在保留其他信息的同时拆分表格中的单元格

Question

我想在 R 中处理一个表格。其中两个单元格存储以逗号分隔的坐标（开始和结束）。我想分割这些坐标，使它们在各自的行上，但保留行中其他单元格的信息。

示例表：

header1  header2  start        end
data1    data2    1,100,200    99,199,299

期望的输出：

data1    data2    1     99
data1    data2    100   199
data1    data2    200   299

如何在 R 中执行此操作？

Answer 1

我假设您的表名为df。 data.table包使这种重塑变得微不足道......

require(data.table)
dt <- as.data.table( df )
dt[ , list(start = strsplit(start , ",", fixed=TRUE)[[1]], 
           end   = strsplit(end , ",", fixed=TRUE)[[1]] 
          ), by = c("header1","header2") ]

#   header1 header2 start end
#1:   data1   data2     1  99
#2:   data1   data2   100 199
#3:   data1   data2   200 299

Answer 2

我非常喜欢Simon data.table方法的优雅。这是一个老派的R版本：

# your original data
dat <- data.frame(header1="data1", header2="data2", 
                  start="1,100,200", end="99,199,299")
dat
##   header1 header2     start        end
## 1   data1   data2 1,100,200 99,199,299     

dat <- data.frame(dat[,c(1,2)],
             start=do.call('cbind', strsplit(as.character(dat$start), ',')),
             end=do.call('cbind', strsplit(as.character(dat$end), ',')))
dat
##   header1 header2 start end
## 1   data1   data2     1  99
## 2   data1   data2   100 199
## 3   data1   data2   200 299

Answer 3

我实际上会写一个看起来像这样的函数：

NewSplit <- function(indf, splitCols, sep = ",") {
  Keys <- setdiff(names(indf), splitCols)
  if (any(!vapply(indf[splitCols], is.character, logical(1L)))) {
    indf[splitCols] <- lapply(indf[splitCols], as.character)
  }
  X <- setNames(lapply(indf[splitCols], function(x) {
    strsplit(x, split = sep, fixed = TRUE)
  }), splitCols)
  Rep <- vapply(X[[1]], length, integer(1L))
  cbind(indf[rep(rownames(indf), Rep), Keys], 
        lapply(X, unlist), 
        row.names = NULL,
        stringsAsFactors = FALSE)
}

可以像这样使用：

NewSplit(dat, c("start", "end"), ",")
#    header1 header2 id start end
# 1        A       F  1     1  99
# 2        A       F  1   100 199
# 3        A       F  1   200 299
# 4        B       G  1    11  33
# 5        B       G  1   222 444
# 6        C       H  1    10  72
# 7        D       I  1     7  10
# 8        D       I  1     8   9
# 9        D       I  1     9   8
# 10       D       I  1    10   7
# 11       D       I  1    11   6
# 12       E       J  1     1   3

其中＆＃34; dat＆＃34;定义为：

dat <- data.frame(
  header1 = LETTERS[1:5], header2 = LETTERS[6:10], 
  start = c("1,100,200", "11,222", "10", "7,8,9,10,11", "1"),
  end = c("99,199,299", "33,444", "72", "10,9,8,7,6", "3"))

dat$id <- with(dat, 
                ave(rep(1, nrow(dat)), 
                    header1, header2, 
                    FUN = seq_along))

---

这实际上是一个非常快速的功能，因为使用的基本功能非常快。这是与＆＃34; data.table＆＃34;的比较。回答50K行。

将原始数据集扩展为50K行

dat2 <- do.call(rbind, replicate(10000, dat, FALSE))
dat2$id <- with(dat2, 
                ave(rep(1, nrow(dat2)), 
                    header1, header2, 
                    FUN = seq_along))
dim(dat2)
# [1] 50000     5
dt <- as.data.table(dat2)

创建几个要测试的功能（为方便起见）

fun1 <- function(dt = dt) {
  dt[, list(
    start = strsplit(as.character(start) , ",", fixed=TRUE)[[1]], 
    end   = strsplit(as.character(end) , ",", fixed=TRUE)[[1]]), 
    by = list(header1, header2, id)]
}

fun2 <- function(df = dat2) {
  NewSplit(df, c("start", "end"), ",")
}

检查它们是否相等

all.equal(as.data.frame(fun1(dt)), fun2(dat2))
# [1] TRUE

比较时间

system.time(fun1(dt))
#    user  system elapsed 
#   1.953   0.009   1.999 

system.time(fun2(dat2))
#    user  system elapsed 
#   0.286   0.001   0.288