使用 tidyverse 将字符串列拆分为多个答案

【问题标题】：Splitting string column into many using tidyverse使用 tidyverse 将字符串列拆分为多个
【发布时间】：2019-06-07 07:26:12
【问题描述】：

我有一个带逗号的字符串列。我想将此单列转换为多个带标签的列，并正确填写值。输出数据框将有 3 列（A、B 和 C）。第 1 行的 A 列和 B 列用“是”填充，C 列用“否”填充。第 2 行将所有 3 列填充为“是”等。

df1 <- data.frame(X= c("A, B", "A, B, C", "A", "A, C"))

df1
        X
1    A, B
2 A, B, C
3       A
4    A, C

所需输出

A    B    C
Yes  Yes  No
Yes  Yes  Yes
Yes  No   No
Yes  No   Yes

任何提示，请。

【问题讨论】：

Dummy variables from a string variable

标签： r tidyverse tidyr comma stringr

【解决方案1】：

类似这样的：

library(tidyverse)

df1 %>%
  mutate(id = row_number()) %>% 
  separate_rows(X) %>% 
  group_by(id) %>% 
  mutate(Y = "yes") %>% 
  spread(X, Y, fill = "no")

# A tibble: 4 x 4
# Groups:   id [4]
     id A     B     C    
  <int> <chr> <chr> <chr>
1     1 yes   yes   no   
2     2 yes   yes   yes  
3     3 yes   no    no   
4     4 yes   no    yes

【讨论】：

【解决方案2】：

这是一个使用base R 和table 的选项。我们将“X”列按, 拆分为vectors 的list，用stack 将其转换为两列data.frame，用table 获取频率并将其转换为逻辑

table(stack(setNames(strsplit(as.character(df1$X), ", +"), 
                    seq_len(nrow(df1))))[2:1]) > 0
 #   values
#ind    A     B     C
#  1 TRUE  TRUE FALSE
#  2 TRUE  TRUE  TRUE
#  3 TRUE FALSE FALSE
#  4 TRUE FALSE  TRUE

【讨论】：

【解决方案3】：

通过stringi

stringi::stri_split_fixed(df1$X, ", ", simplify = TRUE) != ""
#      [,1]  [,2]  [,3]
# [1,] TRUE  TRUE FALSE
# [2,] TRUE  TRUE  TRUE
# [3,] TRUE FALSE FALSE
# [4,] TRUE  TRUE FALSE

TRUE/FALSE 本质上是yes/no，但如果您需要字符矩阵，您可以随时使用ifelse(., "yes", "no") 并保留矩阵结构。

【讨论】：

【解决方案4】：

一种稍微不同的方法，不依赖于分组。最终转换为“是/否”也是按列执行的，而不是依赖于从长数据到宽数据的转换。对于非常大的数据集，这可能会更有效。

df2 <- df1 %>% 
  mutate(row_num = 1:n()) %>% 
  separate_rows(X) %>% 
  spread(X, 1) %>% 
  select(-row_num) %>% 
  mutate_all(~ifelse(!is.na(.), 'Yes', 'No'))

    A   B   C
1 Yes Yes  No
2 Yes Yes Yes
3 Yes  No  No
4 Yes  No Yes

【讨论】：

【解决方案5】：

使用splitstackshape

library(splitstackshape)
newdf=cSplit_e(df1, "X", sep = ", ",type = "character")
newdf[newdf==1]='Yes'
newdf[is.na(newdf)]='No'

newdf
        X X_A X_B X_C
1    A, B Yes Yes  No
2 A, B, C Yes Yes Yes
3       A Yes  No  No
4    A, C Yes  No Yes

【讨论】：

【解决方案6】：

这是base中的另一个解决方案

lets <- strsplit(as.character(.subset2(df1,1L)), ', ')
lets_unique <- unique(unlist(lets))
vapply(seq_along(lets_unique),function(k)grepl(lets_unique[k],lets),logical(length(lets)))
#      [,1]  [,2]  [,3]
# [1,] TRUE  TRUE FALSE
# [2,] TRUE  TRUE  TRUE
# [3,] TRUE FALSE FALSE
# [4,] TRUE FALSE  TRUE

【讨论】：