logo标签列表

在R中将字符串拆分成多行

stringrreshape
4
这在SQL中已被问及过，但是我找不到在R中简单的方法来实现它。
我有一个像这样的数据集。
                                                             Ids    v1  v2  v3  v4  v5
548|14721,678|17604,716|18316,732|18505,745|18626,752|18716 9186    639 9045    316 28396
548|14721,678|17603,716|18316,732|18507,745|18626,752|18716 9041    598 8897    283 28054
548|14722,678|17603,716|18316,732|18507,745|18626,752|18716 8799    588 8669    246 27433
548|14721,678|17603,716|18316,732|18505,745|18626,752|18715 8914    614 8765    273 27347
716|18316,745|18626                                         4113    497 4050    270 27267
548|14722,678|17604,716|18316,732|18507,745|18626,752|18716 8829    589 8713    254 25270

我希望根据逗号分割第一列并为每个条目创建一行，重复其余行中的条目。
我编写的函数是：
split.data <- function(data, split = ",") {
  y <- NULL
  for( i in 1:nrow(data)){
    y <- rbind(y,cbind(data.frame(unlist(strsplit(as.character(data[i,1]), split = split))),data[i,-1]))
  }
  names(y) <- names(data)
  y <- sapply(y,as.character)
  return(as.data.frame(y))
}

这个方法可以运行，但速度极慢。有没有一种向量化的方法可以让它更快？我有一个包含5000多行类似数据的文件，运行时间很长。
关于SQL的相关文章： 将值分割成多行 将逗号分隔的字符串转换为单独的行
1个回答
12

更新的答案（2013年10月21日）

如果您使用我的“splitstackshape”软件包中的concat.split.multiple函数，这些步骤可以合并。该函数自动使用count.fields，因此不应受到评论中提到的问题的影响：

library(splitstackshape)
out <- concat.split.multiple(mydf, "Ids", seps=",", "long")
head(out)
#     v1  v2   v3  v4    v5 time       Ids
# 1 9186 639 9045 316 28396    1 548|14721
# 2 9041 598 8897 283 28054    1 548|14721
# 3 8799 588 8669 246 27433    1 548|14722
# 4 8914 614 8765 273 27347    1 548|14721
# 5 4113 497 4050 270 27267    1 716|18316
# 6 8829 589 8713 254 25270    1 548|14722
tail(out)
#      v1  v2   v3  v4    v5 time       Ids
# 31 9186 639 9045 316 28396    6 752|18716
# 32 9041 598 8897 283 28054    6 752|18716
# 33 8799 588 8669 246 27433    6 752|18716
# 34 8914 614 8765 273 27347    6 752|18715
# 35 4113 497 4050 270 27267    6      <NA>
# 36 8829 589 8713 254 25270    6 752|18716

原始答案（2013年2月27日）

您需要将“Ids”字符串分割并“重塑”数据（如果我正确理解了您的目标）。

与其按照您的方式进行分割，不如利用read.csv和参数fill = TRUE。请注意，如果您“Ids”列中的值当前为因子，则需要使用text = as.character(mydf$Ids)。

以下是我的操作步骤：

mydf2 <- cbind(read.csv(text = mydf$Ids, fill = TRUE, header = FALSE), mydf[-1])
mydf2
#          V1        V2        V3        V4        V5        V6   v1  v2   v3  v4    v5
# 1 548|14721 678|17604 716|18316 732|18505 745|18626 752|18716 9186 639 9045 316 28396
# 2 548|14721 678|17603 716|18316 732|18507 745|18626 752|18716 9041 598 8897 283 28054
# 3 548|14722 678|17603 716|18316 732|18507 745|18626 752|18716 8799 588 8669 246 27433
# 4 548|14721 678|17603 716|18316 732|18505 745|18626 752|18715 8914 614 8765 273 27347
# 5 716|18316 745|18626                                         4113 497 4050 270 27267
# 6 548|14722 678|17604 716|18316 732|18507 745|18626 752|18716 8829 589 8713 254 25270

那些数据目前是“宽”格式，让我们把它变成“长”格式。函数reshape需要一些关于如何进行的信息。特别是，它需要知道：
  • 哪些列是“id”变量的指示符。与你的数据集中的名称相反，这些不是原始“Ids”变量的值，而是存在的其他变量。在“mydf2”数据集中，它们是7到11位置上的“v1” - “v5”（小写“v”）。显然，对于您的实际数据，您需要指定要作为idvar处理的实际列。
  • 哪些列是“变化”的并且需要在“长”格式中“堆叠”。在这种情况下，这是当我们使用read.csv时创建的新变量，并通过手动检查它们的索引，我们可以看到它们位于1到6的位置。显然，您需要指定来自实际数据集的列号。
对于您提供的示例数据集，我们将使用以下方式reshape:
mydf3 <- reshape(mydf2, direction = "long", idvar=7:ncol(mydf2), 
                 varying=1:6, sep = "")
rownames(mydf3) <- NULL

以下是生成的数据框的head和tail部分：
> head(mydf3)
    v1  v2   v3  v4    v5 time         V
1 9186 639 9045 316 28396    1 548|14721
2 9041 598 8897 283 28054    1 548|14721
3 8799 588 8669 246 27433    1 548|14722
4 8914 614 8765 273 27347    1 548|14721
5 4113 497 4050 270 27267    1 716|18316
6 8829 589 8713 254 25270    1 548|14722
> tail(mydf3)
     v1  v2   v3  v4    v5 time         V
31 9186 639 9045 316 28396    6 752|18716
32 9041 598 8897 283 28054    6 752|18716
33 8799 588 8669 246 27433    6 752|18716
34 8914 614 8765 273 27347    6 752|18715
35 4113 497 4050 270 27267    6          
36 8829 589 8713 254 25270    6 752|18716
假设我们有一个名为“mydf”的对象，其内容如下：
mydf <- structure(list(Ids = c("548|14721,678|17604,716|18316,732|18505,745|18626,752|18716", 
  "548|14721,678|17603,716|18316,732|18507,745|18626,752|18716", 
  "548|14722,678|17603,716|18316,732|18507,745|18626,752|18716", 
  "548|14721,678|17603,716|18316,732|18505,745|18626,752|18715", 
  "716|18316,745|18626", "548|14722,678|17604,716|18316,732|18507,745|18626,752|18716"
  ), v1 = c(9186L, 9041L, 8799L, 8914L, 4113L, 8829L), v2 = c(639L, 
  598L, 588L, 614L, 497L, 589L), v3 = c(9045L, 8897L, 8669L, 8765L, 
  4050L, 8713L), v4 = c(316L, 283L, 246L, 273L, 270L, 254L), v5 = c(28396L, 
  28054L, 27433L, 27347L, 27267L, 25270L)), .Names = c("Ids", "v1", 
  "v2", "v3", "v4", "v5"), class = "data.frame", row.names = c(NA, 
  -6L))
+1！好的使用fill=TRUE来解决问题的方法。 - agstudy
太好了！你的解决方案有效。我需要进行一些更改，因为不能确定拆分后总是有6列。我已经更新了请求到下一步。如果有任何影响，请告诉我。 - Rohit Das
我发现使用read.csv方法存在问题。它在我提供的示例数据上运行良好，但是当应用于完整数据时，字符串中有超过6个id的行，而不是添加另一列，它会添加另一行，从而导致cbind失败。 - Rohit Das
@RohitDas 我的猜测是read.csv假设从输入的前几行中有5个字段，然后填充任何少于5个的内容。如果大于5，则假定有一个新行。如果您知道ID的最大数量（例如max(sapply(lapply(df$Ids,strsplit,split=','),length))），则可以将colClasses=rep.int(NA_character,6)（或最大ID数）作为参数添加到read.csv中。 - Blue Magister
@RohitDas，请修改reshape命令，以正确识别小写v1-v5列作为idvars的列号，以及需要堆叠的列号作为varying参数。 - A5C1D2H2I1M1N2O1R2T1
只是一则更新消息，函数concat.split.multiple现在已更新为cSplit。 - Hardik Gupta
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接