在各个地方都有人问过SQL,但是在R
中找不到一种简单的方法我有这样的数据集
Ids v1 v2 v3 v4 v5
548|14721,678|17604,716|18316,732|18505,745|18626,752|18716 9186 639 9045 316 28396
548|14721,678|17603,716|18316,732|18507,745|18626,752|18716 9041 598 8897 283 28054
548|14722,678|17603,716|18316,732|18507,745|18626,752|18716 8799 588 8669 246 27433
548|14721,678|17603,716|18316,732|18505,745|18626,752|18715 8914 614 8765 273 27347
716|18316,745|18626 4113 497 4050 270 27267
548|14722,678|17604,716|18316,732|18507,745|18626,752|18716 8829 589 8713 254 25270
我想基于逗号的第一列进行拆分,并为每个条目创建一行,重复其余行中的条目。
我写的函数是
split.data <- function(data, split = ",") {
y <- NULL
for( i in 1:nrow(data)){
y <- rbind(y,cbind(data.frame(unlist(strsplit(as.character(data[i,1]), split = split))),data[i,-1]))
}
names(y) <- names(data)
y <- sapply(y,as.character)
return(as.data.frame(y))
}
这有效,但速度极慢。有没有办法对此进行矢量化并使其更快。我拥有的文件超过5000行,运行需要一段时间。
我找到的SQL相关文章: Split values over multiple rows Turning a Comma Separated string into individual rows
答案 0 :(得分:11)
如果您使用我的“splitstackshape”软件包中的concat.split.multiple
,则可以合并这些步骤。此函数自动使用count.fields
,因此它不应该受到注释中提到的问题的影响:
library(splitstackshape)
out <- concat.split.multiple(mydf, "Ids", seps=",", "long")
head(out)
# v1 v2 v3 v4 v5 time Ids
# 1 9186 639 9045 316 28396 1 548|14721
# 2 9041 598 8897 283 28054 1 548|14721
# 3 8799 588 8669 246 27433 1 548|14722
# 4 8914 614 8765 273 27347 1 548|14721
# 5 4113 497 4050 270 27267 1 716|18316
# 6 8829 589 8713 254 25270 1 548|14722
tail(out)
# v1 v2 v3 v4 v5 time Ids
# 31 9186 639 9045 316 28396 6 752|18716
# 32 9041 598 8897 283 28054 6 752|18716
# 33 8799 588 8669 246 27433 6 752|18716
# 34 8914 614 8765 273 27347 6 752|18715
# 35 4113 497 4050 270 27267 6 <NA>
# 36 8829 589 8713 254 25270 6 752|18716
您需要组合拆分“Ids”字符串,然后“重塑”您的数据(如果我正确理解您的目标)。
我没有分开你的方式,而是继续利用read.csv
和论证fill = TRUE
。请注意,如果“Ids”列中的值是当前因素,则您需要使用text = as.character(mydf$Ids)
。
以下是我的进展方式:
mydf2 <- cbind(read.csv(text = mydf$Ids, fill = TRUE, header = FALSE), mydf[-1])
mydf2
# V1 V2 V3 V4 V5 V6 v1 v2 v3 v4 v5
# 1 548|14721 678|17604 716|18316 732|18505 745|18626 752|18716 9186 639 9045 316 28396
# 2 548|14721 678|17603 716|18316 732|18507 745|18626 752|18716 9041 598 8897 283 28054
# 3 548|14722 678|17603 716|18316 732|18507 745|18626 752|18716 8799 588 8669 246 27433
# 4 548|14721 678|17603 716|18316 732|18505 745|18626 752|18715 8914 614 8765 273 27347
# 5 716|18316 745|18626 4113 497 4050 270 27267
# 6 548|14722 678|17604 716|18316 732|18507 745|18626 752|18716 8829 589 8713 254 25270
该数据目前采用“宽”格式。让我们把它变成一种“长”格式。 reshape
函数需要一些有关如何继续的信息。特别是,它需要知道:
idvar
s的实际列。read.csv
时创建的新变量,并通过手动检查它们的索引,我们可以看到它们位于1到6位置。显然,您需要指定列号来自你的实际数据集。对于您提供的示例数据集,我们将使用reshape
,如下所示:
mydf3 <- reshape(mydf2, direction = "long", idvar=7:ncol(mydf2),
varying=1:6, sep = "")
rownames(mydf3) <- NULL
以下是结果head
的{{1}}和tail
:
data.frame
这是假设我们开始使用名为“mydf”的对象,如下所示:
> head(mydf3)
v1 v2 v3 v4 v5 time V
1 9186 639 9045 316 28396 1 548|14721
2 9041 598 8897 283 28054 1 548|14721
3 8799 588 8669 246 27433 1 548|14722
4 8914 614 8765 273 27347 1 548|14721
5 4113 497 4050 270 27267 1 716|18316
6 8829 589 8713 254 25270 1 548|14722
> tail(mydf3)
v1 v2 v3 v4 v5 time V
31 9186 639 9045 316 28396 6 752|18716
32 9041 598 8897 283 28054 6 752|18716
33 8799 588 8669 246 27433 6 752|18716
34 8914 614 8765 273 27347 6 752|18715
35 4113 497 4050 270 27267 6
36 8829 589 8713 254 25270 6 752|18716