在R中将字符串拆分为多行答案

【问题标题】：Splitting strings into multiple rows in R在R中将字符串拆分为多行
【发布时间】：2013-02-12 09:05:34
【问题描述】：

这已经在各个地方询问过SQL，但在R中找不到简单的方法

我有一个这样的数据集

                                                             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

我想根据逗号上的第一列进行拆分，并为每个条目创建一行，在其余行中重复这些条目。

我写的函数是

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))
}

这可行，但速度极慢。有没有办法对其进行矢量化并使其更快。我拥有的文件有超过 5000 行这样的行，并且需要一段时间才能运行。

我为 SQL 找到的相关文章： Split values over multiple rows Turning a Comma Separated string into individual rows

【问题讨论】：

标签： string r reshape

【解决方案1】：

更新答案（2013 年 10 月 21 日）

如果您使用我的“splitstackshape”包中的concat.split.multiple，则可以组合这些步骤。这个函数自动使用count.fields，所以它应该不会遇到cmets中提到的问题：

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）

您需要先拆分“Ids”字符串，然后再“重塑”您的数据（如果我正确理解您的目标）。

我没有像您那样拆分，而是继续利用read.csv 和参数fill = TRUE。请注意，如果“Ids”列中的值是当前因素，则需要使用 text = as.character(mydf$Ids) 代替。

下面是我的下一步：

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

该数据当前采用“宽”格式。让我们把它变成一个“长”的格式。 reshape 函数需要一些关于如何进行的信息。特别是，它需要知道：

哪些列表示“id”变量。与您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。（“mydf2”数据集中位置 7 到 11 处的“v1”-“v5”（小写“v”））。显然，对于您的实际数据，您需要指定要被视为idvars 的实际列。
哪些列“不同”并且需要以“长”格式“堆叠”。在这种情况下，它是我们使用 read.csv 时创建的新变量，通过手动检查它们的索引，我们可以看到它们位于位置 1 到 6。显然，您需要根据实际情况指定列号数据集。

对于您提供的示例数据集，我们将使用reshape，如下所示：

mydf3 <- reshape(mydf2, direction = "long", idvar=7:ncol(mydf2), 
                 varying=1:6, sep = "")
rownames(mydf3) <- NULL

这是生成的data.frame 的head 和tail：

> 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

这一切都假设我们从一个名为“mydf”的对象开始，如下所示：

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))

【讨论】：

+1！善用fill=TRUE从源头处理问题。
太棒了！您的解决方案有效。我需要进行一些更改，因为它不确定拆分后总会有 6 列。我已将请求更新到下一步。如果这有什么不同，请告诉我。
我发现使用 read.csv 方法存在问题。它适用于我提供的示例数据，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，而是添加另一行，因此 cbind 失败。
@RohitDas 我的猜测是read.csv假设输入的前几行有5个字段，然后填写小于5的任何内容。如果大于5，则假设有一条新线。如果您知道 ID 的最大数量是多少（来自 max(sapply(lapply(df$Ids,strsplit,split=','),length)) 之类的东西），那么您可以将 colClasses=rep.int(NA_character,6)（或任何最大 ID 数量）作为参数添加到 read.csv。
@RohitDas，只需修改 reshape 命令以正确地将不变的列（小写 v1-v5）的列号识别为 idvar，以及需要的列的列号堆叠为可变参数。