Question

输入数据：

> head(iris[c(48:50, 98:100), 3:5])
    Petal.Length Petal.Width    Species
48           1.4         0.2     setosa
49           1.5         0.2     setosa
50           1.4         0.2     setosa
98           4.3         1.3 versicolor
99           3.0         1.1 versicolor
100          4.1         1.3 versicolor

输出数据：

setosa.Petal.Length versicolor.Petal.Length setosa.Petal.Width versicolor.Petal.Width 
1.4                 4.3                     0.2                1.3
1.5                 3.0                     0.2                1.1
1.4                 4.1                     0.2                1.3

使用例如：

spread(
  iris%>%mutate(n=row_number()), 
  key=Species, 
  value=Petal.Length:Petal.Width) 
  #or c("Petal.Length", "Petal.Width")`

不起作用

Answer 1

碰到了这一点，并对“大型数据集”的提及感到好奇。作为Tidyverse所有东西的狂热粉丝，我在不断地使用大型套装时，我是实际的基准性能。对于这个例子，这就是我想出的，这有点令人担忧的是使用基本包函数而不是使用tidyverse调用的管道。

出于这些目的，使用拆分和基础功能比管道快得多。任何人对此有任何反馈???

复制虹膜数据集以伪造更大的数据集。

iris_1000 <- plyr::ldply(1:1000, function(i){
  iris
})

尺寸为150,000行乘5列：

dim(iris_1000)
[1] 150000      5

因此，这将代表一个大小为的数据集：

sprintf("%s MB", object.size(iris_1000) * 0.001^2)
[1] "5.401688 MB"

在函数调用中包装提供的anser以进行测试但是更改以便它适用于所有列，而不仅仅是那些包含'Petal'并且还删除索引列并作为数据框返回的列

tidy_fn <- function(){
  iris_1000 %>% 
    gather(key, value, -Species) %>%
    unite(tmp, Species, key, sep=".") %>%
    group_by(tmp) %>%
    mutate(indx = row_number()) %>%
    spread(tmp, value) %>% 
    select(-indx) %>% data.frame
}

功能主要使用基础包提供的功能并进行输入数据框作为'df'变量和数据的列名汇总，或者在我们的案例中分开

baseish_fn <- function(df, col_split){

  df_split <- split(df, df[[col_split]])

  df_loop <- lapply(names(df_split), function(i){
    iter_df <- df_split[[i]][-which(colnames(df_split[[i]]) == col_split)]
    new_names <- sprintf("%s.%s", i, colnames(iter_df))
    colnames(iter_df) <- new_names
    iter_df
  })
  names(df_loop) <- NULL
  as.data.frame(df_loop)
}

现在速度比较令人惊讶...... 需要注意的是，baseish函数中的列名将被安排为匹配tudy函数的返回col排列以供稍后比较值如此运行一次才能得到

tidy_val_test <- tidy_fn()

microbenchmark::microbenchmark(
  tidyverse = tidy_fn(),
  `base-ish` = baseish_fn(iris_1000, "Species")[colnames(tidy_val_test)],times = 100L
)

Unit: milliseconds                                                       
      expr       min        lq     mean   median        uq      max neval
 tidyverse 378.46753 419.93116 447.8020 438.5375 466.78367 718.9666   100
  base-ish  76.57918  83.21915  92.8109  87.8329  94.58085 342.2290   100

确保他们产生相同的产出：

all(mapply(function(i){
    identical(tidyverse[[i]], `base-ish`[[i]])
},colnames(tidyverse)))

[1] TRUE


head(`base-ish`[1:4,1:5])
  setosa.Sepal.Length setosa.Sepal.Width setosa.Petal.Length setosa.Petal.Width
1                 5.1                3.5                 1.4                0.2
2                 4.9                3.0                 1.4                0.2
3                 4.7                3.2                 1.3                0.2
4                 4.6                3.1                 1.5                0.2
  versicolor.Sepal.Length
1                     7.0
2                     6.4
3                     6.9
4                     5.5

Answer 2

我正在写我的答案，直到我看到David Arenburg出色的评论，然后我用他的答案调整了答案。

我明白了：

df <- iris %>%
  select(c(starts_with("Petal"), Species)) %>%
  gather(key, value, -Species) %>%
  unite(tmp, Species, key, sep=".") %>%
  group_by(tmp) %>%
  mutate(indx = row_number()) %>%
  spread(tmp, value)

我不知道unite()功能，这是主要区别。

Obs：由于我不能发表评论，我需要发帖作为答案，如果你觉得我在偷你的答案，我可以删除它。

使用包含键的一个列传播多个值

2 个答案:

出于这些目的，使用拆分和基础功能比管道快得多。任何人对此有任何反馈???