我有一个数据框,其中包含一个包含字符串列表的分类变量,长度可变(这很重要,因为否则这个问题将与this或this重复),例如:
df <- data.frame(x = 1:5)
df$y <- list("A", c("A", "B"), "C", c("B", "D", "C"), "E")
df
x y 1 1 A 2 2 A, B 3 3 C 4 4 B, D, C 5 5 E
所需的形式是在 中任何地方看到的每个唯一字符串的虚拟变量df$y
,即:
data.frame(x = 1:5, A = c(1,1,0,0,0), B = c(0,1,0,1,0), C = c(0,0,1,1,0), D = c(0,0,0,1,0), E = c(0,0,0,0,1))
x A B C D E 1 1 1 0 0 0 0 2 2 1 1 0 0 0 3 3 0 0 1 0 0 4 4 0 1 1 1 0 5 5 0 0 0 0 1
这种天真的方法有效:
> uniqueStrings <- unique(unlist(df$y))
> n <- ncol(df)
> for (i in 1:length(uniqueStrings)) {
+ df[, n + i] <- sapply(df$y, function(x) ifelse(uniqueStrings[i] %in% x, 1, 0))
+ colnames(df)[n + i] <- uniqueStrings[i]
+ }
然而,大数据帧非常丑陋、懒惰和缓慢。
有什么建议么?有什么花哨的tidyverse
?
更新:我在下面得到了 3 种不同的方法。system.time
我在我的(Windows 7、32GB RAM)笔记本电脑上使用真实数据集对它们进行了测试,该数据集由 1M 行组成,每行包含长度为 1 到 4 个字符串(约 350 个唯一字符串值中)的列表,磁盘上总共有 200MB。所以预期的结果是一个尺寸为 1M x 350 的数据框。tidyverse
(@Sotos) 和base
(@joel.wilson) 方法花了很长时间,我不得不重新启动 R。qdapTools
(@akrun) 方法非常有效:
> system.time(res1 <- mtabulate(varsLists))
user system elapsed
47.05 10.27 116.82
所以这是我将标记为接受的方法。