在dplyr中使用strsplit和subset以及mutate

Question

我有一个只有一个字符串列的数据表。我想使用strsplit创建另一列，该列是此列的子集。

dat <- data.table(labels=c('a_1','b_2','c_3','d_4'))

我想要的输出是

label  sub_label
a_1    a
b_2    b
c_3    c
d_4    d 

我已经尝试了下面的方法，但似乎都没有起作用。

dat %>%
    mutate(
        sub_labels=strsplit(as.character(labels), "_")[[1]][1]
    ) 
# gives a column whose values are all "a"

这个对我来说似乎是合理的。

dat %>%
    mutate(
        sub_labels=sapply(strsplit(as.character(labels), "_"), function(x) x[[1]][1])
    )

出现错误

错误：不知道如何处理类型pairlist

我看到另一篇帖子，在该帖子中，从strsplit的输出中复制并粘贴合并可以正常工作，因此我不明白为什么在匿名函数中进行子集设置会出现问题。感谢任何有关此事的阐述。

- chungkim271

---

使用正则表达式或substr更简单，因为它们返回字符串而不是列表：dat %>% mutate(sub_label = sub('_.*', '', labels)) 另一个选择是使用tidyr::separate和extra='drop'以及remove=FALSE：dat %>% separate(labels, 'sub_label', extra='drop', remove=FALSE)。 - alistaire

奇怪，我刚运行了你的最后一段代码“dat %>% mutate(sub_labels=sapply(strsplit(as.character(labels), "_"), function(x) x[[1]][1]))”，它正常工作，没有出现错误。 - Djork

如果你有一个 data.table，只需执行 dat[, c("first","second") := tstrsplit(labels,"_")]。 - thelatemail

感谢@thelatemail。令人费解的是，即使将输出分配给对象（例如，我将其分配给x，并且必须打印两次x才能看到表格），第一次运行时输出也不会被打印出来，但它非常好用且简洁。 - chungkim271

Answer 1

tidyr::separate可以帮助处理这里的问题：

> dat %>% separate(labels, c("first", "second") )
   first second
1:     a      1
2:     b      2
3:     c      3
4:     d      4    

- Romain Francois

---

虽然这样做不会保留原始列，但我认为问题就在这里。 - thelatemail

我认为你可以指定 remove = FALSE 来处理这个问题。 - David Arenburg

太棒了！我不知道这个函数的存在。我正在尝试解决与 OP 相似的问题，这正是我所需要的。谢谢！ - Andrew Brēza

Answer 2

另一种方法使用purrr的map_chr，我发现它在我不想麻烦地分离和联合（例如将结果与其他字符串一起使用sprintf）时非常有用：

tibble(labels=c('a_1','b_2','c_3','d_4')) %>% 
  mutate(sub_label = stringr::str_split(labels, "_") %>% map_chr(., 1))

根据我的经验，这种方法比 separate 要快得多，特别是当您有更长的数据集时。 当我使用100个字符串时， separate 几乎可以击败map，但在我使用1000个字符串的大多数情况下落后了（不确定那个最大值是什么）。

    > microbenchmark::microbenchmark(
+   d.filtered_reads %>% head(1000) %>% 
+     mutate(name = stringr::str_split(Header, " ") %>% map_chr(., 1)) %>% 
+     select(-Header),
+   d.filtered_reads %>% head(1000) %>% 
+     separate(Header, into = c("name","index"), sep = " ") %>% 
+     select(-"index")
+ )
Unit: milliseconds
                                                                                                                          expr
 d.filtered_reads %>% head(1000) %>% mutate(name = stringr::str_split(Header,      " ") %>% map_chr(., 1)) %>% select(-Header)
          d.filtered_reads %>% head(1000) %>% separate(Header, into = c("name",      "index"), sep = " ") %>% select(-"index")
      min       lq     mean   median       uq       max neval
 5.333891 5.817589 6.292954 5.935706 6.059031 41.530089   100
 7.517316 8.031325 8.399471 8.500359 8.647468  9.855612   100

- GenesRus

---

值得一提的是，strsplit 已被 stringr 中的 str_split 取代（https://github.com/tidyverse/stringr）。此外，以下代码也可以作为替代方案：`dat %>% mutate(sub_label = sapply(str_split(labels, "_"), function(x) x[1]))`。 - Sebastian Müller

谢谢！我已经添加了stringr::以澄清。通常我只显示我正在加载tidyverse，但我在这里忘记了这样做，所以这是一个重要的澄清。 - GenesRus

Answer 3

我并没有想出这个方法，只是在寻找解决方案时偶然发现了这个github问题，认为它比很多答案更简单，特别是避免了额外的map_chr()或tmp_chunks。

# I used data.frame since I don't have data table installed
library(dplyr)
library(stringr)
dat <- data.frame(labels=c('a_1','b_2','c_3','d_4'))
dat %>% mutate(sub_label = str_split(labels, "_", simplify = T)[, 1])
  labels sub_label
1    a_1         a
2    b_2         b
3    c_3         c
4    d_4         d

- Hendy

---

map_chr在我提到的例子中更常用，特别是当你需要将它与其他函数一起使用，并且最终需要purrr的映射功能来使所有向量协调地运行时。:) 毫无疑问，这是最简单的解决方案，如果目标只是提取字符，那么可能也是最快的方法。 - GenesRus

Answer 4

如果我们想一次性提取多列（当然不需要再次运行拆分），我们可以将GenesRus的方法与临时列结合起来，然后在管道中使用负的select()删除它：

library(purrr)
library(dplyr)
library(tibble)
library(stringr)

tibble(labels=c('a_1','b_2','c_3','d_4')) %>% 
  mutate(tmp_chunks = stringr::str_split(labels, stringr::fixed("_"),  n = 2)) %>%
  mutate(sub_label = map_chr(tmp_chunks, 1),
         sub_value = map_chr(tmp_chunks, 2)) %>%
  select(-tmp_chunks)

截至2020年，性能比separate()好得多。

为了完整起见，值得一提的是

• map_chr可以使用.default参数（以防某些行中缺少分隔符），
• 如果需要，也可以通过负数的select()来去除labels

- DomQ

---

fixed()函数从哪里来？我找不到这个函数。 - GenesRus

@GenesRus很棒。这是来自stringr的。更新代码片段。 - DomQ