R Dataframe:按行,按行聚合列内的字符串

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,就像在我的实际案例中一样,"passage"是唯一的分组变量,因此并不完全有必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,我设计的这个程序将花费几个小时来处理我的计算机上R很容易处理的数据集.也许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 这是一种方式:

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,将额外的变量(除此之外passage)放在一起by并不会花费太多.

dplyr模拟是

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

基地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

这里有两种方法：

碱基R

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

dplyr

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