4

これはSQLのさまざまな場所で尋ねられましたが、Rでそれを行う簡単な方法が見つかりません

私はこのようなデータセットを持っています

                                                             Ids    v1  v2  v3  v4  v5
548|14721,678|17604,716|18316,732|18505,745|18626,752|18716 9186    639 9045    316 28396
548|14721,678|17603,716|18316,732|18507,745|18626,752|18716 9041    598 8897    283 28054
548|14722,678|17603,716|18316,732|18507,745|18626,752|18716 8799    588 8669    246 27433
548|14721,678|17603,716|18316,732|18505,745|18626,752|18715 8914    614 8765    273 27347
716|18316,745|18626                                         4113    497 4050    270 27267
548|14722,678|17604,716|18316,732|18507,745|18626,752|18716 8829    589 8713    254 25270

コンマの最初の列に基づいて分割し、エントリごとに行を作成し、残りの行でエントリを繰り返します。

私が書いた関数は

split.data <- function(data, split = ",") {
  y <- NULL
  for( i in 1:nrow(data)){
    y <- rbind(y,cbind(data.frame(unlist(strsplit(as.character(data[i,1]), split = split))),data[i,-1]))
  }
  names(y) <- names(data)
  y <- sapply(y,as.character)
  return(as.data.frame(y))
}

これは機能しますが、非常に遅いです。これをベクトル化して高速化する方法はありますか。私が持っているファイルには 5000 以上の行があり、実行に時間がかかります。

SQL について見つけた関連記事: 複数の行に値を分割 する カンマ区切りの文字列を個々の行に変換する

4

1 に答える 1

12

回答を更新(2013年10月21日)

concat.split.multiple私の「splitstackshape」パッケージから使用する場合は、これらの手順を組み合わせることができます。この関数はcount.fields自動的に使用されるため、コメントに記載されている問題に悩まされることはありません。

library(splitstackshape)
out <- concat.split.multiple(mydf, "Ids", seps=",", "long")
head(out)
#     v1  v2   v3  v4    v5 time       Ids
# 1 9186 639 9045 316 28396    1 548|14721
# 2 9041 598 8897 283 28054    1 548|14721
# 3 8799 588 8669 246 27433    1 548|14722
# 4 8914 614 8765 273 27347    1 548|14721
# 5 4113 497 4050 270 27267    1 716|18316
# 6 8829 589 8713 254 25270    1 548|14722
tail(out)
#      v1  v2   v3  v4    v5 time       Ids
# 31 9186 639 9045 316 28396    6 752|18716
# 32 9041 598 8897 283 28054    6 752|18716
# 33 8799 588 8669 246 27433    6 752|18716
# 34 8914 614 8765 273 27347    6 752|18715
# 35 4113 497 4050 270 27267    6      <NA>
# 36 8829 589 8713 254 25270    6 752|18716

元の回答(2013年2月27日)

「Ids」文字列を分割してからデータを「再形成」するという組み合わせを行う必要があります(私があなたの目標を正しく理解している場合)。

あなたがしたように分割する代わりに、私は先に進んで、read.csvそして議論を利用しましたfill = TRUE。「Ids」列の値が現在ファクターである場合は、text = as.character(mydf$Ids)代わりに使用する必要があることに注意してください。

これが私が進む方法です:

mydf2 <- cbind(read.csv(text = mydf$Ids, fill = TRUE, header = FALSE), mydf[-1])
mydf2
#          V1        V2        V3        V4        V5        V6   v1  v2   v3  v4    v5
# 1 548|14721 678|17604 716|18316 732|18505 745|18626 752|18716 9186 639 9045 316 28396
# 2 548|14721 678|17603 716|18316 732|18507 745|18626 752|18716 9041 598 8897 283 28054
# 3 548|14722 678|17603 716|18316 732|18507 745|18626 752|18716 8799 588 8669 246 27433
# 4 548|14721 678|17603 716|18316 732|18505 745|18626 752|18715 8914 614 8765 273 27347
# 5 716|18316 745|18626                                         4113 497 4050 270 27267
# 6 548|14722 678|17604 716|18316 732|18507 745|18626 752|18716 8829 589 8713 254 25270

そのデータは現在「ワイド」フォーマットです。それを「長い」フォーマットにしましょう。このreshape関数には、続行する方法に関する少しの情報が必要です。特に、次のことを知る必要があります。

  • どの列が「id」変数を示しているか。データセットの名前に直観に反して、これらは元の「Ids」変数の値ではなく、存在していた他の変数です。("v1"-"mydf2"データセットの7から11の位置にある"v5"(小文字の "v"))。明らかに、実際のデータについては、sとして扱われる実際の列を指定する必要がありますidvar
  • どの列が「変化」し、「長い」形式で「スタック」する必要があります。この場合、を使用したときに作成された新しい変数でread.csvあり、それらのインデックスを手動でチェックすることにより、それらが1から6の位置にあることがわかります。明らかに、実際のデータセットから列番号を指定する必要があります。

提供したサンプルデータセットの場合、次のように使用reshapeします。

mydf3 <- reshape(mydf2, direction = "long", idvar=7:ncol(mydf2), 
                 varying=1:6, sep = "")
rownames(mydf3) <- NULL

結果のheadandは次のとおりです。taildata.frame

> head(mydf3)
    v1  v2   v3  v4    v5 time         V
1 9186 639 9045 316 28396    1 548|14721
2 9041 598 8897 283 28054    1 548|14721
3 8799 588 8669 246 27433    1 548|14722
4 8914 614 8765 273 27347    1 548|14721
5 4113 497 4050 270 27267    1 716|18316
6 8829 589 8713 254 25270    1 548|14722
> tail(mydf3)
     v1  v2   v3  v4    v5 time         V
31 9186 639 9045 316 28396    6 752|18716
32 9041 598 8897 283 28054    6 752|18716
33 8799 588 8669 246 27433    6 752|18716
34 8914 614 8765 273 27347    6 752|18715
35 4113 497 4050 270 27267    6          
36 8829 589 8713 254 25270    6 752|18716

これはすべて、次のような「mydf」という名前のオブジェクトから開始していることを前提としています。

mydf <- structure(list(Ids = c("548|14721,678|17604,716|18316,732|18505,745|18626,752|18716", 
  "548|14721,678|17603,716|18316,732|18507,745|18626,752|18716", 
  "548|14722,678|17603,716|18316,732|18507,745|18626,752|18716", 
  "548|14721,678|17603,716|18316,732|18505,745|18626,752|18715", 
  "716|18316,745|18626", "548|14722,678|17604,716|18316,732|18507,745|18626,752|18716"
  ), v1 = c(9186L, 9041L, 8799L, 8914L, 4113L, 8829L), v2 = c(639L, 
  598L, 588L, 614L, 497L, 589L), v3 = c(9045L, 8897L, 8669L, 8765L, 
  4050L, 8713L), v4 = c(316L, 283L, 246L, 273L, 270L, 254L), v5 = c(28396L, 
  28054L, 27433L, 27347L, 27267L, 25270L)), .Names = c("Ids", "v1", 
  "v2", "v3", "v4", "v5"), class = "data.frame", row.names = c(NA, 
  -6L))
于 2013-02-26T19:15:27.670 に答える