通过转换表重新编码数据帧

Question

我有一个包含 3 列的数据框。其中一列（项目）包括可能重复的长字符串（一些包括特殊字符，例如分号；为简单起见，这里写为 Tx）。我想找到特定列的所有唯一值。为每个唯一值创建以下格式的昵称：OV1、OV2、... OVn。我想保留这张表并称之为“转换表”。 在下一步中，我想转到源表并使用转换表中的值重新编码每个值。

以下是源表的示例：

    items  sequenceID        eventID SIZE  
1:   T1      41595370             1    1
2:   T2      41595371             1    1
3:   T3      41595282             1    1
4:   T3      41595282             2    1
5:   T4      41595373             1    1
6:   T5      41595368             1    1
7:   T1      41595379             1    1

结果表将是：

     items     sequenceID      eventID SIZE  
1:   OV1       41595370             1    1
2:   OV2       41595371             1    1
3:   OV3       41595282             1    1
4:   OV3       41595282             2    1
5:   OV4       41595373             1    1
6:   OV5       41595368             1    1
7:   OV1       41595379             1    1

转换表将是：

1:   T1    OV1
2:   T2    OV2
3:   T3    OV3
4:   T4    OV4
5:   T5    OV5

源数据位于data6（数据框）中。 我使用了以下命令：

u1 <- unique(data6$items)
u1 <- data.frame(u1)
ov <- c(paste("ov",1:nrow(u1),sep=""))

我现在将u1 中的所有唯一项列替换为OV 值并将其创建为转换表。之后替换data6$items中的所有值。

非常感谢您的帮助。

Answer 1

看起来您的“项目”可以被视为需要新标签的因素变量。如果是这样，您可以避免转换表并重新编码源数据框中的“项目”：

data6$items = factor(data6$items, labels=paste0("OV", 1:length(unique(data6$items))))

Answer 2

您可以使用以下方法创建转换表：

u1 <- as.data.frame(unique(data6$items))
names(u1) <- "items"
u1$newitem <- paste0("OV", substr(u1$items,2,4))

这给出了：

> u1
  items newitem
1    T1     OV1
2    T2     OV2
3    T3     OV3
4    T4     OV4
5    T5     OV5

您现在可以将源表中的相关项目替换为：

data6$items = u1$newitem[match(data6$items,u1$items)]

这给出了：

> data6
  items sequenceID eventID SIZE
1   OV1   41595370       1    1
2   OV2   41595371       1    1
3   OV3   41595282       1    1
4   OV3   41595282       2    1
5   OV4   41595373       1    1
6   OV5   41595368       1    1
7   OV1   41595379       1    1

如果您只想将T 更改为OV，您也可以这样做：

data6$items <- gsub("T", "OV", data6$items)