使用 tidyr 传播两列数据框

Posted 2023-02-14

【中文标题】使用 tidyr 传播两列数据框

【英文标题】：Spreading a two column data frame with tidyr

【发布时间】：2016-02-08 15:52:40

【问题描述】：

我有一个如下所示的数据框：

  a b
1 x 8
2 x 6
3 y 3
4 y 4
5 z 5
6 z 6

我想把它变成这样：

  x y z
1 8 3 5
2 6 4 6

但是打电话

library(tidyr)
df <- data.frame(
    a = c("x", "x", "y", "y", "z", "z"),
    b = c(8, 6, 3, 4, 5, 6)
)
df %>% spread(a, b)

返回

   x  y  z
1  8 NA NA
2  6 NA NA
3 NA  3 NA
4 NA  4 NA
5 NA NA  5
6 NA NA  6

我做错了什么？

【参考方案1】：

像这样？

df <- data.frame(ind = rep(1:min(table(df$a)), length(unique(df$a))), df)
df %>% spread(a, b) %>% select(-ind)
  ind x y z
1   1 8 3 5
2   2 6 4 6

【讨论】：

(1) 你能展示如何生成ind 而不对复制的长度和数量进行硬编码吗？ (2) %>% select(-ind) 将在您完成后摆脱指标变量...

您好@BenBolker，感谢您的建议。我编辑了它。想不出更好的方法...

也许df %>% group_by(a) %>% mutate(ind = row_number()) %>% spread(a, b) %>% select(-ind) ?

是的@StevenBeaupré，这很好。但是unstack 版本胜过这一切......

我只是想改善您的答案，因为您提到无法想出更好的方法

【参考方案2】：

虽然我知道你在关注tidyr，但base 在这种情况下有一个解决方案：

unstack(df, b~a)

也快一点：

Unit: microseconds

                expr     min      lq     mean  median       uq      max neval
 df %>% spread(a, b) 657.699 679.508 717.7725 690.484 724.9795 1648.381   100
  unstack(df, b ~ a) 309.891 335.264 349.4812 341.9635 351.6565 639.738   100

应大众需求，做大事

我没有包含data.table 解决方案，因为我不确定通过引用传递是否会成为microbenchmark 的问题。

library(microbenchmark)
library(tidyr)
library(magrittr)

nlevels <- 3
#Ensure that all levels have the same number of elements
nrow <- 1e6 - 1e6 %% nlevels
df <- data.frame(a=sample(rep(c("x", "y", "z"), length.out=nrow)),
                 b=sample.int(9, nrow, replace=TRUE))

microbenchmark(df %>% spread(a, b),  unstack(df, b ~ a), data.frame(split(df$b,df$a)), do.call(cbind,split(df$b,df$a)))

即使是 100 万，unstack 也更快。值得注意的是，split 解决方案也非常快。

Unit: milliseconds
                              expr       min        lq      mean    median       uq       max neval
               df %>% spread(a, b) 366.24426 414.46913 450.78504 453.75258 486.1113 542.03722   100
                unstack(df, b ~ a)  47.07663  51.17663  61.24411  53.05315  56.1114 102.71562   100
     data.frame(split(df$b, df$a))  19.44173  19.74379  22.28060  20.18726  22.1372  67.53844   100
 do.call(cbind, split(df$b, df$a))  26.99798  27.41594  31.27944  27.93225  31.2565  79.93624   100

【讨论】：

很好的答案。漂亮而简单。

stack/unstack 通常比较慢。这个基准是基于更大的数据集吗？

@akrun 一个很好的观察，我可以用更大的东西试试。

【参考方案3】：

您也可以使用 data.table 包中的 dcast 和 rowid 执行此操作：

dat <- dcast(setDT(df), rowid(a) ~ a, value.var = "b")[,a:=NULL]

给出：

> dat
   x y z
1: 8 3 5
2: 6 4 6

---

旧解决方案：

# create a sequence number by group
setDT(df)[, r:=1:.N, by = a]
# reshape to wide format and remove the sequence variable
dat <- dcast(df, r ~ a, value.var = "b")[,r:=NULL]

给出：

> dat
   x y z
1: 8 3 5
2: 6 4 6

【参考方案4】：

另一个base 答案（看起来也很快）：

data.frame(split(df$b,df$a))

【讨论】：

是的，快速检查显示您的解决方案在 unstack 解决方案的三分之二时间内完成。

@sebastian-c 如果对 data.frame 作为结果对象不感兴趣并且可以使用 matrix do.call(cbind,split(df$b,df$a)) 可以更快。

【参考方案5】：

从 tidyr 1.0.0 开始，您可以使用 pivot_wider()，并且因为 a 没有唯一值，您需要调用 unhop on top ：

library(tidyr)
df <- data.frame(
  a = c("x", "x", "y", "y", "z", "z"),
  b = c(8, 6, 3, 4, 5, 6)
)

pivot_wider(df, names_from = "a", values_from = "b", values_fn = list(b = list)) %>%
  unchop(everything())
#> # A tibble: 2 x 3
#>       x     y     z
#>   <dbl> <dbl> <dbl>
#> 1     8     3     5
#> 2     6     4     6

^{由reprex package (v0.3.0) 于 2019-09-14 创建}