Question

对于一个特殊问题，我有一个非常低效的解决方案。我有文本数据，由于各种原因，它以随机的间隔跨越数据帧的各行。然而，已知某些子集基于数据帧中其他变量的唯一组合而属于一起。例如，参见MWE演示结构和我的初始解决方案：

# Data
df <- read.table(text="page passage  person index text
1  123   A   1 hello      
1  123   A   2 my
1  123   A   3 name
1  123   A   4 is
1  123   A   5 guy
1  124   B   1 well
1  124   B   2 hello
1  124   B   3 guy",header=T,stringsAsFactors=F)

master<-data.frame()
for (i in 123:max(df$passage)) {
  print(paste0('passage ',i))
  tempset <- df[df$passage==i,]
  concat<-''
  for (j in 1:nrow(tempset)) {
    print(paste0('index ',j))
    concat<-paste(concat, tempset$text[j])
  }
  tempdf<-data.frame(tempset$page[1],tempset$passage[1], tempset$person[1], concat, stringsAsFactors = FALSE)
  master<-rbind(master, tempdf)
  rm(concat, tempset, tempdf)
}
master
> master
  tempset.page.1. tempset.passage.1. tempset.person.1.                concat
1               1                123                 A  hello my name is guy
2               1                124                 B        well hello guy

在这个例子中，就像我的实际情况一样，“passage”是唯一的分组变量，因此不一定要将其他部分与它一起使用，尽管我希望它们在我的数据集中可用。

我目前的估计是，我设计的这个程序需要几个小时才能完成一个数据集，否则我的计算机上的R很容易处理这个数据集。或许可以通过其他功能或包获得一些效率，或者不创建和删除这么多对象？

感谢您的帮助！

Answer 1

data.table 以下是一种方式：

require(data.table)
DT <- data.table(df)

DT[,.(concat=paste0(text,collapse=" ")),by=.(page,passage,person)]
#    page passage person               concat
# 1:    1     123      A hello my name is guy
# 2:    1     124      B       well hello guy

我认为在passage中加上额外的变量（by除外）并不会花费太多。

dplyr 类似物是

df %>% 
  group_by(page,passage,person) %>% 
  summarise(concat=paste0(text,collapse=" "))

# Source: local data frame [2 x 4]
# Groups: page, passage, person
# 
#   page passage person               concat
# 1    1     123      A hello my name is guy
# 2    1     124      B       well hello guy

基础R 一种方法是：

df$concat <- with(df,ave(text,passage,FUN=function(x)paste0(x,collapse=" ")))
unique(df[,which(names(df)%in%c("page","passage","person","concat"))])
#   page passage person               concat
# 1    1     123      A hello my name is guy
# 6    1     124      B       well hello guy

Answer 2

以下是两种方式：

基础R

aggregate(
    text ~ page + passage + person, 
    data=df, 
    FUN=paste, collapse=' '
)

<强> dplyr

library(dplyr)
df %>% 
    group_by_(~page, ~passage, ~person) %>%
    summarize_(text=~paste(text, collapse=' '))

R Dataframe：按行，按行聚合列内的字符串

2 个答案: