如何从忽略 NA 的数据框中的行值创建字符串

Question

这是我的数据框：

x1 <- c("a", "c", "f", "j")
x2 <- c("b", "c", "g", "k")
x3 <- c("b", "d", "h", NA)
x4 <- c("a", "e", "i", NA)
df <- data.frame(x1, x2, x3, x4, stringsAsFactors=F)

df

  x1 x2   x3   x4
1  a  b    b    a
2  c  c    d    e
3  f  g    h    i
4  j  k <NA> <NA>

使用

apply(df, 1, paste, collapse = "_")

给我

[1] "a_b_b_a"   "c_c_d_e"   "f_g_h_i"   "j_k_NA_NA"

我想忽略 NA，所以最后一个结果元素应该是“j_k”而不是“j_k_NA_NA”。

非常感谢您的支持。

拉米

Answer 1

使用您的代码，

apply(df, 1, function(x) paste(na.omit(x), collapse="_") )
#[1] "a_b_b_a" "c_c_d_e" "f_g_h_i" "j_k"    

另一种选择是

df[is.na(df)] <-''
 gsub("^_+|_+$", "", do.call(paste,c(df, sep="_")))
#[1] "a_b_b_a" "c_c_d_e" "f_g_h_i" "j_k"  

编辑

如果有内部 NA，也许这可行

gsub("^_+|_+$|_+(?=_)", "", do.call(paste,c(df, sep="_")), perl=TRUE)

或基于@David Arenburg 的 cmets

gsub("NA_|_NA", "", apply(df, 1, paste, collapse = "_"))

例如

v1 <- c(NA,'a', 'b', NA, NA, NA, 'c',NA, 'd', NA)
v1[is.na(v1)] <-''
gsub("^_+|_+$|_+(?=_)", "", paste(v1, collapse="_"), perl=TRUE)
#[1] "a_b_c_d"

Answer 2

这是使用zoo 包的建议

library(zoo)
gsub("NA_|_NA", "", rollapply(t(df), width = 4, FUN = paste, collapse = "_"))
##      [,1]      [,2]      [,3]      [,4] 
## [1,] "a_b_b_a" "c_c_d_e" "f_g_h_i" "j_k"

Answer 3

@akrun 的第二个选项很可能是最快的，但您也可以考虑这样的事情：

library(data.table)
na.omit(data.table(
  rn = rep(1:nrow(df), ncol(df)), 
  val = unlist(df, use.names = FALSE)))[, paste(val, collapse = "_"), by = rn]
#    rn   value
# 1:  1 a_b_b_a
# 2:  2 c_c_d_e
# 3:  3 f_g_h_i
# 4:  4     j_k

基本思想是从“长”data.table 开始，删除 NA 值，然后将剩余的值粘贴在一起。

在此特定示例中，在速度方面，您使用na.omit 会产生很大的不同。

---

更新

以下是使用相同样本数据（10 万行）I shared at a related question 的一些基准测试。

这些是我测试的功能：

AM <- function() {
  na.omit(data.table(
    rn = rep(1:nrow(df), ncol(df)), 
    val = unlist(df, use.names = FALSE)))[, paste(val, collapse = "_"), by = rn]
}

AK <- function() {
  df[is.na(df)] <-''
  gsub("^_+|_+$|_+(?=_)", "", do.call(paste,c(df, sep="_")), perl=TRUE)
}

RS <- function() {
  s <- split(df[!is.na(df)], row(df)[!is.na(df)])
  vapply(s, paste, character(1L), collapse = "_", USE.NAMES=FALSE)
}

结果：

microbenchmark(AM(), AK(), RS(), times = 50)
# Unit: milliseconds
#  expr       min        lq      mean    median        uq      max neval
#  AM()  819.4639  925.1636 1020.5084  979.6239 1118.8065 1384.873    50
#  AK()  490.6802  495.5576  559.4551  508.0861  602.8413 1192.798    50
#  RS() 1419.8630 1540.5424 1680.6115 1622.7701 1786.9931 2424.541    50

Answer 4

您可以在删除了 NA 值的列表上使用 vapply。这似乎是安全的。

> s <- split(df[!is.na(df)], row(df)[!is.na(df)])
> vapply(s, paste, character(1L), collapse = "_", USE.NAMES=FALSE)
[1] "a_b_b_a" "c_c_d_e" "f_g_h_i" "j_k"