据字符串条件删除行,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")
如果您有性能问题,您可以尝试使用包readr
中的read_lines
,而不是基础readLines