R-高效分离数据框中的组

Question

我有一个用户统计数据集，格式如下：

df
   user       date   group
1    X 2017-06-21   S;Y;J
2    Y 2017-06-09 Y;F;P;C
3    R 2017-12-29     K;A
4    Q 2017-08-31     W;I
5    B 2018-01-30   P;M;E

这可以通过以下方式生成：

set.seed(10)
n = 5
dates <- seq.Date(as.Date("2017-04-01"), as.Date("2018-05-01"), by=1)
df <- data.frame(user = sample(LETTERS, n, replace=TRUE),
             date = sample(dates, n, replace=TRUE))

df$group <- "A"
for(i in 1:n){
df$group[i] <- paste(sample(LETTERS, sample(1:5, 1, replace=FALSE), 
                       replace=FALSE), collapse=";")
}

我希望将group列拆分和扩展，以便与给定的日期和用户匹配。例如，用户X在2017-06-21与三个组进行了交互，我希望将其作为三个单独的条目而不是一个条目。我已经有可以解决此问题的代码，但我正在寻找更快、更符合R语言规范的方法来复制这个过程。我的当前解决方案是:

# Get the number of groups for each entry
n_groups <- 1 + gsub("[^;]", "", df$group) %>% nchar()
# Get the index for the entries with multiple groups
index <- which(n_groups > 1)
# Get a new vector of dates and users
dates <- integer(sum(n_groups))
class(dates) <- "Date"
users <- vector(mode='character', 
                length = sum(n_groups))

k <- 1
for(i in 1:length(n_groups)){
  for(j in 1:n_groups[i]){
    dates[k] <- df$date[i]
    users[k] <- as.character(df$user[i])
    k <- k + 1
  }
}

df2 <- data.frame(date = dates, user = users,
                  group = unlist(strsplit(df$group, split = ";")))
df2
         date user group
1  2017-06-21    X     S
2  2017-06-21    X     Y
3  2017-06-21    X     J
4  2017-06-09    Y     Y
5  2017-06-09    Y     F
6  2017-06-09    Y     P
7  2017-06-09    Y     C
8  2017-12-29    R     K
9  2017-12-29    R     A
10 2017-08-31    Q     W
11 2017-08-31    Q     I
12 2018-01-30    B     P
13 2018-01-30    B     M
14 2018-01-30    B     E

- hubbs5

---

在链接的帖子中，matt-lundberg的基本R答案的类似版本是temp <- strsplit(df$group, split=";"); cbind(df[rep(seq_along(df$user), lengths(temp)),], "newgroup"=unlist(temp))。这个版本保留了原始的组向量，可以使用grep或静态地删除。 - lmo

Answer 1

library(dplyr)
library(tidyr)

df2 <- df %>% 
  mutate(group = strsplit(group, split = ";")) %>%
  unnest(group) %>%
  select(date, user, group)

- www

---

太棒了！快了好几个数量级！ - hubbs5

但是，这并不是最快的方法。我使用 n = 10000 行的样本数据来对7种不同的方法进行基准测试。最快的方法是 library(data.table); setDT(df)[, .(group = unlist(strsplit(as.character(group), ";", fixed = TRUE))), by = .(date, user)]，其次是 splitstackshape::cSplit(df, "group", ";", direction = "long") 和 lmo 的解决方案。ycw的解决方案比最快的慢2.5倍。不幸的是，我不能在答案中发布所有细节。 - Uwe

@hubbs5，我为问题将逗号分隔的列拆分为单独的行发布了基准测试结果。对于大型问题，data.table比dplyr/tidyr快得多。 - Uwe

@Uwe Block 感谢您进行了全面的基准测试比较。 - www