为数据中的每一行构造一个标识符字符串答案

【问题标题】：constructing an identifier string for each row in data为数据中的每一行构造一个标识符字符串
【发布时间】：2013-07-02 19:46:08
【问题描述】：

我有以下数据：

library(data.table)
d = data.table(a = c(1:3), b = c(2:4))

并希望得到这个结果（以一种适用于任意数量列的方式）：

d[, c := paste0('a_', a, '_b_', b)]
d
#   a b       c
#1: 1 2 a_1_b_2
#2: 2 3 a_2_b_3
#3: 3 4 a_3_b_4

以下内容有效，但我希望找到更短更清晰的内容。

d = data.table(a = c(1:3), b = c(2:4))
d[, c := apply(mapply(paste, names(.SD), .SD, MoreArgs = list(sep = "_")),
               1, paste, collapse = "_")]

【问题讨论】：

标签： string r data.table

【解决方案1】：

一种方式，只是稍微干净一点：

d[, c :=  apply(d, 1, function(x) paste(names(d), x, sep="_", collapse="_")) ]

     a b       c
1: 1 2 a_1_b_2
2: 2 3 a_2_b_3
3: 3 4 a_3_b_4

【讨论】：

谢谢，用更少的应用肯定更清晰；当前的 R 高尔夫球冠军 :)
我认为apply 会将d 转换为矩阵。所以，会有副本，效率会降低。
@Roland，你是对的，这绝不是有效的。另一种方法是使用by=names(d)，但您必须将值拉回paste，或者您必须将paste拉到j的外部

【解决方案2】：

这是一种使用do.call('paste') 的方法，但只需要一次调用paste

我将在列是整数的情况下进行基准测试（因为这似乎是一个更明智的测试用例

N <- 1e4

d <- setnames(as.data.table(replicate(5, sample(N), simplify = FALSE)), letters[seq_len(5)])

f5 <- function(d){
  l <- length(d)
  o <- c(1L, l + 1L) + rep_len(seq_len(l) -1L, 2L * l)
  do.call('paste',c((c(as.list(names(d)),d))[o],sep='_'))}


microbenchmark(f1(d), f2(d),f5(d))
Unit: milliseconds
  expr       min        lq    median        uq       max neval
 f1(d)  41.51040  43.88348  44.60718  45.29426  52.83682   100
 f2(d) 193.94656 207.20362 210.88062 216.31977 252.11668   100
 f5(d)  30.73359  31.80593  32.09787  32.64103  45.68245   100

【讨论】：

【解决方案3】：

为了避免循环遍历行，你可以使用这个：

do.call(paste, c(lapply(names(d), function(n)paste0(n,"_",d[[n]])), sep="_"))

基准测试：

N <- 1e4

d <- data.table(a=runif(N),b=runif(N),c=runif(N),d=runif(N),e=runif(N))

f1 <- function(d)
{
    do.call(paste, c(lapply(names(d), function(n)paste0(n,"_",d[[n]])), sep="_"))
}

f2 <- function(d)
{
    apply(d, 1, function(x) paste(names(d), x, sep="_", collapse="_"))
}

require(microbenchmark)

microbenchmark(f1(d), f2(d))

注意：f2 灵感来自@Ricardo 的回答。

结果：

Unit: milliseconds
  expr      min       lq   median       uq      max neval
 f1(d) 195.8832 213.5017 216.3817 225.4292 254.3549   100
 f2(d) 418.3302 442.0676 451.0714 467.5824 567.7051   100

编辑说明：之前使用N <- 1e3 进行的基准测试在时间上没有太大差异。再次感谢@eddi。

【讨论】：

嗯，我 +1 是因为它看起来是正确的，但在测试时，我认为您的 f1 并没有按原样工作
哦好吧，你只需要把d[,n]替换成d[[n]]
在我的测试中，它实际上比 Ricardo 或 agstudy 的答案快 2 倍（运行与上面相同的代码，我也尝试了更大的 N）
我认为这个解决方案非常适合寻求速度的人，在这种情况下，我正在寻找更短的表达方式，这种速度差异并不重要；再次感谢
问题中没有指定这个约束（正如我刚刚意识到的那样），但是我实际上最终使用了这个版本，因为我需要在粘贴时保留列类型（我的实际计算是比 OP 更复杂）和 apply 破坏了该信息