在R中分割字符串時，有效替換for循環

Question

我有一個大型數據框（20列，> 100k行），需要將一列字符串拆分成多個新列。

有關列的前3個觀察結果如下：

scans <- data.frame(scan = c("CT Cervical Sp,CT Head Plain", "II < 1 Hour", 
                 "L-S Spine,L-S Spine"))

看起來像這樣：

                          scan
1 CT Cervical Sp,CT Head Plain
2                  II < 1 Hour
3          L-S Spine,L-S Spine

我需要將其拆分為5列（每個觀察中最多有5個子串），對於具有較少子串的觀察，我希望剩余的列填充有NA。 我目前正在使用此代碼：

scans <- data.frame(scan = c("CT Cervical Sp,CT Head Plain", "II < 1 Hour",
"L-S Spine,L-S Spine"))

for(i in 1:nrow(scans)){
  scans$scan1[i] <- strsplit(scans$scan, ",")[[i]][1]
  scans$scan2[i] <- strsplit(scans$scan, ",")[[i]][2]
  scans$scan3[i] <- strsplit(scans$scan, ",")[[i]][3]
  scans$scan4[i] <- strsplit(scans$scan, ",")[[i]][4]
  scans$scan5[i] <- strsplit(scans$scan, ",")[[i]][5]
}

它工作並輸出我想要的解決方案：

                          scan          scan1         scan2 scan3 scan4 scan5
1 CT Cervical Sp,CT Head Plain CT Cervical Sp CT Head Plain    NA    NA    NA
2                  II < 1 Hour    II < 1 Hour            NA    NA    NA    NA
3          L-S Spine,L-S Spine      L-S Spine     L-S Spine    NA    NA    NA

......但它確實很慢。 循環數十或數十萬次觀測是耗時的。

非常感謝任何建議。

Answer 1

另一種方法是使用tstrsplit的開發人員版本的data.table

library(data.table) # v >= 1.9.5
setDT(scans)[, tstrsplit(scan, ",", fixed = TRUE)]
#                V1            V2
# 1: CT Cervical Sp CT Head Plain
# 2:    II < 1 Hour            NA
# 3:      L-S Spine     L-S Spine 

如果您確定至少有5次拆分，則可以通過引用輕松創建這些列

setDT(scans)[, paste0("scan", 1:5) := tstrsplit(scan, ",")]

---

或者， tidyr包提供類似的functuanality

library(tidyr)
separate(scans, scan, paste0("scan", 1:2), ",", extra = "merge", remove = FALSE)
#                           scan          scan1         scan2
# 1 CT Cervical Sp,CT Head Plain CT Cervical Sp CT Head Plain
# 2                  II < 1 Hour    II < 1 Hour          <NA>
# 3          L-S Spine,L-S Spine      L-S Spine     L-S Spine

---

或者僅使用base R另一種選擇

 cbind(scans, read.table(text= as.character(scans$scan),sep=",", fill=TRUE, na.strings=''))

Answer 2

您可以使用：

library(splitstackshape)
cSplit(scans, colnames(scans), sep=',')

#           scan_1        scan_2
#1: CT Cervical Sp CT Head Plain
#2:    II < 1 Hour            NA
#3:      L-S Spine     L-S Spine

請注意返回的對象是data.table 。 如果需要，您可以轉換為data.frame 。 這里只有兩列，因為數據中最多只有一個逗號。 如果將其應用於帶有4個逗號的某些單元格的數據，您將獲得所需的輸出。

Answer 3

使用驚人的stringi包 - 我挑戰任何人找到更快的解決方案。

# this does all the work
result <- as.data.frame(stringi::stri_split_fixed(scans$scan, ",", simplify = TRUE))

這將填充與逗號分隔符一樣多的列。

要從問題中獲得准確的結果，請重命名列並將空字符串轉換為NA ：

# rename the columns if you wish
names(result) <- paste0("scan", 1:ncol(result))
# replace "" with NA
result[result==""] <- NA

cbind(scans, result)
##                           scan          scan1         scan2
## 1 CT Cervical Sp,CT Head Plain CT Cervical Sp CT Head Plain
## 2                  II < 1 Hour    II < 1 Hour          <NA>
## 3          L-S Spine,L-S Spine      L-S Spine     L-S Spine