与 grepl 一起 fread

Posted 2023-02-18

【中文标题】与 grepl 一起 fread

【英文标题】：fread together with grepl

【发布时间】：2016-07-15 09:06:48

【问题描述】：

我有一个数据（大数据 125000 行，~20 MB），其中需要删除某些具有特定字符串的行，并且需要在读取过程中选择一些列。

首先，我发现grepl 函数无法正常工作，因为fread 将数据作为一列也显示在此question 中。

示例数据可以在here（遵循@akrun 建议）和这样的数据标题中找到

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，只会创建一行数据作为输出，这是正在发生的事情，但我不知道是什么。 提前感谢您的帮助！

【问题讨论】：

您是否只想读取文件、删除行和重写文件？或者你想要一个数据表或数据框来进行操作？

@Titolondon 感谢您的提问。我想写一个新文件而不是重写它们，并希望 data.frame 具有列名和更快的读取处理，因为我有很多文件。

您尝试过我的回答吗？它似乎做你想做的事： 1. 读取文件 2. 删除行 3. 在没有“试用”行的情况下写入一个新文件缺少什么？而且，顺便说一句，我在您的示例数据中看不到 colnames。你想要的colnames是什么？

【参考方案1】：

首先，我发现 grepl 函数不能正常工作，因为 fread 使数据成为一列，也在this question 中表示。

但该问题已接受的答案表明该问题已在 v1.9.6 中得到修复。您使用的是哪个版本？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。

我不会尝试重新发明***，因为这些操作早已实现为命令行工具，您可以直接与fread 一起使用。优点是您不会翻阅 R 内存，您可以将过滤留给命令工具，这样效率会更高。例如，如果您将所有行作为行加载到 R 中，这些字符串将被缓存在 R 的全局字符串缓存中（至少是暂时的）。首先在 R 之外进行过滤将节省成本。

我下载了您的好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 返回包含字符串 TRIAL 的所有行除了行。考虑到多年来查看命令工具grep 的高质量工程师的数量，它很可能是你能得到的最快的，以及正确、方便、在线记录良好、易于学习的并为特定任务寻找解决方案。如果您需要做更复杂的字符串过滤器（例如，行首或行尾的字符串等），那么grep 语法非常强大。学习其语法是一种可转移到其他语言和环境的技能。

更多关于fread中使用命令行工具的例子，你可以查看文章Convenience features of fread。请注意“在 Windows 上，我们建议使用 Cygwin（运行一个 .exe 来安装），其中包括 grep 等命令行工具”。

【讨论】：

您的解决方案很优雅，感谢您对我的问题的赞赏。但是，当我尝试测试fread("grep -v TRIAL sum_data.txt") 时，它说'grep' 不被识别为内部或外部命令、可运行程序或批处理文件。另外：警告信息：1：运行命令'C:\Windows\system32\cmd.exe /c (grep -v TRIAL sum_data.txt)

@Alexander 在 Windows 上，安装 Cygwin 应该可以解决问题。

@Alexander 您可以使用fread 的select= 参数按名称或编号选择列。所有灵活参数见?fread；例如fread("grep -v TRIAL sum_data.txt", select=c(1,7,10)).

感谢您的及时回复。到目前为止，我无法安装Cygwin。但希望能尽快解决。感谢您的回答和时间！

还有一件事，如果我有一个清单说 20 个文件。当我将sum_data.txt 替换为files 时，正如我在问题中所写的那样，我收到了一个错误：grep: sumavgm: No such file or directory 但只有单个文件的代码才能完美运行。

【参考方案2】：

为了根据字符串条件读取文件并删除行，您可以使用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")

如果你有性能问题，你可以试试 read_lines from package readr 而不是 base readLines

【讨论】：

我试过你的脚本，它正在工作！但是，删除TRIAL 行后如何选择某些特定列。让我们说V1、V7和V10写行的时候？