我有一个包含 20000 多行和一列的数据表。每列中的字符串具有不同数量的单词。我想拆分单词并将它们中的每一个放在一个新列中。我知道如何逐字逐句地做到这一点：
Data [ , Word1 := as.character(lapply(strsplit(as.character(Data$complaint), split=" "), "[", 1))]
（Data是我的数据表，complaint是列名）
显然，这效率不高，因为每行中的每个单元格都有不同数量的单词。
你能告诉我一个更有效的方法吗？
自 CRAN 版本 1.9.6 起，两个函数transpose()和tstrsplit()可用。
有了这个我们可以做到：
require(data.table)
setDT(tstrsplit(as.character(df$x), " ", fixed=TRUE))[]
# V1 V2 V3 V4
# 1: This is interesting NA
# 2: This actually is not
tstrsplit是transpose(strsplit(...)).
cSplit从我的“splitstackshape”包中查看。它适用于data.frames 或data.tables （但总是返回 a data.table）。
假设 KFB 的样本数据至少稍微代表您的实际数据，您可以尝试：
library(splitstackshape)
cSplit(df, "x", " ")
# x_1 x_2 x_3 x_4
# 1: This is interesting NA
# 2: This actually is not
另一个（惊人的）选项是使用stri_split_fixedwith simplify = TRUE（来自“stringi”）（这显然被认为很快就会进入“splitstackshape”代码）：
library(stringi)
stri_split_fixed(df$x, " ", simplify = TRUE)
# [,1] [,2] [,3] [,4]
# [1,] "This" "is" "interesting" NA
# [2,] "This" "actually" "is" "not"
这是基于包rbind.fill.matrix(...)中的解决方案plyr。在包含 20,000 行的数据集上，它的运行时间约为 3.6 秒。
# create an sample dataset - you have this already
library(data.table)
words <- LETTERS[1:10] # "words" are just letters in this example
set.seed(1) # for reproducible example
w <- sapply(1:2e4,function(i)paste(words[sample(1:10,sample(1:10,1))],collapse=" "))
dt <- data.table(words=w)
head(dt)
# complaint
# 1: D F H
# 2: I J F
# 3: A B I E C D H
# 4: J D G H B I A E
# 5: A D G C
# 6: F E B J I
# you start here...
library(plyr)
result <- rbind.fill.matrix(lapply(strsplit(dt$words, split=" "),matrix,nr=1))
result <- as.data.table(result)
head(result)
# 1 2 3 4 5 6 7 8 9 10
# 1: D F H NA NA NA NA NA NA NA
# 2: I J F NA NA NA NA NA NA NA
# 3: A B I E C D H NA NA NA
# 4: J D G H B I A E NA NA
# 5: A D G C NA NA NA NA NA NA
# 6: F E B J I NA NA NA NA NA
编辑：根据@Ananda 下面的评论添加了一些基准测试。
f.rfm <- function() as.data.table(rbind.fill.matrix(lapply(strsplit(dt$complaint, split=" "),matrix,nr=1)))
library(splitstackshape)
f.csplit <- function() cSplit(dt, "complaint", " ",type.convert=FALSE)
library(stringi)
f.sl2m <- function() as.data.table(stri_list2matrix(strsplit(dt$complaint, split=" "), byrow = TRUE))
f.ssf <- function() as.data.table(stri_split_fixed(dt$complaint, " ", simplify = TRUE))
all.equal(f.rfm(),f.csplit(),check.names=FALSE)
# [1] TRUE
all.equal(f.rfm(),f.sl2m(),check.names=FALSE)
# [1] TRUE
all.equal(f.rfm(),f.ssf(),check.names=FALSE)
# [1] TRUE
library(microbenchmark)
microbenchmark(f.rfm(),f.csplit(),f.sl2m(),f.ssf(),times=10)
# Unit: milliseconds
# expr min lq median uq max neval
# f.rfm() 3566.17724 3589.31203 3606.93303 3665.4087 3719.32299 10
# f.csplit() 98.05709 102.46456 104.51046 107.9588 117.26945 10
# f.sl2m() 55.45527 55.58852 56.75406 58.9347 67.44523 10
# f.ssf() 17.77499 17.98879 18.30831 18.4537 21.62161 10
所以看起来stri_split_fixed(...)是赢家。
一个示例数据会很好，但如果我理解你想要什么，就不可能在数据框中正确地做。鉴于每行中有不同数量的单词，您将需要一个列表。尽管如此，拆分整个对象中的单词非常简单。
如果您运行strsplit(as.character(Data[,1]), " ")，您将获得一个列表，其中每个元素对应于数据框中的一行。从那以后，有几种不同的方法可以重新排列这个对象，但最好的方法取决于你的目标
data.table 和 data.frame 都可以
# toy data
df <- structure(list(x = structure(c(2L, 1L), .Label = c("This actually is not",
"This is interesting"), class = "factor")), .Names = "x", row.names = c(NA,
-2L), class = "data.frame")
# x
# 1 This is interesting
# 2 This actually is not
# the code
split_result <- strsplit(as.character(df$x), " ")
length_n <- sapply(split_result, length)
length_max <- seq_len(max(length_n))
as.data.frame(t(sapply(split_result, "[", i = length_max))) # Or as.data.table(...)
# V1 V2 V3 V4
# 1 This is interesting <NA>
# 2 This actually is not