在data.table列中拆分文本字符串

Der*_*wis 72 r data.table

我有一个脚本,将CSV文件中的数据读入a data.table,然后将一列中的文本拆分为几个新列.我目前正在使用lapplystrsplit函数来执行此操作.这是一个例子:

library("data.table")
df = data.table(PREFIX = c("A_B","A_C","A_D","B_A","B_C","B_D"),
                VALUE  = 1:6)
dt = as.data.table(df)

# split PREFIX into new columns
dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))

dt 
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D 
Run Code Online (Sandbox Code Playgroud)

在上面的示例中,该列PREFIX分为两个新列PXPY"_"字符.

虽然这很好用,但我想知道是否有更好(更有效)的方法来使用它data.table.我的真实数据集有> = 10M +行,因此时间/内存效率变得非常重要.


更新:

按照@Frank的建议,我创建了一个更大的测试用例并使用了建议的命令,但是stringr::str_split_fixed比原始方法需要更长的时间.

library("data.table")
library("stringr")
system.time ({
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                    VALUE  = rep(1:6, 1000000))
    dt = data.table(df)
})
#   user  system elapsed 
#  0.682   0.075   0.758 

system.time({ dt[, c("PX","PY") := data.table(str_split_fixed(PREFIX,"_",2))] })
#    user  system elapsed 
# 738.283   3.103 741.674 

rm(dt)
system.time ( {
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                     VALUE = rep(1:6, 1000000) )
    dt = as.data.table(df)
})
#    user  system elapsed 
#   0.123   0.000   0.123 

# split PREFIX into new columns
system.time ({
    dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
    dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))
})
#    user  system elapsed 
#  33.185   0.000  33.191 
Run Code Online (Sandbox Code Playgroud)

因此该str_split_fixed方法需要大约20倍的时间.

Aru*_*run 106

更新:从版本1.9.6(截至2015年9月的CRAN),我们可以使用该函数tstrsplit()直接获得结果(并以更有效的方式):

require(data.table) ## v1.9.6+
dt[, c("PX", "PY") := tstrsplit(PREFIX, "_", fixed=TRUE)]
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D
Run Code Online (Sandbox Code Playgroud)

tstrsplit()基本上是一个包装器transpose(strsplit()),其中transpose()函数也是最近实现的,转换列表.请参阅?tstrsplit()?transpose()示例.

查看旧答案的历史记录.

  • 我想知道如何猜测LHS上的列数:=并​​根据grep tstrsplit出现动态创建_new_列的名称 (3认同)

Ha *_*ham 14

我为那些不使用data.table v1.9.5并且想要一行解决方案的人添加了答案.

dt[, c('PX','PY') := do.call(Map, c(f = c, strsplit(PREFIX, '-'))) ]
Run Code Online (Sandbox Code Playgroud)


zx8*_*754 7

使用splitstackshape包:

library(splitstackshape)
cSplit(df, splitCols = "PREFIX", sep = "_", direction = "wide", drop = FALSE)
#    PREFIX VALUE PREFIX_1 PREFIX_2
# 1:    A_B     1        A        B
# 2:    A_C     2        A        C
# 3:    A_D     3        A        D
# 4:    B_A     4        B        A
# 5:    B_C     5        B        C
# 6:    B_D     6        B        D
Run Code Online (Sandbox Code Playgroud)


小智 6

我们可以尝试:

library(data.table)  
cbind(dt, fread(text = dt$PREFIX, sep = "_", header = FALSE))
    #    PREFIX VALUE V1 V2
    # 1:    A_B     1  A  B
    # 2:    A_C     2  A  C
    # 3:    A_D     3  A  D
    # 4:    B_A     4  B  A
    # 5:    B_C     5  B  C
    # 6:    B_D     6  B  D
Run Code Online (Sandbox Code Playgroud)