将逗号分隔的列转换为带布尔值的列答案

【问题标题】：Convert Comma-Separated Column to Columns with Booleans将逗号分隔的列转换为带布尔值的列
【发布时间】：2015-08-23 05:58:30
【问题描述】：

我的 data.frame 的一个名为 services 的列中有以下逗号分隔的数据。

> dput(structure(df$services[1:5]))
list("Global Expense Management, Company Privacy Policy", "Removal Services, Global Expense Management", 
    "Removal Services, Exception &amp; Cost Admin, Global Cost Estimate, Company Privacy Policy", 
    "Removal Services, Exception &amp; Cost Admin, Ancillary Services, Global Cost Estimate, Global Expense Management, Perm Storage, Company Privacy Policy", 
    "Global Expense Management, Company Privacy Policy")

我想将此数据转换为我的数据框中的单独列，如果该行包含服务，则在该服务的列下设置 TRUE。否则，将值设置为 FALSE。

例如，如果我希望我的数据框看起来像这样：

GlobalExpenseManagement    |    CompanyPrivacyPolicy   |   etc...
TRUE                            TRUE
TRUE                            FALSE
FALSE                           TRUE

我假设我必须拆分逗号分隔值，将它们分组以删除重复项，然后将它们作为 names(df) 添加到我的数据框中。但是，如果该行包含该服务，我不知道如何迭代数据集并设置真/假。

有没有人认为必须这样做的好主意？

编辑：合并数据

我现在正在尝试将新矩阵与我现有的数据框结合起来，以用新的列对应物替换服务。我已经根据@plafort 在下面的精彩回答进行了尝试：

names(df) <- headnames
rbind(mat, df)

但是，我收到此错误：

名称错误(df)

我也试过这个：

final <- data.frame(cbind(mat, df))

但是，它似乎缺少来自df 的列。如何合并从mat 到df 的列？

【问题讨论】：

标签： r csv dataframe

【解决方案1】：

试试：

splitup <- sapply(unlist(lst), strsplit, ', ')
headnames <- unique(unlist(splitup))
(mat <- t(unname(sapply(splitup, function(x) headnames %in% x))))

      [,1]  [,2]  [,3]  [,4]  [,5]  [,6]  [,7]
[1,]  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE
[2,]  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE
[3,] FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE
[4,]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[5,]  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE

我们首先用逗号分割数据，然后使用unlist 直接访问元素。 headnames 就像你提到的那样，寻找独特的类别标题。最后一行首先将标题类别与每个列表项匹配，然后使用unname 删除自动命名并将数据转换回我们希望使用t 的方式。

为了在顶部添加名称，我们使用函数colnames 分配先前定义为列标题的唯一名称。该顺序正确运行，因为这是用于进行行观察的 headnames 向量。

colnames(mat) <- headnames

Global Expense Management Company Privacy Policy
[1,]                      TRUE                   TRUE
[2,]                      TRUE                  FALSE
[3,]                     FALSE                   TRUE
[4,]                      TRUE                   TRUE
[5,]                      TRUE                   TRUE...

【讨论】：

看起来棒极了。无论如何要将这些列及其行附加到我现有data.frame的末尾？ df[] <- mat 会工作吗？我现在正在尝试这个，但我想我会问一下，以防我错了。
你也许可以。列长度必须相同。此外，如果对象的类是混合的，则数据将被强制转换为字符。
如果你使用函数调用df[] <- mat，数据不会被追加，而是被覆盖。
编辑：df[] <- mat 无效。我只想将mat 中的所有列附加到df。行数应该已经匹配了。
试试rbind(mat, df)，但首先你必须将列名与names(df) <- headnames匹配

【解决方案2】：

我会从我的“splitstackshape”包中考虑cSplit_e。结果是二进制的“1”和“0”，而不是TRUE 和FALSE，但这应该很容易转换。

样本数据：

df <- data.frame(services = I(
  list("Global Expense Management, Company Privacy Policy", "Removal Services, Global Expense Management", 
       "Removal Services, Exception &amp; Cost Admin, Global Cost Estimate, Company Privacy Policy", 
       "Removal Services, Exception &amp; Cost Admin, Ancillary Services, Global Cost Estimate, Global Expense Management, Perm Storage, Company Privacy Policy", 
       "Global Expense Management, Company Privacy Policy")))

将“服务”列转换为vector 而不是list：

df$services <- unlist(df$services)

现在拆分一下：

library(splitstackshape)
cSplit_e(df, "services", ",", type = "character", fill = 0)
##                                                                                                                                                  services
## 1                                                                                                       Global Expense Management, Company Privacy Policy
## 2                                                                                                             Removal Services, Global Expense Management
## 3                                                              Removal Services, Exception &amp; Cost Admin, Global Cost Estimate, Company Privacy Policy
## 4 Removal Services, Exception &amp; Cost Admin, Ancillary Services, Global Cost Estimate, Global Expense Management, Perm Storage, Company Privacy Policy
## 5                                                                                                       Global Expense Management, Company Privacy Policy
##   services_Ancillary Services services_Company Privacy Policy services_Exception &amp; Cost Admin
## 1                           0                               1                                   0
## 2                           0                               0                                   0
## 3                           0                               1                                   1
## 4                           1                               1                                   1
## 5                           0                               1                                   0
##   services_Global Cost Estimate services_Global Expense Management services_Perm Storage
## 1                             0                                  1                     0
## 2                             0                                  1                     0
## 3                             1                                  0                     0
## 4                             1                                  1                     1
## 5                             0                                  1                     0
##   services_Removal Services
## 1                         0
## 2                         1
## 3                         1
## 4                         1
## 5                         0

【讨论】：

这看起来很棒，我尝试使用cSplit，但不知道cSplit_e。问题是，我的 CSV 数据中有特殊字符，所以它给了我Error: unexpected symbol in "df <- cSplit_e(df, 'services', ',' type"。我正在使用正则表达式来删除除字母、空格和逗号之外的所有内容...
我删除了特殊字符，但它仍然给我错误。我就是这样做的：cleanServiceNames <- function(x) gsub('[^A-Za-z,]', '', x) 和 df$services <- lapply(df$services, cleanServiceNames)。有什么想法吗？
@user1477388，您能否使用dput 在一个可重现的小示例中隔离问题？如果可以的话，我也许可以提供帮助，但除此之外，排除故障有点困难。
这就是问题所在。我上面已经有dput(structure(db$services[1:5]))，但我不知道导致错误的“特殊字符”在哪里。我认为从我的正则表达式中，除了逗号和字母之外的所有内容都应该被删除。所以，除了整个数据集很大之外，我不知道该给你什么来重现。
@user1477388，我不知道该推荐什么。您能否检查数据集并查看是否有任何可能导致问题的可疑行？如果是这样，请尝试使用dput。