如何拆分数据框列并相应地复制行？ [复制]答案

【问题标题】：How to strsplit data frame column and replicate rows accordingly? [duplicate]如何拆分数据框列并相应地复制行？ [复制]
【发布时间】：2014-08-27 00:57:35
【问题描述】：

我有一个这样的数据框：

> df <- data.frame(Column1=c("id1", "id2", "id3"), Column2=c("text1,text2,text3", "text4", "text5,text6"), Column3=c("text7", "text8,text9,text10,text11", "text12,text13"))

> df
  Column1           Column2                   Column3
1     id1 text1,text2,text3                     text7
2     id2             text4 text8,text9,text10,text11
3     id3       text5,text6             text12,text13

如何将其转换为这种格式？

  Column1 variable                     value
1     id1  Column2                     text1
2     id1  Column2                     text2
3     id1  Column2                     text3
4     id2  Column2                     text4
5     id3  Column2                     text5
6     id3  Column2                     text6
7     id1  Column3                     text7
8     id2  Column3                     text8
9     id2  Column3                     text9
10    id2  Column3                    text10
11    id2  Column3                    text11
12    id3  Column3                    text12
13    id3  Column3                    text13

我想第一步是 melt() 数据框（顺便说一句，我应该担心那个警告吗？）：

> library(reshape2)    
> mdf <- melt(df, id.vars="Column1", measure.vars=c("Column2", "Column3"))
> mdf
  Column1 variable                     value
1     id1  Column2         text1,text2,text3
2     id2  Column2                     text4
3     id3  Column2               text5,text6
4     id1  Column3                     text7
5     id2  Column3 text8,text9,text10,text11
6     id3  Column3             text12,text13
Warning message:
attributes are not identical across measure variables; they will be dropped

然后我基本上需要 ``strsplit()` 'value' 列并相应地复制行，但我想不出办法。

> strsplit(mdf$value, ",")
[[1]]
[1] "text1" "text2" "text3"

[[2]]
[1] "text4"

[[3]]
[1] "text5" "text6"

[[4]]
[1] "text7"

[[5]]
[1] "text8"  "text9"  "text10" "text11"

[[6]]
[1] "text12" "text13"

感谢任何帮助！谢谢。

【问题讨论】：

标签： r split dataframe reshape2 melt

【解决方案1】：

data.table 解决方案：

library(data.table)
mdt <- melt(setDT(df), id.vars="Column1")[,strsplit(as.character(value),",",fixed=TRUE),
                                          by=list(Column1,variable)]

结果：

> mdt
    Column1 variable     V1
 1:     id1  Column2  text1
 2:     id1  Column2  text2
 3:     id1  Column2  text3
....

您还可以使用latest version of data.table (v1.9.5+) 中的tstrsplit 函数，该函数保留value 列的名称，而不是将其重命名为V1：

mdt <- melt(setDT(df), id.vars="Column1")[,lapply(.SD, function(x) tstrsplit(x, ",", fixed=TRUE)),
                                          by=list(Column1,variable)]

结果：

> mdt
    Column1 variable  value
 1:     id1  Column2  text1
 2:     id1  Column2  text2
 3:     id1  Column2  text3
....

dplyr & tidyr 的替代解决方案：

library(dplyr)
library(tidyr)
mdf <- df %>% gather(variable, value, -Column1) %>% 
  transform(value = strsplit(as.character(value),",")) %>%
  unnest(value)

结果：

> mdf
   Column1 variable  value
1      id1  Column2  text1
2      id1  Column2  text2
3      id1  Column2  text3
....

使用最新版tidyr，还可以使用separate_rows-函数：

mdf <- df %>% 
  gather(variable, value, -Column1) %>% 
  separate_rows(value)

【讨论】：

“data.table”方法与cSplit 的做法差不多，但还有一些其他选项（例如让拆分数据为宽格式）。
data.table 和 dplyr 在功能上经常重叠。有没有办法用 dplyr 达到同样的效果？
@enrico16 我更新了我的答案，加入了dplyr 解决方案，我还更新了data.table 解决方案。

【解决方案2】：

关于警告：它出现是因为您正在使用因子变量进行熔化。

在您的示例中，您可以避免在 df 声明的末尾添加 stringAsFactors=FALSE 的警告：

df <- data.frame(Column1=c("id1", "id2", "id3"), Column2=c("text1,text2,text3", "text4", "text5,text6"), Column3=c("text7", "text8,text9,text10,text11", "text12,text13"), stringsAsFactors=FALSE)

【讨论】：

【解决方案3】：

你可以试试：

 library(reshape2)

cSplit 来自https://gist.github.com/mrdwab/11380733

 cSplit(melt(df, id.vars="Column1"), "value", ",", "long")
 #      Column1 variable  value
 # 1:     id1  Column2  text1
 # 2:     id1  Column2  text2
 # 3:     id1  Column2  text3
 # 4:     id2  Column2  text4
 # 5:     id3  Column2  text5
 # 6:     id3  Column2  text6
 # 7:     id1  Column3  text7
 # 8:     id2  Column3  text8
 # 9:     id2  Column3  text9
 #10:     id2  Column3 text10
 #11:     id2  Column3 text11
 #12:     id3  Column3 text12
 #13:     id3  Column3 text13

或者，如果想坚持使用 CRAN 包中提供的功能：

library(reshape2)
library(splitstackshape)
library(dplyr)
select(na.omit(concat.split.multiple(melt(df, id.vars="Column1"), split.col="value", sep=",", direction="long")), -time)

【讨论】：

这个答案很震撼！！！ :-) 但是，我可能会改用cSplit(melt(df, id.vars="Column1"), "value", ",", "long")。
@Ananda Mahto，谢谢。我用您建议的紧凑版本更新了代码。当我第一次运行代码时，它给出了一条警告消息；警告消息：度量变量的属性不相同；他们将被丢弃。现在，我没有收到消息。
@AnandaMahto，cSplit() 是包的一部分吗？我发现 splitstackshape::concat.split.multiple() 的工作方式类似，但在使用 direction='long' 时会令人讨厌地插入一个“时间”列。
@Enrico，还没有。一旦我有时间弄清楚需要从“splitstackshape”中修剪什么，它将取代concat.split.multiple。您提到的时间变量是reshape 函数的副作用。
cSplit() 于 1.4.0 发布（2014 年 10 月）r-bloggers.com/splitstackshape-v1-4-0-for-r

【解决方案4】：

你已经走到这一步了：

mdf <- melt(df, id.vars="Column1", measure.vars=c("Column2", "Column3"))
values <- strsplit(mdf$value, ",")

现在您需要做的就是创建要使用mdf 的哪些行的索引：

n <- vapply(values, length, integer(1))
index <- rep.int(seq_along(n), n)

然后将其与值结合起来：

cbind(mdf[index,], unlist(values, use.names = FALSE))

【讨论】：