R语言基于列表字符串部分匹配筛选data.frame指定列的问题

最优实现方法 #

直接通过正则拼接实现向量化匹配，无需循环，执行效率高，天然保留原列名，适合大数据量场景：

# 构造正则匹配模式：匹配所有以目标字符串开头的列名
# 如果不需要限制前缀匹配，可去掉^和括号，直接用paste(interesting.list, collapse = "|")
pattern <- paste0("^(", paste(interesting.list, collapse = "|"), ")")
# 一次筛选得到目标数据框
ss.file <- myfile[, grepl(pattern, colnames(myfile))]

代码说明 #

• 用paste把目标列表拼接为P3170|C453格式的正则表达式，^锚定列名开头，避免匹配到列名中间包含目标字符串的无效列
• grepl会返回和列名等长的布尔向量，直接索引DataFrame即可保留所有符合条件的列，原列名完全继承
• 向量化操作性能远高于循环，3万行级别的数据可以毫秒级完成筛选

原代码问题原因 #

原有代码的问题是循环中把每次匹配到的列存入列表，没有合并为统一的DataFrame，因此无法保留结构化的列名。如果要修正原有循环写法，可以在循环结束后加一步合并操作，但仍然不推荐循环方案，性能低于向量化匹配：

# 原有逻辑的修正版（不推荐，仅做问题说明）
ss.file <- list()
for (i in seq_along(interesting.list)){
    ss.file[[i]] <- myfile[,colnames(myfile) %like% interesting.list[[i]]]
}
# 合并列表为DataFrame，恢复列名
ss.file <- do.call(cbind, ss.file)

如果你使用data.table包的%like%语法，也可以直接替换grepl部分：

library(data.table)
pattern <- paste0("^(", paste(interesting.list, collapse = "|"), ")")
ss.file <- myfile[, colnames(myfile) %like% pattern]

内容的提问来源于stack exchange，提问作者biobudhan