在R语言数据框中识别不规则行组数量及高效实现方案

现有如下R语言数据框df，需要确定其中的数据组数量：

df <- data.frame(
      stringsAsFactors = FALSE,
                    V1 = c("A","-","-","-","B","-","-","C","-","-","-","-","-"),
                    V2 = c("3","z","-","-","2","z","-","5","z","-","-","-","-")
    )

数据框预览：

V1 V2
1   A  3
2   -  z
3   -  -
4   -  -
5   B  2
6   -  z
7   -  -
8   C  5
9   -  z
10  -  -
11  -  -
12  -  -
13  -  -

规则说明：

• 组ID（如A、B、C）与对应组的行数（如3、2、5）在同一行出现
• 每个组中"z"的位置固定，"-"代表实际数据
• 直观可见此例有3组，但需处理百万级行数的大型数据框，要求方案避免内存问题和耗时过长，询问最优实现方式（如for循环、while语句等）

直接用向量化统计，完全避免循环

在R中，向量化操作由底层C语言实现，效率远高于R层面的显式循环，且内存占用极低，完美适配百万级数据量的场景。

核心逻辑：每个组的起始行特征是V1列的值不为"-"，因此组的数量就是V1列中不等于"-"的元素个数。

实现代码：

group_count <- sum(df$V1 != "-")

方案优势 #

• 速度极快：百万级数据的计算仅需几毫秒，是循环类方法的数十倍甚至上百倍效率
• 内存友好：无需额外创建大对象，仅对原向量做一次比较和求和，内存开销可忽略
• 代码简洁：一行代码完成需求，可读性与维护性拉满

若需更严谨地过滤合法组ID（比如限定为单个大写字母），可补充正则判断：

group_count <- sum(grepl("^[A-Z]$", df$V1))

内容的提问来源于stack exchange，提问作者noriega