将多列粘贴在一起

99

我在数据框中有一堆列，希望将它们粘贴在一起（用“-”分隔），如下所示：

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

我想成为： 

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

我通常可以这样：

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

然后删除旧的列，但是不幸的是，我不知道这些列的名称，只是所有列的统称，例如，我知道 cols <- c('b','c','d')

有人知道这样做的方法吗？

r  paste  r-faq 
— 用户名
source

Answers:

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 ) ]
— 安东尼·达米科（Anthony Damico）
source
7
无需在这里申请；粘贴矢量化了，效率更高
— baptiste
1
@baptiste ..可能没有do.call？
— Anthony Damico
1
当然，您可以使用evil(parse(...))，例如，但我认为这do.call是正确的选择。
— baptiste
Do.call是更好的技术；保持向量化。
— 克莱顿·斯坦利
1
嗯..你将如何collapse = "-"通过？到paste？
— 安东尼·达米科
48

作为baptiste答案的一种变体，data定义为您具有的定义和要放在一起的列，定义为cols

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

您可以使用添加新列data并删除旧列

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

这使

> data
  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i
— 布莱恩·迪格斯
source
在“ c（data [cols]，...”中是否缺少逗号？像这样：“ c（data [，cols]，...”
— roschu 2015年
2
@roschu都可以。data.frame尽管第一个参数通常是行索引，但使用单个字符向量索引a 将是列索引。
— Brian Diggs
快速而智能。谢谢
— Ali Khosro
32

使用tidyr包，可以在1个函数调用中轻松处理。

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

编辑：排除第一列，其他所有都粘贴。

# 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
source
3
我认为OP提到他们事先不知道列名。否则，可以within(data, x <- paste(b,c,d,sep='-'))按照他们的说明进行操作。
— 大卫·阿伦堡
我同意@DavidArenburg，这不能解决OP的问题。我认为unite_(data, "b_c_d", cols)，或者取决于他们的实际data.frame，unite(data, b_c_d, -a)也可能是候选对象。
— 山姆·菲尔克
13

我会构造一个新的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 = '-'))))
— 浸礼会
source
请注意，如果除列以外的所有内容都粘贴在一起，则d[ , cols]可能要使用而不是。d[ , names(d) != 'a']a
— baptiste
1
关于SO的规范解决方案之一，我认为您可以将其缩短为cbind(a = d['a'], x = do.call(paste, c(d[cols], sep = '-')))，例如避免使用逗号，list并且data.frame可以使用data.framecbind
— David Arenburg
9

只是添加其他解决方案Reduce，可能会比慢速do.call但比apply它更好，因为它将避免matrix转换。另外，for我们可以使用循环setdiff来删除不需要的列

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

另外，我们可以data使用data.table软件包进行更新（假设有新数据）

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

另一种选择是使用.SDcols，而不是mget作为

setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD), .SDcols = cols]
— 大卫·阿伦堡
source
5

我在一个小样本中对Anthony Damico，Brian Diggs和data_steve的答案进行了基准测试tbl_df，得出以下结果。

> 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

但是，当我自己评估tbl_df约100万行和10列时，结果却大不相同。

> 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
— 克里斯托弗·图尔
source
5

在我看来，sprintf-function在这些答案中也应占一席之地。您可以使用sprintf以下方法：

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

这使：

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

并创建所需的数据框：

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

给予：

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

尽管与@BrianDiggs sprintf的do.call/ paste组合相比，并没有明显的优势，但是当您还希望填充所需字符串的某些部分或指定位数时，它特别有用。请参阅?sprintf中的几个选项。

另一种变体是使用pmap来自rr：

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

注意：pmap仅当列不是因素时，此解决方案才有效。

较大数据集上的基准：

# 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)

结果是：

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

使用的数据：

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

这是一种非常常规（但快速）的方法：使用fwritefrom data.table可以将列“粘贴”在一起，然后fread再读回。为了方便起见，我将这些步骤编写为一个名为的函数fpaste：

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

这是一个例子：

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

效果如何？

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
source
如果您对ramdisk进行读写怎么办？比较会更加公平。
— jangorecki
@jangorecki，不确定我是否做得正确（我从R开始使用R TMPDIR=/dev/shm R），但是与这些结果相比，我没有注意到巨大的差异。我也没有完全弄清楚用于fread或fwrite查看它如何影响结果的线程数。
— 6
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
source
0

我知道这是一个古老的问题，但是我认为无论如何我应该使用发问者建议的paste（）函数提供简单的解决方案：

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
— 里基·富兰克林·弗雷德里克森
source
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.