如何在R语言中高效从PATH字符串选取满足<=INDX条件的最大数字

现有如下R数据集：

PATH = c("5-8-10-8-17-20",
         "56-85-89-89-0-15-88-10",
         "58-85-89-65-49-51")
INDX = c(18, 89, 50)

df <- data.frame(PATH, INDX)

对应表格：

需求：从PATH列的连字符分隔数字字符串中，选取满足数字 ≤ INDX条件的最大数字，最终输出需包含新增的PICK列，结果如下：

常规strsplit拆分后筛选的方法在大规模数据集上效率不足，需更高效的实现方式。

方案1：stringi + vapply（轻量高效，适合多数场景） #

stringi包的stri_split_fixed是C级别的字符串拆分实现，速度远快于基础包strsplit；搭配vapply的类型稳定特性，能大幅降低处理开销：

library(stringi)

# 定义单条数据的处理逻辑
get_max_valid <- function(path_str, threshold) {
  # 拆分字符串并转为整数型
  num_vec <- as.integer(stri_split_fixed(path_str, "-", simplify = TRUE))
  # 筛选符合条件的数字并取最大值
  max(num_vec[num_vec <= threshold], na.rm = TRUE)
}

# 矢量化应用到整个数据框
df$PICK <- vapply(seq_len(nrow(df)), 
                  function(i) get_max_valid(df$PATH[i], df$INDX[i]),
                  FUN.VALUE = integer(1))

# 查看结果
df

方案2：data.table + 矢量化操作（超大规模数据首选） #

data.table采用内存复用和延迟计算机制，在处理百万级以上数据时，内存效率和运算速度远优于基础数据框：

library(data.table)
library(stringi)

# 转为data.table对象
dt <- data.table(PATH, INDX)

# 拆分PATH为整数列表列
dt[, num_list := lapply(stri_split_fixed(PATH, "-"), as.integer)]
# 逐行计算符合条件的最大值
dt[, PICK := sapply(num_list, function(x) max(x[x <= INDX], na.rm = TRUE)), by = .I]
# 移除临时列表列（可选）
dt[, num_list := NULL]

# 查看结果
dt

性能优化要点 #

• 替换strsplit：stri_split_fixed的拆分速度是strsplit的2-5倍；
• 优先用vapply/sapply：预先指定返回类型，减少R内部类型检查的额外开销；
• 大数据选data.table：避免基础数据框的内存复制问题，大幅降低资源占用。

内容的提问来源于stack exchange，提问作者R_Student