当所需变量的数量未知时如何使用 tidyr::separate [重复]

Posted 2023-02-14

【中文标题】当所需变量的数量未知时如何使用 tidyr::separate [重复]

【英文标题】：How to use tidyr::separate when the number of needed variables is unknown [duplicate]

【发布时间】：2016-01-22 04:25:52

【问题描述】：

我有一个包含电子邮件通信的数据集。一个例子：

library(dplyr)
library(tidyr)

dat <- data_frame('date' = Sys.time(), 
                  'from' = c("[e-mail]", "[e-mail]", 
                             "[e-mail]", "[e-mail]"), 
                  'to' = c("[e-mail],[e-mail]", "[e-mail]", 
                           "[e-mail],[e-mail],[e-mail]", "[e-mail]"))

在上面的例子中，很容易看出我需要多少个变量，所以我可以执行以下操作：

dat %>% separate(to, into = paste0("to_", 1:3), sep = ",", extra = "merge", fill = "right")

#Source: local data frame [4 x 5]
#
#                 date                from                to_1                to_2              to_3
#               (time)               (chr)               (chr)               (chr)             (chr)
#1 2015-10-22 14:52:41   [e-mail]   [e-mail] [e-mail]                NA
#2 2015-10-22 14:52:41   [e-mail] [e-mail]                  NA                NA
#3 2015-10-22 14:52:41 [e-mail]     [e-mail]   [e-mail] [e-mail]
#4 2015-10-22 14:52:41     [e-mail]   [e-mail]                  NA                NA

但是，我的数据集有 4,000 条记录，我不希望通过查找其中元素数量最多的行来确定需要创建多少变量。我处理这个问题的方法是首先自己拆分列并获取每个拆分的长度，然后找到最大值：

n_vars <- dat$to %>% str_split(",") %>% lapply(function(z) length(z)) %>% unlist() %>% max()

但这似乎效率低下。有更好的方法吗？

【问题讨论】：

也可以library(data.table) ; cbind(dat, setDT(dat)[, tstrsplit(to, ",")])

似乎是一个足够合理的解决方案，而不是加载另一个包。如果您已经在加载 tidyverse 可以使用 map_dbl 并删除 unlist 使其稍微干净一些。 dat$to %>% str_split(",") %>% map_dbl(~ length(.)) %>% max()

您可以更巧妙地计算 n_vars 而无需使用n_vars <- dat$to %>% str_count(pattern = ",") %>% max() + 1进行拆分

【参考方案1】：

这是个好问题——我通常的回答是使用strsplit，然后使用unnest 和spread，这也不是很高效：

library(dplyr)
library(tidyr)

dat %>% mutate(to = strsplit(to, ",")) %>%
        unnest(to) %>%
        group_by(from) %>%
        mutate(row = row_number()) %>%
        spread(row, to)

Source: local data frame [4 x 5]

                 date                from                   1                   2                 3
               (time)               (chr)               (chr)               (chr)             (chr)
1 2015-10-22 15:03:17   [e-mail]   [e-mail] [e-mail]                NA
2 2015-10-22 15:03:17   [e-mail] [e-mail]                  NA                NA
3 2015-10-22 15:03:17 [e-mail]     [e-mail]   [e-mail] [e-mail]
4 2015-10-22 15:03:17     [e-mail]   [e-mail]                  NA                NA

【讨论】：

我认为这样更好，因为你可以选择不传播到最后。将电子邮件分成所有这些单独的列似乎很愚蠢。

@bramtayl 我有一种感觉，故意分开让这很难，所以你最终不会得到宽数据而不是长数据

@bramtayl 我同意在这种情况下拥有广泛的数据没有意义（在大多数情况下也没有意义），但这是一个简单的概念，可以让你绕着头去了解底层当您不知道需要多少新列时使用separate 的问题。 Akrun 的解决方案仍然是一个不错的解决方案，因为您将 direction = "long" 设置为在一列中获取所有电子邮件。

请注意，如果您不想要宽数据集，只需在 unnest 处停止命令，那么您最终会得到 long 数据格式

【参考方案2】：

我们可以使用cSplit

library(splitstackshape) 
cSplit(dat, 'to', ',')