R data.table fread select与部分字符串匹配？

Question

我想使用fread 仅提取名称与条件匹配的列。 （在这种情况下，我想提取所有包含标签 email 的列。）假设您在工作目录中名为 tempdata.txt 的文件中有这些数据：

col1,col2,col3,email1,email2,col4,url1,url2,col5
1,2,3,4,5,6,7,8,9
9,8,7,6,5,4,3,2,1
x,x,x,me@me.com,you@you.com,y,y,y,y
a,a,a,a,a,a,http://google.com,http://stackoverflow.com,a

如果您知道名称，可以使用fread 加载列的子集：

test <- data.table::fread("tempdata.txt", select=c("email1","email2"))

> test
      email1      email2
1:         4           5
2:         6           5
3: me@me.com you@you.com
4:         a           a

是否也可以使用字符串匹配进行选择？我试图模仿这种行为，但在 fread 命令中：

> all <- data.table::fread("tempdata.txt")
> all %>% select(contains("email"))
      email1      email2
1:         4           5
2:         6           5
3: me@me.com you@you.com
4:         a           a

感谢您的任何见解。

Answer 1

当您的数据非常干净时，另一种方法是使用readLines：

colnames = strsplit(readLines('test.csv', 1L), ',', fixed=TRUE)[[1L]]

这会更快，因为 fread 确实会带来一些开销：

microbenchmark::microbenchmark(
  times = 1e5,
  fread = fread("test.csv", nrows=0L),
  fread_optim = fread('test.csv', nrows=0L, sep=',', header=TRUE),
  read_csv = read.csv('test.csv', nrows=1L),
  strsplit = strsplit(readLines('test.csv', n=1L), ',', fixed=TRUE)[[1L]],
  scan = scan('test.csv', character(), nlines=1L, sep=',', quiet=TRUE)
)
# Unit: microseconds
#         expr     min      lq      mean   median       uq         max neval
#        fread 224.128 252.349 303.55132 270.4815 305.0580   62815.127 1e+05
#  fread_optim 224.410 253.128 378.10699 271.3815 306.3630 7451270.616 1e+05
#     read_csv 256.298 295.847 348.54183 316.1290 356.0520   46047.083 1e+05
#     strsplit  36.026  47.563  60.13347  55.3050  61.7490    6344.610 1e+05
#         scan  42.121  56.584  69.75281  63.5750  71.4535    6497.283 1e+05

当然请注意，所有事物的规模都是微秒，因此对于简单的用例来说并不重要。

我说“当您的数据非常干净时”，因为fread 也可以（应该）在您的数据有点脏的情况下工作，或者如果您事先不知道sep 等等。

Answer 2

我不知道fread 没有有这种能力（虽然我在文档中没有看到）。但是，一种相对便宜的方法是读取第一行或两行，获取列名，grep 他们，然后从那里继续。

library(data.table)
fwrite(data.table(a=1:2, email1=c('a','b'), snailmail=c('c','d'), email2=c('e','f')), "test.csv")
fread("test.csv", nrows=1)
#    a email1 snailmail email2
# 1: 1      a         c      e
cols <- colnames(fread("test.csv", nrows=0))
cols
# [1] "a"         "email1"    "snailmail" "email2"   
fread("test.csv", select = grep("^email", cols, value = TRUE))
#    email1 email2
# 1:      a      e
# 2:      b      f