拆分大型数据集中的串联数据。寻求计算时间的改进

Question

我正在处理一个大型数据框，其中包含一个串联向量，该向量中包含几条信息。我需要提取这些值进行分析，这可以使用 substr() 函数来完成，但观察结果的长度不同，这使得这不理想。虽然我有一些工作代码，但数据集的大小意味着需要相当长的时间来处理，并且想知道是否有更好的方法。

例如，“97110770”的 8 位数据点包含以下信息

• 时间：97 人：11077 地点：0

但有些值是 9 位数字，例如“114123411”，其中：

• 时间：114，人数：12341，地点：1

为了解决这个问题，我想在较小的变量前面添加一个“0”，这样它们的长度就相同（时间值后面的数字一致，所以它可以正常工作）并想出了以下代码：

（数据框：data，感兴趣的向量speakerid：）

congv <- vector(mode = "numeric")
memberidv <- vector(mode = "numeric")
chamberv <- vector(mode = "numeric")

for (i in 1:length(data$speakerid)) {
  if(nchar(data$speakerid[i]) == 8) {
    data$speakerid[i] = paste0("0", data$speakerid[i])
  }
  
  congv <- append(congv, substr(data$speakerid[i], 1, 3) )
  memberidv <- append(memberidv, substr(data$speakerid[i], 4, 8))
  chamberv <- append(chamberv, substr(data$speakerid[i], 9, 9))
}

data <- cbind(data, cong = congv, memberid = memberidv, chamber = chamberv)
data <- select(data, "memberid", "count", "chamber", "cong")

rm(list = c("congv", "memberidv", "chamberv"))

这是可行的，但由于数据的大小（超过 100k 个观察值），它花费的时间比我想要的要长得多（因为我稍后可能需要包含更多数据），我想知道是否有更有效的方法来执行此操作（也许不使用 for-if 循环？）

如果没有，我对 R 还很陌生，希望您能提供有关我的代码的任何其他提示，谢谢！

Example dataframe:

speakerid = c(97110770, 114123411, 93123770, 112123410, 93123770)
count = c(12, 3, 4, 0, 4)
data = data.frame(speakerid, count)

Answer 1

这是一个根本不使用任何字符串的替代方案

library(data.table)
setDT(data)[, {congv=speakerid %/% 1e6; .(memberid=(speakerid-congv*1e6)%/%10, count, chamberv=speakerid %% 10, congv)}]

输出

   memberid count chamberv congv
      <num> <num>    <num> <num>
1:    11077    12        0    97
2:    12341     3        1   114
3:    12377     4        0    93
4:    12341     0        0   112
5:    12377     4        0    93