我有一些混合类型的数据，我想存储在某种R数据结构中。每个数据点都有一组固定属性，可以是一维数字，因子或字符，也可以是一组可变长度数据。例如：
id phrase num_tokens token_lengths
1 "hello world" 2 5 5
2 "greetings" 1 9
3 "take me to your leader" 4 4 2 2 4 6
实际值并非都可以相互计算，但这就是数据的味道。我想要做的操作包括基于布尔函数对数据进行子集化（例如nchar(data$phrase) > 10或lapply(data$token_lengths, length) > 2)。我还想在变量长度部分中对值进行索引和平均。这不起作用，但是类似于：mean(data$token_lengths[1], na.rm=TRUE))
我发现我可以将“token_lengths”变成数据框，并将其作为一个数组：
d <- data.frame(id=c(1,2,3), ..., token_lengths=as.array(list(c(5,5), 9, c(4,2,2,4,6)))
但这是最好的方式吗？
答案 0 :(得分：4)
试图将数据塞进数据框架似乎对我来说很骇人听闻。将每一行视为单个对象要好得多，然后将数据集视为这些对象的数组。
此函数将数据字符串转换为适当的格式。 （这是S3样式代码;您可能更喜欢使用“适当的”面向对象系统之一。）
as.mydata <- function(x)
{
UseMethod("as.mydata")
}
as.mydata.character <- function(x)
{
convert <- function(x)
{
md <- list()
md$phrase = x
spl <- strsplit(x, " ")[[1]]
md$num_words <- length(spl)
md$token_lengths <- nchar(spl)
class(md) <- "mydata"
md
}
lapply(x, convert)
}
现在您的整个数据集看起来像
mydataset <- as.mydata(c("hello world", "greetings", "take me to your leader"))
mydataset
[[1]]
$phrase
[1] "hello world"
$num_words
[1] 2
$token_lengths
[1] 5 5
attr(,"class")
[1] "mydata"
[[2]]
$phrase
[1] "greetings"
$num_words
[1] 1
$token_lengths
[1] 9
attr(,"class")
[1] "mydata"
[[3]]
$phrase
[1] "take me to your leader"
$num_words
[1] 5
$token_lengths
[1] 4 2 2 4 6
attr(,"class")
[1] "mydata"
您可以定义一种打印方法，使其看起来更漂亮。
print.mydata <- function(x)
{
cat(x$phrase, "consists of", x$num_words, "words, with", paste(x$token_lengths, collapse=", "), "letters.")
}
mydataset
[[1]]
hello world consists of 2 words, with 5, 5 letters.
[[2]]
greetings consists of 1 words, with 9 letters.
[[3]]
take me to your leader consists of 5 words, with 4, 2, 2, 4, 6 letters.
使用此格式的数据，您想要执行的示例操作非常简单。
sapply(mydataset, function(x) nchar(x$phrase) > 10)
[1] TRUE FALSE TRUE
答案 1 :(得分：4)
我只想使用“长”格式的数据。
E.g。
> d1 <- data.frame(id=1:3, num_words=c(2,1,4), phrase=c("hello world", "greetings", "take me to your leader"))
> d2 <- data.frame(id=c(rep(1,2), rep(2,1), rep(3,5)), token_length=c(5,5,9,4,2,2,4,6))
> d2$tokenid <- with(d2, ave(token_length, id, FUN=seq_along))
> d <- merge(d1,d2)
> subset(d, nchar(phrase) > 10)
id num_words phrase token_length tokenid
1 1 2 hello world 5 1
2 1 2 hello world 5 2
4 3 4 take me to your leader 4 1
5 3 4 take me to your leader 2 2
6 3 4 take me to your leader 2 3
7 3 4 take me to your leader 4 4
8 3 4 take me to your leader 6 5
> with(d, tapply(token_length, id, mean))
1 2 3
5.0 9.0 3.6
一旦数据采用长格式，您可以使用sqldf或plyr从中提取您想要的内容。
答案 2 :(得分：4)
另一种选择是将数据帧转换为模式列表矩阵 - 矩阵的每个元素都是一个列表。标准数组操作（使用[切片，apply（）等适用）。
> d <- data.frame(id=c(1,2,3), num_tokens=c(2,1,4), token_lengths=as.array(list(c(5,5), 9, c(4,2,2,4,6))))
> m <- as.matrix(d)
> mode(m)
[1] "list"
> m[,"token_lengths"]
[[1]]
[1] 5 5
[[2]]
[1] 9
[[3]]
[1] 4 2 2 4 6
> m[3,]
$id
[1] 3
$num_tokens
[1] 4
$token_lengths
[1] 4 2 2 4 6
答案 3 :(得分：1)
由于R数据帧结构松散地基于SQL表，因此将数据帧的每个元素都设置为原子数据类型以外的任何元素都是不常见的。但是，正如您所示，它可以完成，而这个链接的post描述了这样一个更大规模实施的应用程序。
另一种方法是将数据存储为字符串并具有检索数据的功能，或者创建一个附加数据的单独函数，并使用存储在数据框中的索引将其提取出来。
> ## alternative 1
> tokens <- function(x,i=TRUE) Map(as.numeric,strsplit(x[i],","))
> d <- data.frame(id=c(1,2,3), token_lengths=c("5,5", "9", "4,2,2,4,6"))
>
> tokens(d$token_lengths)
[[1]]
[1] 5 5
[[2]]
[1] 9
[[3]]
[1] 4 2 2 4 6
> tokens(d$token_lengths,2:3)
[[1]]
[1] 9
[[2]]
[1] 4 2 2 4 6
>
> ## alternative 2
> retrieve <- local({
+ token_lengths <- list(c(5,5), 9, c(4,2,2,4,6))
+ function(i) token_lengths[i]
+ })
>
> d <- data.frame(id=c(1,2,3), token_lengths=1:3)
> retrieve(d$token_lengths[2:3])
[[1]]
[1] 9
[[2]]
[1] 4 2 2 4 6
答案 4 :(得分：0)
我还会使用字符串作为可变长度数据，但如下例所示：第一个短语的“c（5,5）”。人们需要使用eval(parse(text=...))来进行计算。
例如，mean可以按如下方式计算：
sapply(data$token_lengths,function(str) mean(eval(parse(text=str))))