在 data.table 列中拆分文本字符串

Question

我有一个脚本，它将 CSV 文件中的数据读入 data.table，然后将一列中的文本拆分为几个新列。我目前正在使用lapply 和strsplit 函数来执行此操作。这是一个例子：

library("data.table")
df = data.table(PREFIX = c("A_B","A_C","A_D","B_A","B_C","B_D"),
                VALUE  = 1:6)
dt = as.data.table(df)

# split PREFIX into new columns
dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))

dt 
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D 

在上面的示例中，PREFIX 列在“_”字符上被拆分为两个新列 PX 和 PY。

尽管这工作得很好，但我想知道是否有更好（更有效）的方法来使用data.table。我的真实数据集有 >=10M+ 行，因此时间/内存效率变得非常重要。

---

更新：

按照@Frank 的建议，我创建了一个更大的测试用例并使用了建议的命令，但stringr::str_split_fixed 比原来的方法花费的时间要长很多。

library("data.table")
library("stringr")
system.time ({
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                    VALUE  = rep(1:6, 1000000))
    dt = data.table(df)
})
#   user  system elapsed 
#  0.682   0.075   0.758 

system.time({ dt[, c("PX","PY") := data.table(str_split_fixed(PREFIX,"_",2))] })
#    user  system elapsed 
# 738.283   3.103 741.674 

rm(dt)
system.time ( {
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                     VALUE = rep(1:6, 1000000) )
    dt = as.data.table(df)
})
#    user  system elapsed 
#   0.123   0.000   0.123 

# split PREFIX into new columns
system.time ({
    dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
    dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))
})
#    user  system elapsed 
#  33.185   0.000  33.191 

所以str_split_fixed 方法需要大约 20 倍的时间。

Answer 1

更新：从版本 1.9.6（截至 2015 年 9 月在 CRAN 上），我们可以使用函数 tstrsplit() 直接获取结果（并且以更有效的方式）：

require(data.table) ## v1.9.6+
dt[, c("PX", "PY") := tstrsplit(PREFIX, "_", fixed=TRUE)]
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D

tstrsplit() 基本上是transpose(strsplit()) 的包装器，其中transpose() 函数，也是最近实现的，转置了一个列表。有关示例，请参阅 ?tstrsplit() 和 ?transpose()。

查看历史以获取旧答案。

Answer 2

我为不使用 data.tablev1.9.5 并且还想要单行解决方案的人添加答案。

dt[, c('PX','PY') := do.call(Map, c(f = c, strsplit(PREFIX, '-'))) ]

Answer 3

使用splitstackshape 包：

library(splitstackshape)
cSplit(df, splitCols = "PREFIX", sep = "_", direction = "wide", drop = FALSE)
#    PREFIX VALUE PREFIX_1 PREFIX_2
# 1:    A_B     1        A        B
# 2:    A_C     2        A        C
# 3:    A_D     3        A        D
# 4:    B_A     4        B        A
# 5:    B_C     5        B        C
# 6:    B_D     6        B        D

Answer 4

我们可以试试：

library(data.table)  
cbind(dt, fread(text = dt$PREFIX, sep = "_", header = FALSE))
    #    PREFIX VALUE V1 V2
    # 1:    A_B     1  A  B
    # 2:    A_C     2  A  C
    # 3:    A_D     3  A  D
    # 4:    B_A     4  B  A
    # 5:    B_C     5  B  C
    # 6:    B_D     6  B  D

Answer 5

使用 tidyr 的解决方案是：

separate(df,col = "PREFIX",into = c("PX", "PY"), sep = "_")