Вставте кілька стовпців разом


99

У мене є купа стовпців у фреймі даних, які я хочу вставити разом (відокремлюючи "-") таким чином:

data <- data.frame('a' = 1:3, 
                   'b' = c('a','b','c'), 
                   'c' = c('d', 'e', 'f'), 
                   'd' = c('g', 'h', 'i'))
i.e.     
     a   b   c  d  
     1   a   d   g  
     2   b   e   h  
     3   c   f   i  

Якими я хочу стати:

a x  
1 a-d-g  
2 b-e-h  
3 c-f-i  

Я зазвичай міг робити це за допомогою:

within(data, x <- paste(b,c,d,sep='-'))

а потім видалення старих стовпців, але, на жаль, я не знаю назв стовпців конкретно, лише загальне ім'я для всіх стовпців, наприклад, я б знав, що cols <- c('b','c','d')

Хтось знає спосіб зробити це?

Відповіді:


104
# your starting data..
data <- data.frame('a' = 1:3, 'b' = c('a','b','c'), 'c' = c('d', 'e', 'f'), 'd' = c('g', 'h', 'i')) 

# columns to paste together
cols <- c( 'b' , 'c' , 'd' )

# create a new column `x` with the three columns collapsed together
data$x <- apply( data[ , cols ] , 1 , paste , collapse = "-" )

# remove the unnecessary columns
data <- data[ , !( names( data ) %in% cols ) ]

7
тут немає необхідності подавати заявки; паста векторизується, і це більш ефективно
баптист

1
@baptiste ..можливо без do.call?
Ентоні Даміко

1
звичайно, ви могли б, наприклад, використовувати evil(parse(...)), але я вважаю do.call, що тут правильний виклик.
баптист

Do.call тут краща техніка; підтримує векторизацію.
Clayton Stanley

1
хмм .. як би ти пройшов collapse = "-"? до paste?
Ентоні Даміко,

48

Як варіант відповіді баптиста , з dataвизначеними, як ви маєте, і стовпцями, які ви хочете скласти, визначеними вcols

cols <- c("b", "c", "d")

Ви можете додати новий стовпець dataі видалити старі за допомогою

data$x <- do.call(paste, c(data[cols], sep="-"))
for (co in cols) data[co] <- NULL

який дає

> data
  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i

Чи не бракує кома в "c (data [cols], ..."?
Ось

2
@roschu Буде працювати. Індексування a data.frameз одним символьним вектором буде індексацією стовпця, незважаючи на те, що першим аргументом зазвичай є індекс рядка.
Брайан Діггз,

швидко і розумно. Дякую
Алі Хосро,

32

Використовуючи tidyrпакет, це можна легко впоратись за 1 виклик функції.

data <- data.frame('a' = 1:3, 
                   'b' = c('a','b','c'), 
                   'c' = c('d', 'e', 'f'), 
                   'd' = c('g', 'h', 'i'))

tidyr::unite_(data, paste(colnames(data)[-1], collapse="_"), colnames(data)[-1])

  a b_c_d
1 1 a_d_g
2 2 b_e_h
3 3 c_f_i

Редагувати: виключити перший стовпець, все інше вставляється.

# tidyr_0.6.3

unite(data, newCol, -a) 
# or by column index unite(data, newCol, -1)

#   a newCol
# 1 1  a_d_g
# 2 2  b_e_h
# 3 3  c_f_i

3
Я думаю, OP згадав, що вони не знають назви стовпця заздалегідь. В іншому випадку вони могли б зробити це так, within(data, x <- paste(b,c,d,sep='-'))як вони проілюстрували.
Девід Аренбург,

Я погоджуюсь з @DavidArenburg, це не стосується ситуації з ОП. Я думаю, unite_(data, "b_c_d", cols)що, або залежно від їх фактичних даних. Кадр, також unite(data, b_c_d, -a)може бути кандидатом.
Sam Firke

13

Я побудував би новий data.frame:

d <- data.frame('a' = 1:3, 'b' = c('a','b','c'), 'c' = c('d', 'e', 'f'), 'd' = c('g', 'h', 'i')) 

cols <- c( 'b' , 'c' , 'd' )

data.frame(a = d[, 'a'], x = do.call(paste, c(d[ , cols], list(sep = '-'))))

зауважте, що замість d[ , cols]вас може знадобитися використовувати, d[ , names(d) != 'a']якщо всі крім aстовпця потрібно вставити разом.
баптист

1
Одне з канонічних рішень щодо SO, я думаю, ви можете скоротити це cbind(a = d['a'], x = do.call(paste, c(d[cols], sep = '-'))), наприклад, уникати коми, listі data.frame, використовуючи data.frameметодcbind
David Arenburg

9

Просто додати додаткове рішення, Reduceяке, мабуть, повільніше, do.callале, мабуть, краще, ніж applyтому, що це дозволить уникнути matrixперетворення. Крім того, замість forциклу, який ми могли б просто використовувати setdiffдля того, щоб видалити небажані стовпці

cols <- c('b','c','d')
data$x <- Reduce(function(...) paste(..., sep = "-"), data[cols])
data[setdiff(names(data), cols)]
#   a     x
# 1 1 a-d-g
# 2 2 b-e-h
# 3 3 c-f-i

В якості альтернативи ми могли б оновити dataна місці, використовуючи data.tableпакет (припускаючи свіжі дані)

library(data.table)
setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD[, mget(cols)])]
data[, (cols) := NULL]
data
#    a     x
# 1: 1 a-d-g
# 2: 2 b-e-h
# 3: 3 c-f-i

Інший варіант - використовувати .SDcolsзамість mgetяк у

setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD), .SDcols = cols]

5

Я порівняв відповіді Ентоні Даміко, Брайана Діггза та data_steve на невеликій вибірці tbl_dfта отримав наступні результати.

> data <- data.frame('a' = 1:3, 
+                    'b' = c('a','b','c'), 
+                    'c' = c('d', 'e', 'f'), 
+                    'd' = c('g', 'h', 'i'))
> data <- tbl_df(data)
> cols <- c("b", "c", "d")
> microbenchmark(
+     do.call(paste, c(data[cols], sep="-")),
+     apply( data[ , cols ] , 1 , paste , collapse = "-" ),
+     tidyr::unite_(data, "x", cols, sep="-")$x,
+     times=1000
+ )
Unit: microseconds
                                         expr     min      lq      mean  median       uq       max neval
do.call(paste, c(data[cols], sep = "-"))       65.248  78.380  93.90888  86.177  99.3090   436.220  1000
apply(data[, cols], 1, paste, collapse = "-") 223.239 263.044 313.11977 289.514 338.5520   743.583  1000
tidyr::unite_(data, "x", cols, sep = "-")$x   376.716 448.120 556.65424 501.877 606.9315 11537.846  1000

Однак, коли я оцінив самостійно tbl_dfз ~ 1 мільйоном рядків і 10 стовпцями, результати були зовсім іншими.

> microbenchmark(
+     do.call(paste, c(data[c("a", "b")], sep="-")),
+     apply( data[ , c("a", "b") ] , 1 , paste , collapse = "-" ),
+     tidyr::unite_(data, "c", c("a", "b"), sep="-")$c,
+     times=25
+ )
Unit: milliseconds
                                                       expr        min         lq      mean     median        uq       max neval
do.call(paste, c(data[c("a", "b")], sep="-"))                 930.7208   951.3048  1129.334   997.2744  1066.084  2169.147    25
apply( data[ , c("a", "b") ] , 1 , paste , collapse = "-" )  9368.2800 10948.0124 11678.393 11136.3756 11878.308 17587.617    25
tidyr::unite_(data, "c", c("a", "b"), sep="-")$c              968.5861  1008.4716  1095.886  1035.8348  1082.726  1759.349    25

5

На мій погляд, sprintf-функція також заслуговує місця серед цих відповідей. Ви можете використовувати sprintfнаступне:

do.call(sprintf, c(d[cols], '%s-%s-%s'))

що дає:

 [1] "a-d-g" "b-e-h" "c-f-i"

І щоб створити необхідний фрейм даних:

data.frame(a = d$a, x = do.call(sprintf, c(d[cols], '%s-%s-%s')))

даючи:

  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i

Хоча sprintfне має однозначної переваги над do.call/ pasteкомбінацією @BrianDiggs, це особливо корисно, коли ви також хочете заповнити певні частини бажаного рядка або коли ви хочете вказати кількість цифр. Дивіться ?sprintfкілька варіантів.

Іншим варіантом буде використання pmapз:

pmap(d[2:4], paste, sep = '-')

Примітка: це pmapрішення працює лише тоді, коли стовпці не є факторами.


Орієнтир для більшого набору даних:

# create a larger dataset
d2 <- d[sample(1:3,1e6,TRUE),]
# benchmark
library(microbenchmark)
microbenchmark(
  docp = do.call(paste, c(d2[cols], sep="-")),
  appl = apply( d2[, cols ] , 1 , paste , collapse = "-" ),
  tidr = tidyr::unite_(d2, "x", cols, sep="-")$x,
  docs = do.call(sprintf, c(d2[cols], '%s-%s-%s')),
  times=10)

призводить до:

Unit: milliseconds
 expr       min        lq      mean    median        uq       max neval cld
 docp  214.1786  226.2835  297.1487  241.6150  409.2495  493.5036    10 a  
 appl 3832.3252 4048.9320 4131.6906 4072.4235 4255.1347 4486.9787    10   c
 tidr  206.9326  216.8619  275.4556  252.1381  318.4249  407.9816    10 a  
 docs  413.9073  443.1550  490.6520  453.1635  530.1318  659.8400    10  b 

Використані дані:

d <- data.frame(a = 1:3, b = c('a','b','c'), c = c('d','e','f'), d = c('g','h','i')) 

3

Ось досить нетрадиційний (але швидкий) підхід: використовуйте fwriteвід, data.tableщоб "вставити" стовпці разом і freadзнову прочитати їх. Для зручності я написав кроки як функцію, що називається fpaste:

fpaste <- function(dt, sep = ",") {
  x <- tempfile()
  fwrite(dt, file = x, sep = sep, col.names = FALSE)
  fread(x, sep = "\n", header = FALSE)
}

Ось приклад:

d <- data.frame(a = 1:3, b = c('a','b','c'), c = c('d','e','f'), d = c('g','h','i')) 
cols = c("b", "c", "d")

fpaste(d[cols], "-")
#       V1
# 1: a-d-g
# 2: b-e-h
# 3: c-f-i

Як це виконує?

d2 <- d[sample(1:3,1e6,TRUE),]
  
library(microbenchmark)
microbenchmark(
  docp = do.call(paste, c(d2[cols], sep="-")),
  tidr = tidyr::unite_(d2, "x", cols, sep="-")$x,
  docs = do.call(sprintf, c(d2[cols], '%s-%s-%s')),
  appl = apply( d2[, cols ] , 1 , paste , collapse = "-" ),
  fpaste = fpaste(d2[cols], "-")$V1,
  dt2 = as.data.table(d2)[, x := Reduce(function(...) paste(..., sep = "-"), .SD), .SDcols = cols][],
  times=10)
# Unit: milliseconds
#    expr        min         lq      mean     median         uq       max neval
#    docp  215.34536  217.22102  220.3603  221.44104  223.27224  225.0906    10
#    tidr  215.19907  215.81210  220.7131  220.09636  225.32717  229.6822    10
#    docs  281.16679  285.49786  289.4514  286.68738  290.17249  312.5484    10
#    appl 2816.61899 3106.19944 3259.3924 3266.45186 3401.80291 3804.7263    10
#  fpaste   88.57108   89.67795  101.1524   90.59217   91.76415  197.1555    10
#     dt2  301.95508  310.79082  384.8247  316.29807  383.94993  874.4472    10

Що робити, якщо ви пишете і читаєте на диску? Порівняння було б трохи справедливішим.
jangorecki

@jangorecki, не впевнений, що я роблю це правильно (я розпочав R з TMPDIR=/dev/shm R), але я не помічаю величезної різниці в порівнянні з цими результатами. Я також не грав взагалі з числом ниток , використовуваних для freadабо , fwriteщоб побачити , як це впливає на результати.
A5C1D2H2I1M1N2O1R2T1

1
library(plyr)

ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[2:4],sep="",collapse="-"))))

#      x
#1 a-d-g
#2 b-e-h
#3 c-f-i

#  and with just the vector of names you have:

ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[c('b','c','d')],sep="",collapse="-"))))

# or equally:
mynames <-c('b','c','d')
ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[mynames],sep="",collapse="-"))))    

0

Я знаю, що це старе запитання, але подумав, що я все одно повинен запропонувати просте рішення за допомогою функції paste (), як запропонував запитувач:

data_1<-data.frame(a=data$a,"x"=paste(data$b,data$c,data$d,sep="-")) 
data_1
  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.