r 数据表 : Subsetting and assignment by reference in a for loop

Question

看起来很简单，但是......好吧......

给定一个命名的正则表达式向量和一个数据表如下:

library(data.table)
regexes <- c(a="^A$") 
dt <- fread("
a,A,1
a,B,1
b,A,1
")

输入数据表为

dt
#    V1 V2 V3
# 1:  a  A  1
# 2:  a  B  1
# 3:  b  A  1

我对 regexes 中第一个元素的目标是:

如果 V1=="a" 设置 V3:=2。 EXCEPT 当 V2 匹配相应的正则表达式 ^A$ 时，则 V3:=3。

(a 是 names(regexes)[1]，^A$ 是 regexes[1] , 2 和 3 只是为了演示目的。我还得到了更多的名称和正则表达式来循环，数据集大约有 300.000 行。)

所以预期的输出是

#    V1 V2 V3
# 1:  a  A  3 (*)
# 2:  a  B  2 (**)
# 3:  b  A  1

(*) 3 因为 V1 是 a 而 V2 (A ) 匹配正则表达式，
(**) 2 因为 V1 是 a 而 V2 (B) 是不匹配 ^A$。

我尝试循环遍历正则表达式并像这样通过管道传递子集:

for (x in seq(regexes)) 
  dt[V1==names(regexes)[x], V3:=2][grepl(regexes[x], V2), V3:=3]

但是……

dt
#    V1 V2 V3
# 1:  a  A  3 
# 2:  a  B  2
# 3:  b  A  3 <- wrong, should remain 2

...它没有按预期工作，grepl 使用完整的 V2 列，而不仅仅是 V1=="a"子集。我还尝试了一些其他的方法，这些方法有效，但花费的时间太长(即不是使用 data.table 的方法)。

问题:去这里的最佳数据表方式是什么？我正在使用 packageVersion("data.table") ‘1.9.7’。

---

请注意，我可以走数据框路线，例如像这样

df <- as.data.frame(dt)
for (x in seq(regexes)) {
  idx <- df$V1==names(regexes)[x]
  df$V3[idx] <- 2
  df$V3[idx][grepl(regexes[x], df$V2[idx])] <- 3 # or ifelse()
}  

但是 - 当然 - 如果可能的话，我不想将 data.table 转换为 data.frame 然后再转换回 data.table。

提前致谢!

Answer 1

... it does not work as expected, grepl uses the complete V2 column, not just the V1=="a" subset.

我会使用 stringi，它允许对正则表达式测试进行简单的矢量化:

library(stringi)
dt[V1 %in% names(regexes), 
  V3 := V3 + 1L + stri_detect(V2, regex = regexes[V1])
]

   V1 V2 V3
1:  a  A  3
2:  a  B  2
3:  b  A  1

stri_detect 系列函数类似于来自 base 的 grepl。