Wklej wiele kolumn razem

100

Mam kilka kolumn w ramce danych, które chcę wkleić razem (oddzielone znakiem „-”) w następujący sposób:

data <- data.frame('a' = 1:3, 
                   'b' = c('a','b','c'), 
                   'c' = c('d', 'e', 'f'), 
                   'd' = c('g', 'h', 'i'))
i.e.     
     a   b   c  d  
     1   a   d   g  
     2   b   e   h  
     3   c   f   i  

Którym chcę się stać:

a x  
1 a-d-g  
2 b-e-h  
3 c-f-i  

Normalnie mógłbym to zrobić z:

within(data, x <- paste(b,c,d,sep='-'))

a potem usuwam stare kolumny ale niestety nie znam konkretnie nazw kolumn tylko zbiorcza nazwa dla wszystkich kolumn np bym wiedział że cols <- c('b','c','d')

Czy ktoś wie, jak to zrobić?

user1165199
źródło

Odpowiedzi:

104
# your starting data..
data <- data.frame('a' = 1:3, 'b' = c('a','b','c'), 'c' = c('d', 'e', 'f'), 'd' = c('g', 'h', 'i')) 

# columns to paste together
cols <- c( 'b' , 'c' , 'd' )

# create a new column `x` with the three columns collapsed together
data$x <- apply( data[ , cols ] , 1 , paste , collapse = "-" )

# remove the unnecessary columns
data <- data[ , !( names( data ) %in% cols ) ]
Anthony Damico
źródło
8
nie ma potrzeby aplikowania tutaj; pasta jest wektoryzowana, a to jest bardziej wydajne
baptiste
1
@baptiste ..możliwe bez do.call?
Anthony Damico
1
Oczywiście, możesz na przykład użyć evil(parse(...)), ale uważam, że do.calljest to właściwe wezwanie.
baptiste
Do.call tutaj jest lepszą techniką; utrzymuje wektoryzację.
Clayton Stanley
1
hmm .. jak byś przeszedł collapse = "-"? do paste?
Anthony Damico
48

Jako wariant odpowiedzi baptysty , ze datazdefiniowanymi jak masz i kolumnami, które chcesz połączyć, zdefiniowanymi wcols

cols <- c("b", "c", "d")

Możesz dodać nową kolumnę datai usunąć stare za pomocą

data$x <- do.call(paste, c(data[cols], sep="-"))
for (co in cols) data[co] <- NULL

co daje

> data
  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i
Brian Diggs
źródło
Czy brakuje przecinka w „c (data [cols], ...”? Na przykład: „c (data [, cols], ...”)
roschu,
2
@roschu Albo będzie działać. Indeksowanie data.framez jednym wektorem znakowym będzie indeksowaniem kolumny, mimo że pierwszym argumentem jest zwykle indeks wiersza.
Brian Diggs,
szybki i inteligentny. Dziękuję
Ali Khosro
33

Korzystając z tidyrpakietu, można to łatwo obsłużyć w jednym wywołaniu funkcji.

data <- data.frame('a' = 1:3, 
                   'b' = c('a','b','c'), 
                   'c' = c('d', 'e', 'f'), 
                   'd' = c('g', 'h', 'i'))

tidyr::unite_(data, paste(colnames(data)[-1], collapse="_"), colnames(data)[-1])

  a b_c_d
1 1 a_d_g
2 2 b_e_h
3 3 c_f_i

Edycja: wyklucz pierwszą kolumnę, wszystko inne zostanie wklejone.

# tidyr_0.6.3

unite(data, newCol, -a) 
# or by column index unite(data, newCol, -1)

#   a newCol
# 1 1  a_d_g
# 2 2  b_e_h
# 3 3  c_f_i
data_steve
źródło
3
Myślę, że OP wspomniał, że nie zna z góry nazwy kolumny., W przeciwnym razie mogliby to zrobić tak, within(data, x <- paste(b,c,d,sep='-'))jak zilustrowali.
David Arenburg
Zgadzam się z @DavidArenburg, to nie dotyczy sytuacji OP. Myślę, unite_(data, "b_c_d", cols)że lub w zależności od ich faktycznej ramki data.frame unite(data, b_c_d, -a)może być również kandydatem.
Sam Firke
14

Skonstruowałbym nową ramkę data.frame:

d <- data.frame('a' = 1:3, 'b' = c('a','b','c'), 'c' = c('d', 'e', 'f'), 'd' = c('g', 'h', 'i')) 

cols <- c( 'b' , 'c' , 'd' )

data.frame(a = d[, 'a'], x = do.call(paste, c(d[ , cols], list(sep = '-'))))
baptiste
źródło
pamiętaj, że zamiast d[ , cols]ciebie możesz chcieć użyć, d[ , names(d) != 'a']jeśli wszystkie oprócz akolumny mają zostać wklejone razem.
baptiste
2
Jednym z rozwiązań na kanonicznych tak, to myślę, że można skrócić to do cbind(a = d['a'], x = do.call(paste, c(d[cols], sep = '-'))), na przykład uniknąć przecinki, lista data.framepodczas korzystania z data.framemetodycbind
David Arenburg
9

Wystarczy dodać dodatkowe rozwiązanie, z Reducektórym prawdopodobnie jest wolniejsze niż, do.callale sondowanie lepsze niż, applyponieważ pozwoli uniknąć matrixkonwersji. Ponadto zamiast tego formożemy użyć pętli setdiff, aby usunąć niechciane kolumny

cols <- c('b','c','d')
data$x <- Reduce(function(...) paste(..., sep = "-"), data[cols])
data[setdiff(names(data), cols)]
#   a     x
# 1 1 a-d-g
# 2 2 b-e-h
# 3 3 c-f-i

Alternatywnie możemy zaktualizować datana miejscu za pomocą data.tablepakietu (zakładając świeże dane)

library(data.table)
setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD[, mget(cols)])]
data[, (cols) := NULL]
data
#    a     x
# 1: 1 a-d-g
# 2: 2 b-e-h
# 3: 3 c-f-i

Inną opcją jest użycie .SDcolszamiast mgetjak w

setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD), .SDcols = cols]
David Arenburg
źródło
5

Porównałem odpowiedzi Anthony'ego Damico, Briana Diggsa i data_steve na małej próbce tbl_dfi otrzymałem następujące wyniki.

> data <- data.frame('a' = 1:3, 
+                    'b' = c('a','b','c'), 
+                    'c' = c('d', 'e', 'f'), 
+                    'd' = c('g', 'h', 'i'))
> data <- tbl_df(data)
> cols <- c("b", "c", "d")
> microbenchmark(
+     do.call(paste, c(data[cols], sep="-")),
+     apply( data[ , cols ] , 1 , paste , collapse = "-" ),
+     tidyr::unite_(data, "x", cols, sep="-")$x,
+     times=1000
+ )
Unit: microseconds
                                         expr     min      lq      mean  median       uq       max neval
do.call(paste, c(data[cols], sep = "-"))       65.248  78.380  93.90888  86.177  99.3090   436.220  1000
apply(data[, cols], 1, paste, collapse = "-") 223.239 263.044 313.11977 289.514 338.5520   743.583  1000
tidyr::unite_(data, "x", cols, sep = "-")$x   376.716 448.120 556.65424 501.877 606.9315 11537.846  1000

Jednak gdy samodzielnie tbl_dfoceniłem z ~ 1 milionem wierszy i 10 kolumnami, wyniki były zupełnie inne.

> microbenchmark(
+     do.call(paste, c(data[c("a", "b")], sep="-")),
+     apply( data[ , c("a", "b") ] , 1 , paste , collapse = "-" ),
+     tidyr::unite_(data, "c", c("a", "b"), sep="-")$c,
+     times=25
+ )
Unit: milliseconds
                                                       expr        min         lq      mean     median        uq       max neval
do.call(paste, c(data[c("a", "b")], sep="-"))                 930.7208   951.3048  1129.334   997.2744  1066.084  2169.147    25
apply( data[ , c("a", "b") ] , 1 , paste , collapse = "-" )  9368.2800 10948.0124 11678.393 11136.3756 11878.308 17587.617    25
tidyr::unite_(data, "c", c("a", "b"), sep="-")$c              968.5861  1008.4716  1095.886  1035.8348  1082.726  1759.349    25
ChristopherTull
źródło
5

Moim zdaniem sprintffunkcja -funkcja również zasługuje na miejsce wśród tych odpowiedzi. Możesz użyć sprintfw następujący sposób:

do.call(sprintf, c(d[cols], '%s-%s-%s'))

co daje:

 [1] "a-d-g" "b-e-h" "c-f-i"

Aby utworzyć wymaganą ramkę danych:

data.frame(a = d$a, x = do.call(sprintf, c(d[cols], '%s-%s-%s')))

dający:

  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i

Chociaż sprintfnie ma wyraźnej przewagi nad kombinacją do.call/ paste@BrianDiggs, jest szczególnie przydatna, gdy chcesz również dopełnić określone części żądanego ciągu lub gdy chcesz określić liczbę cyfr. Zobacz ?sprintfkilka opcji.

Innym wariantem byłoby użycie pmapfrom:

pmap(d[2:4], paste, sep = '-')

Uwaga: to pmaprozwiązanie działa tylko wtedy, gdy kolumny nie są czynnikami.


Wzorzec dla większego zbioru danych:

# create a larger dataset
d2 <- d[sample(1:3,1e6,TRUE),]
# benchmark
library(microbenchmark)
microbenchmark(
  docp = do.call(paste, c(d2[cols], sep="-")),
  appl = apply( d2[, cols ] , 1 , paste , collapse = "-" ),
  tidr = tidyr::unite_(d2, "x", cols, sep="-")$x,
  docs = do.call(sprintf, c(d2[cols], '%s-%s-%s')),
  times=10)

prowadzi do:

Unit: milliseconds
 expr       min        lq      mean    median        uq       max neval cld
 docp  214.1786  226.2835  297.1487  241.6150  409.2495  493.5036    10 a  
 appl 3832.3252 4048.9320 4131.6906 4072.4235 4255.1347 4486.9787    10   c
 tidr  206.9326  216.8619  275.4556  252.1381  318.4249  407.9816    10 a  
 docs  413.9073  443.1550  490.6520  453.1635  530.1318  659.8400    10  b 

Wykorzystane dane:

d <- data.frame(a = 1:3, b = c('a','b','c'), c = c('d','e','f'), d = c('g','h','i')) 
Jaap
źródło
3

Oto dość niekonwencjonalne (ale szybkie) podejście: użyj fwritefrom, data.tableaby „wkleić” kolumny razem i freadwczytać je z powrotem. Dla wygody zapisałem kroki jako funkcję o nazwie fpaste:

fpaste <- function(dt, sep = ",") {
  x <- tempfile()
  fwrite(dt, file = x, sep = sep, col.names = FALSE)
  fread(x, sep = "\n", header = FALSE)
}

Oto przykład:

d <- data.frame(a = 1:3, b = c('a','b','c'), c = c('d','e','f'), d = c('g','h','i')) 
cols = c("b", "c", "d")

fpaste(d[cols], "-")
#       V1
# 1: a-d-g
# 2: b-e-h
# 3: c-f-i

Jak to działa?

d2 <- d[sample(1:3,1e6,TRUE),]
  
library(microbenchmark)
microbenchmark(
  docp = do.call(paste, c(d2[cols], sep="-")),
  tidr = tidyr::unite_(d2, "x", cols, sep="-")$x,
  docs = do.call(sprintf, c(d2[cols], '%s-%s-%s')),
  appl = apply( d2[, cols ] , 1 , paste , collapse = "-" ),
  fpaste = fpaste(d2[cols], "-")$V1,
  dt2 = as.data.table(d2)[, x := Reduce(function(...) paste(..., sep = "-"), .SD), .SDcols = cols][],
  times=10)
# Unit: milliseconds
#    expr        min         lq      mean     median         uq       max neval
#    docp  215.34536  217.22102  220.3603  221.44104  223.27224  225.0906    10
#    tidr  215.19907  215.81210  220.7131  220.09636  225.32717  229.6822    10
#    docs  281.16679  285.49786  289.4514  286.68738  290.17249  312.5484    10
#    appl 2816.61899 3106.19944 3259.3924 3266.45186 3401.80291 3804.7263    10
#  fpaste   88.57108   89.67795  101.1524   90.59217   91.76415  197.1555    10
#     dt2  301.95508  310.79082  384.8247  316.29807  383.94993  874.4472    10
A5C1D2H2I1M1N2O1R2T1
źródło
A co jeśli piszesz i czytasz na ramdysku? Porównanie byłoby trochę bardziej sprawiedliwe.
jangorecki
@jangorecki, nie jestem pewien, czy robię to poprawnie (zacząłem R od TMPDIR=/dev/shm R), ale nie zauważam dużej różnicy w porównaniu do tych wyników. W ogóle nie bawiłem się też liczbą wątków używanych do freadlub fwritenie sprawdzałem, jak wpływa to na wyniki.
A5C1D2H2I1M1N2O1R2T1
1
library(plyr)

ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[2:4],sep="",collapse="-"))))

#      x
#1 a-d-g
#2 b-e-h
#3 c-f-i

#  and with just the vector of names you have:

ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[c('b','c','d')],sep="",collapse="-"))))

# or equally:
mynames <-c('b','c','d')
ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[mynames],sep="",collapse="-"))))    
user1317221_G
źródło
0

Wiem, że to stare pytanie, ale pomyślałem, że i tak powinienem przedstawić proste rozwiązanie za pomocą funkcji paste (), zgodnie z sugestią pytającego:

data_1<-data.frame(a=data$a,"x"=paste(data$b,data$c,data$d,sep="-")) 
data_1
  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i
Rikki Franklin Frederiksen
źródło