在 R 中按组有效地连接一列中的字符内容

Question

在R 中对data.frame 执行类似连接操作的最快方法是什么？假设我有下表：

df <- data.frame(content = c("c1", "c2", "c3", "c4", "c5"),
                 groups = c("g1", "g1", "g1", "g2", "g2"),
                 stringsAsFactors = F)

df$groups <- as.factor(df$groups)

我想按组高效地连接content 列中单元格的内容，以接收相当于：

df2 <- data.frame(content = c("c1 c2 c3", "c4 c5"),
                  groups = c("g1", "g2"),
                  stringsAsFactors = F)

df2 $groups <- as.factor(df2 $groups)

我更喜欢一些dplyr 操作，但不知道如何应用它。

Answer 1

tapply 的近亲是 aggregate，它可以让你这样做：

aggregate(content ~ groups, df, paste, collapse = " ")
#   groups  content
# 1     g1 c1 c2 c3
# 2     g2    c4 c5

因子被保留：

str(.Last.value)
# 'data.frame':  2 obs. of  2 variables:
#  $ groups : Factor w/ 2 levels "g1","g2": 1 2
#  $ content: chr  "c1 c2 c3" "c4 c5"

---

既然你提到你正在寻找dplyr 方法，你可以尝试这样的事情：

library(dplyr)
df %>% group_by(groups) %>% summarise(content = paste(content, collapse = " "))
# Source: local data frame [2 x 2]
# 
#   groups  content
# 1     g1 c1 c2 c3
# 2     g2    c4 c5

Answer 2

使用data.table:

library(data.table)
dt = as.data.table(df)

dt[, paste(content, collapse = " "), by = groups]
#   groups       V1
#1:     g1 c1 c2 c3
#2:     g2    c4 c5

由于 OP 中提到了速度，data.table 和 dplyr 相当接近（基本方法非常慢，没有必要测试它们）：

dt = data.table(content = sample(letters, 26e6, T), groups = LETTERS)
df = as.data.frame(dt)

system.time(dt[, paste(content, collapse = " "), by = groups])
#   user  system elapsed 
#   5.37    0.06    5.65 

system.time(df %>% group_by(groups) %>% summarise(paste(content, collapse = " ")))
#   user  system elapsed 
#   7.10    0.13    7.67 

Answer 3

这是使用base的tapply的方法

splat<-with(df, tapply(content, groups, paste, collapse=" "))
df2<-data.frame(groups=names(splat), content=splat, stringsAsFactors=F)
df2$groups <- as.factor(df2$groups)

给你

#    groups  content
# g1     g1 c1 c2 c3
# g2     g2    c4 c5

（额外的“g1/g2”是data.frame的行名）