基于逗号聚合列

Posted

技术标签:

【中文标题】基于逗号聚合列【英文标题】:aggregating columns based on commas 【发布时间】:2018-12-10 18:23:49 【问题描述】:

我有以下数据框,我正在尝试分隔逗号并将该特定名称转换为它们自己的单独列,并指定该特定 ID 是否存在该特定列名称(由逗号分隔)。 (1 = 是,0 = 否)任何帮助将不胜感激!谢谢!

ID<- c(1,2,3,4,5,6)
Details<- c("V1,V2", "V1,V3", "V1", "V2", "V3,V4", "V2,V3" )

data.frame <- data.frame(ID, Details, stringsAsFactors=FALSE)

期望的输出:

ID<-c(1,2,3,4,5,6)
V1<-c(1,1,1,0,0,0)
V2<-c(1,0,0,1,0,1)
V3<-c(0,1,0,0,1,1)
V4<-c(0,0,0,0,1,0)

data.frame1<-data.frame(ID, V1, V2, V3, V4, stringsAsFactors=FALSE)

【问题讨论】:

【参考方案1】:

使用tidyverse 包的解决方案。 dat 是您的示例数据框。 dat2 是最终的数据帧。

library(tidyverse)

dat2 <- dat %>%
  separate_rows(Details) %>%
  mutate(Value = 1L) %>%
  spread(Details, Value, fill = 0L)
dat2
#   ID V1 V2 V3 V4
# 1  1  1  1  0  0
# 2  2  1  0  1  0
# 3  3  1  0  0  0
# 4  4  0  1  0  0
# 5  5  0  0  1  1
# 6  6  0  1  1  0

【讨论】:

【参考方案2】:

mtabulate 的一个选项来自qdapTools

library(qdapTools)
cbind.data.frame(ID, # or data.frame$ID
                 mtabulate(strsplit(as.character(data.frame$Details), ",")))
# output
  ID V1 V2 V3 V4
1  1  1  1  0  0
2  2  1  0  1  0
3  3  1  0  0  0
4  4  0  1  0  0
5  5  0  0  1  1
6  6  0  1  1  0

【讨论】:

【参考方案3】:

这是一个基本的 R 解决方案。我已将您的 data.frames 重命名为 data1data2

data1 <- data.frame(ID, Details, stringsAsFactors=FALSE)
data2 <- data.frame(ID, V1, V2, V3, V4, stringsAsFactors=FALSE)        

nms <- unique(unlist(strsplit(data1$Details, ",")))
data3 <- cbind.data.frame(ID, sapply(nms, grepl, data1$Details))
data3[-1] <- lapply(data3[-1], as.integer)

现在将data3 与您的预期结果data2 进行比较。

all.equal(data2, data3)
#[1] TRUE

但请注意,

identical(data2, data3)
#[1] FALSE

这是因为我使用了as.integer 并且data2 中的值属于"numeric" 类。如果这有所不同,您可以将上面的lapply 指令更改为使用as.numeric

【讨论】:

【参考方案4】:

我看到的最直接的方法是为隐藏在字符串中的每个向量构建一个 data.frame 并绑定它们。 purrr 可以帮助使其非常紧凑。请注意,不需要列 ID,我将直接处理 Details

library(purrr)
df <- map_dfr(strsplit(Details, ","),
              ~data.frame(t(setNames(rep(1, length(.x)), .x))))
df[is.na(df)] <- 0

#   V1 V2 V3 V4
# 1  1  1  0  0
# 2  1  0  1  0
# 3  1  0  0  0
# 4  0  1  0  0
# 5  0  0  1  1
# 6  0  1  1  0

您还可以拆分和取消列出以获得不同的值,然后在原始向量中查找它们:

unique_v <- unique(unlist(strsplit(Details, ",")))
map_dfc(unique_v, ~as.numeric(grepl(.x, Details)))
# # A tibble: 6 x 4
#      V1    V2    V3    V4
#   <dbl> <dbl> <dbl> <dbl>
# 1     1     1     0     0
# 2     1     0     1     0
# 3     1     0     0     0
# 4     0     1     0     0
# 5     0     0     1     1
# 6     0     1     1     0

如果您知道列数,我们也可以进行一些脏字符串评估:

m <- as.data.frame(matrix(0,ncol=4,nrow=6))
eval(parse(text=paste0("m[",ID,", c(",gsub("V","",Details),")] <- 1")))
#   V1 V2 V3 V4
# 1  1  1  0  0
# 2  1  0  1  0
# 3  1  0  0  0
# 4  0  1  0  0
# 5  0  0  1  1
# 6  0  1  1  0

【讨论】:

【参考方案5】:

使用基础 R:

 xtabs(val~.,cbind.data.frame(ID=rep(ID,lengths(s<-strsplit(Details,","))),Details=unlist(s),val=1))
   Details
ID  V1 V2 V3 V4
  1  1  1  0  0
  2  1  0  1  0
  3  1  0  0  0
  4  0  1  0  0
  5  0  0  1  1
  6  0  1  1  0

【讨论】:

以上是关于基于逗号聚合列的主要内容,如果未能解决你的问题,请参考以下文章

使用 pandas 正则表达式基于逗号字符分隔列数据

语句聚合函数数学函数字符串函数时间日期函数

Python基于逗号分隔的字符向量列的值来熔化数据帧

pandas使用replace函数移除dataframe数值数据中的逗号并基于处理后的数据生成新的整型数据列(remove comma from column values in Pandas)

基于输入范围的排序逗号分隔字符串的 MAX/MIN 的 SQL 查询

MSSQL查询回显列之间用逗号分隔开怎么操作?