Dividir cadena de texto en un dato.columnas de la tabla


Tengo un script que lee los datos de un archivo CSV en un data.table y luego divide el texto en una columna en varias columnas nuevas. Actualmente estoy usando las funciones lapply y strsplit para hacer esto. He aquí un ejemplo:

library("data.table")
df = data.table(PREFIX = c("A_B","A_C","A_D","B_A","B_C","B_D"),
                VALUE  = 1:6)
dt = as.data.table(df)

# split PREFIX into new columns
dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))

dt 
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D 

En el ejemplo anterior, la columna PREFIX se divide en dos nuevas columnas PX y PY en el carácter"_".

A pesar de que esto funciona bien, me preguntaba si hay una mejor (más eficiente) manera de hacer esto usando data.table. Mis conjuntos de datos reales tienen > = 10M + filas, por lo que la eficiencia de tiempo/memoria se vuelve realmente importante.


ACTUALIZACIÓN:

Siguiendo la sugerencia de @Frank, creé un caso de prueba más grande y usé los comandos sugeridos, pero el stringr::str_split_fixed toma mucho más tiempo que el método original.

library("data.table")
library("stringr")
system.time ({
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                    VALUE  = rep(1:6, 1000000))
    dt = data.table(df)
})
#   user  system elapsed 
#  0.682   0.075   0.758 

system.time({ dt[, c("PX","PY") := data.table(str_split_fixed(PREFIX,"_",2))] })
#    user  system elapsed 
# 738.283   3.103 741.674 

rm(dt)
system.time ( {
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                     VALUE = rep(1:6, 1000000) )
    dt = as.data.table(df)
})
#    user  system elapsed 
#   0.123   0.000   0.123 

# split PREFIX into new columns
system.time ({
    dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
    dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))
})
#    user  system elapsed 
#  33.185   0.000  33.191 

Así que el método str_split_fixed tarda unas 20 veces más.

Author: zx8754, 2013-08-09

5 answers

Actualización: Desde la versión 1.9.6 (en CRAN a partir de Sep ' 15), podemos usar la función tstrsplit() para obtener los resultados directamente (y de una manera mucho más eficiente):

require(data.table) ## v1.9.6+
dt[, c("PX", "PY") := tstrsplit(PREFIX, "_", fixed=TRUE)]
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D

tstrsplit() básicamente es una envoltura para transpose(strsplit()), donde la función transpose(), también implementada recientemente, transpone una lista. Por favor, ver ?tstrsplit() y ?transpose() para ejemplos.

Vea la historia para las respuestas antiguas.

 76
Author: Arun,
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-06-16 14:16:17

I añadir respuesta para alguien que no use data.table v1.9.5 y también quiere una línea de solución.

dt[, c('PX','PY') := do.call(Map, c(f = c, strsplit(PREFIX, '-'))) ]
 12
Author: Ha Pham,
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2015-04-01 07:48:26

Usando splitstackshape paquete:

library(splitstackshape)
cSplit(df, splitCols = "PREFIX", sep = "_", direction = "wide", drop = FALSE)
#    PREFIX VALUE PREFIX_1 PREFIX_2
# 1:    A_B     1        A        B
# 2:    A_C     2        A        C
# 3:    A_D     3        A        D
# 4:    B_A     4        B        A
# 5:    B_C     5        B        C
# 6:    B_D     6        B        D
 5
Author: zx8754,
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2016-05-16 20:07:09

Con tidyr la solución es:

separate(df,col = "PREFIX",into = c("PX", "PY"), sep = "_")
 0
Author: skan,
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-07-30 13:12:32

¿Sobre qué ??? fread (text = dt PREF PREFIX)

 -1
Author: user2657469,
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-10-04 16:40:20