【问题标题】：Better/faster way to concatenate two columns after removing duplicate values in one?将重复值合二为一后连接两列的更好/更快的方法？
【发布时间】：2016-01-06 21:37:34
【问题描述】：

我有一个包含两列的数据框，最后一列有重复：

 #reproducible data
    my.df <- data.frame(nr = paste(1:6,1,sep="_"),
                        text = c("aa","bb","aa",NA,"bb","xxxx"))
   nr text
1 1_1   aa
2 2_1   bb
3 3_1   aa
4 4_1 <NA>
5 5_1   bb
6 6_1 xxxx

我想对第一列中的值进行分组，然后添加第二列的值。我找到了一种方法来做到这一点：

apply(aggregate(nr~text, my.df, FUN=function(x) paste0(x, collapse = "/"))[,c(2,1)],1,FUN=function(x) paste(x[1],x[2], sep = ": "))

这给出了：

"1_1/3_1: aa" "2_1/5_1: bb" "6_1: xxxx"

这是我想要的结果，但代码似乎很长。我有一种感觉，一定有更好的，也许也更快的方法来做到这一点？

哦，是的，应该从结果中删除 NA。

编辑：

感谢您的所有回答。我认为会有比我自己的解决方案更简单的解决方案，但显然没有。可读性（恕我直言）非常主观，所以我做了一个基准测试：

microbenchmark(RHA(my.df),Heroka_DT(my.df),Heroka_Base(my.df),Jubbles(my.df),times=100L)

Unit: milliseconds
               expr       min        lq      mean    median        uq
         RHA(my.df)  9.116587  9.315988  9.662611  9.572361 10.036792
   Heroka_DT(my.df) 12.148374 12.448035 13.009290 12.766685 13.475480
 Heroka_Base(my.df)  2.947448  6.910890  7.475239  7.172847  7.614657
     Jubbles(my.df) 16.615067 40.609642 42.265267 41.799625 43.056632
      max neval
 10.78943   100
 21.12477   100
 15.97665   100
 61.68414   100

在这种情况下，基础解决方案显然比其他解决方案更快。由于 Heroka 有最短和最快的解决方案，我会接受他的回答。

【问题讨论】：

标签： r string performance

【解决方案1】：

您可以使用 data.table，它更短一些并且（恕我直言）更具可读性：

library(data.table)

res <- setDT(my.df)[!is.na(text),.(output=sprintf("%s: %s",paste(nr,collapse="/"),text)),text][,output]
res

> res
[1] "1_1/3_1: aa" "2_1/5_1: bb" "6_1: xxxx"

我们可以在 base-R 中做一些非常相似的事情：

sapply(split(my.df, my.df$text),function(x){with(x, sprintf("%s: %s",paste(nr, collapse="/"),text[1]))})

           aa            bb          xxxx 
"1_1/3_1: aa" "2_1/5_1: bb"   "6_1: xxxx"

【讨论】：

by = sapply + split，所以你可以这样做by(my.df, my.df$text,function(x)...

【解决方案2】：

我喜欢 Jubbles dplyr 方法，但是，我认为使用非常有用的 dplyr::do() 函数可以使其更具可读性。

my.df %>%
  group_by(text) %>%
  do(new_nr = paste(.$nr, collapse = "/")) %>%
  do(done = paste(.$new_nr, .$text, sep = ": "))

关于dplyr::do() 函数的注释。当它不是管道链的一部分时，它需要两个参数，数据和一个函数，即do(.data, .fun)。但是，当您使用管道时，数据会像往常一样自动放置在第一个参数中。但是，与其他 dplyr 函数不同，您必须引用已传递给 do() 的数据。您可以像往常一样使用$ 来执行此操作，但是在数据名称中，您会将传递给do 的数据称为.，因此.$。换句话说，do() 没有采用其他dplyr 函数采用的非标准评估方法。这当然是有目的的，因为它增加了do() 函数的功能。例如，它允许您拨打lm。

【讨论】：

您的代码出错：Error in do_.tbl_dt(.data, .dots = lazyeval::lazy_dots(...)) : argument ".f" is missing, with no default
@RHA，嗯...对我来说很好用。您是否加载了dplyr 库？我相信错误消息表明do 函数缺少用于评估数据的函数。但是，查看代码显然并非如此。对do 的每次调用都包含对paste 的调用。为了调试，有时放弃管道链很方便。例如d <- group_by(my.df, text) ; d <- do(d, new_nr = paste(d$nr, collapse = "/")) 等......让我知道你发现了什么。

【解决方案3】：

比data.table 更易读（IMO），但不短:)

# dplyr_0.4.3
library(dplyr)

(my.df %>%
filter(!(is.na(text))) %>%
group_by(text) %>%
summarize(my.nrs = paste(nr, collapse = "/")) %>%
ungroup() %>%
mutate(res = paste(my.nrs, text, sep = ": ")))$res

【讨论】：