R语言if条件%in%操作中grep匹配及循环执行效率优化问题

核心性能瓶颈分析 #

原代码慢主要来自两个可避免的低效操作：

• 每次执行if判断时都重复运行grep匹配列名，42个目标列的匹配逻辑完全不需要在循环中反复执行
• 逐行循环判断属于R中极低效的操作，没有利用语言原生的向量化计算特性

具体优化方案 #

1. 预计算目标列索引 #

在外层for循环执行前，提前匹配出所有treatmentmedication_code_#格式的列索引，全程仅计算一次：

# 该代码放在外层for循环之外，不要放到循环内部
med_cols <- grep(pattern = "^treatmentmedication_code_\\d+$", x = colnames(controlsTreatmentDF))

2. 替换内层逐行循环为向量化操作 #

用rowSums批量判断每一行是否存在目标treatment值，直接生成0/1向量，完全替换内层n的for循环，优化后的核心代码段如下：

for(i in 1:nTreatments) {
  # ...保留原有其他代码...
  controlsDrugStatusDF <- controlsTreatmentDF
  # 单行代码替代整个内层for循环，逻辑和原代码完全一致
  controlsDrugStatusDF$Drug <- as.integer(rowSums(controlsTreatmentDF[, med_cols] == treatment, na.rm = TRUE) > 0)
}

如果数据集中没有NA值，可以去掉na.rm = TRUE参数进一步提升运行速度。

可选进阶优化（适配多轮查询场景） #

如果外层循环的多个treatment查询都是基于同一个controlsTreatmentDF数据集，可以提前将目标列转为矩阵，速度还能再提升3-10倍：

# 提前转矩阵，放在外层循环外
med_mat <- as.matrix(controlsTreatmentDF[, med_cols])
for(i in 1:nTreatments) {
  # ...保留原有其他代码...
  controlsDrugStatusDF <- controlsTreatmentDF
  controlsDrugStatusDF$Drug <- as.integer(rowSums(med_mat == treatment) > 0)
}

内容的提问来源于stack exchange，提问作者Anthony Nash