从列表中获取长格式数据框

Question

我有一个包含字符串的列表。每个子列表的第一个字符串描述了以下字符串所属的类别。我想获得一个（长格式）数据框，其中一列用于类别，一列用于内容。 如何从此列表中获取长格式的数据框：

mylist <- list(
  c("A","lorem","ipsum"),
  c("B","sed", "eiusmod", "tempor" ,"inci"),
  c("C","aliq", "ex", "ea"))

> mylist
[[1]]
[1] "A"     "lorem" "ipsum"

[[2]]
[1] "B"        "sed"      "eiusmod"  "tempor"   "incidunt"

[[3]]
[1] "C"       "aliquid" "ex"      "ea" 

它应该看起来像这个数据框

mydf <- data.frame(cate= c("A","A","B","B","B","B","C","C","C"),
               cont= c("lorem","ipsum","sed", "eiusmod", "tempor","inci","aliq", "ex", "ea"))

> mydf
  cate    cont
1   A    lorem
2   A    ipsum
3   B      sed
4   B  eiusmod
5   B   tempor
6   B incidunt
7   C  aliquid
8   C       ex
9   C       ea

我已经把类别和内容分开了。

cate <- sapply(mylist, "[[",1)
cont <- sapply(mylist, "[", -(1))

如何继续获取 mydf？

Answer 1

使用您的原始列表而不是您创建的拆分对象，您可以尝试以下操作：

library(data.table)
setorder(melt(as.data.table(transpose(mylist)), 
              id.vars = "V1", na.rm = TRUE), V1, variable)[]
#    V1 variable   value
# 1:  A       V2   lorem
# 2:  A       V3   ipsum
# 3:  B       V2     sed
# 4:  B       V3 eiusmod
# 5:  B       V4  tempor
# 6:  B       V5    inci
# 7:  C       V2    aliq
# 8:  C       V3      ex
# 9:  C       V4      ea

---

为了好玩，您还可以尝试以下方法之一：

---

library(dplyr)
library(tidyr)

data_frame(id = seq_along(mylist), mylist) %>%
  unnest %>%
  group_by(id) %>%
  mutate(ind = mylist[1]) %>%
  slice(2:n())

---

library(purrr)
data_frame(
  value = mylist %>% map(~ .x[-1]) %>% unlist,
  ind = mylist %>% map(~ rep(.x[1], length(.x)-1)) %>% unlist
)

请注意，“purrr”还具有transpose 函数这一事实会让您感到恼火，这意味着如果您也加载了“data.table”，您将不得不养成使用类似的习惯data.table::transpose 或 purrr::transpose 如果您正在使用这些功能（就像我在原始答案中所做的那样）。我还没有测试过，但我的猜测是“data.table”仍然是从原始列表开始最快的。

Answer 2

我们可以在将'cont'的list元素命名为'cape'之后使用stack。

setNames(stack(setNames(cont, cate))[2:1], c('cate', 'cont'))
#  cate    cont
#1    A   lorem
#2    A   ipsum
#3    B     sed
#4    B eiusmod
#5    B  tempor
#6    B    inci
#7    C    aliq
#8    C      ex
#9    C      ea

Answer 3

我们还可以将rep 与OP 帖子中已经创建的变量结合使用。

dat <- data.frame(cat=rep(cate, lengths(cont)),
                  cont=unlist(cont))

因此，对于什么是“最佳”答案进行了一些讨论（如果有的话，我对此表示怀疑），这里有一些基准（以防性能问题），基于要处理的 100000 个向量的列表：

Unit: milliseconds
   expr       min        lq     mean    median       uq      max neval cld
 heroka  56.24516  67.98583 122.1209  82.35606 117.6017 391.8297    50  a 
  akrun 258.86939 283.10408 363.5425 331.50263 448.9134 578.1818    50   b
 ananda  47.72320  61.05269 132.2678  76.22913 218.8286 385.5709    50  a 

基准测试代码假定变量 cate 和 cont 已经创建，因为两种解决方案都使用它们。

heroka <- function(){
 data.frame(cat=rep(cate, lengths(cont)), cont=unlist(cont))
}

akrun <- function(){
  setNames(stack(setNames(cont, cate))[2:1], c('cate', 'cont'))
}

ananda <- function(){
  setorder(melt(as.data.table(transpose(mylist)), 
                id.vars = "V1", na.rm = TRUE), V1, variable)[]
}


mylist <- replicate(100000,c(sample(LETTERS[1:10],1),sample(LETTERS[1:10],sample(5))))
cate <- sapply(mylist, "[[",1)
cont <- sapply(mylist, "[", -(1))

tests <- microbenchmark(
  heroka = heroka(),
  akrun=akrun(),ananda=ananda(),
  times=50
)

Answer 4

使用lapply的另一种选择

do.call(rbind, lapply(mylist, function(x) data.frame(cate = x[1], cont = x[-1])))

#  cate    cont
#1    A   lorem
#2    A   ipsum
#3    B     sed
#4    B eiusmod
#5    B  tempor
#6    B    inci
#7    C    aliq
#8    C      ex
#9    C      ea