大きなデータの列の部分文字列の最初の一致を見つけます。

Question

大きなデータテーブルがあります。103a_fooが存在するかどうかを確認したいのですが。しかし、大きなテーブルのファイル名は別々に書かれているので、正規表現を使用する必要があります。

dt = structure(list(myID = c("86577", "34005","34005", 
"194000", "30252", "71067"), 
filename = c("/scratch/tmpdir/12a_foo.mzXML.gz", 
"/scratch/tmpdir/103b_foo.XML.gz", "/scratch/tmpdir/103a_foo.XML.gz", 
"/scratch/tmpdir/103a_foo.XML.gz", 
"/scratch/tmpdir/100b_foo.XML.gz", "/scratch/tmpdir/108a_foo.XML.gz")), 
class = c("data.table", "data.frame"), 
row.names = c(NA, -5L), 
.Names = c("myID", "filename")) 

出力として、インデックスが3になります。これは初めて発生するためです。私はgrep('103a_foo', dt$filename)[1]を使用していましたが、テーブルが大きい（1,000万行）ので、最初の発生時に検索を停止します。

Answer 1

fixed = TRUEに設定すると、それほど時間がかかりません。本当にあなたのニーズには遅すぎますか？私の知る限り

x <- sample(dt$filename, 1e7, TRUE) 
library(microbenchmark) 
microbenchmark(grep('103a_foo', x), 
       grep('103a_foo',dt$filename, fixed = TRUE), 
       times = 5) 

#Unit: milliseconds 
#        expr  min  lq  mean #median  uq  max neval cld 
#    grep("103a_foo", x) 2124.8178 2125.707 2128.7849 2127.542 2128.2054 2137.6532  5 b 
# grep("103a_foo", x, fixed = TRUE) 826.2298 826.597 832.7058 829.969 840.1974 840.5359  5 

、あなたは多くの場合、これを必要とする場合は、Rcppを使用することができ、純粋なRを使用してベクトル化ループの外に壊しgrepを実装するいかなる効率的な方法はありません。

Answer 2

@Rolandはgrepで指摘したように、最初の試合では停止できません。しかし、あなたが頻繁に記述した操作を行う必要がある場合は、あなたが見ようとしているすべての "ベース名"を一度抽出してからmatch（最初のオカレンスで実際に破損する）を使用すると役に立ちます。次のようなものがあります：

#this line might not work depending on the actual format of your real data 
basenames<-gsub("^.*/|\\..*$","",dt$filename) 
#then we use match 
match("103a_foo",basenames) 
#[1] 3