将R中的数据表中的文本列拆分为参差不齐的多个新列

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的字数。我想把这些单词分开，并把它们放在一个新的列中。我知道如何逐字逐句地做：

Data [ , Word1 := as.character(lapply(strsplit(as.character(Data$complaint), split=" "), "[", 1))]

（

Data

是我的数据表，

complaint

是列的名称）

显然，这是没有效率的，因为每行中的每个单元格都有不同的字数

---

你能告诉我一种更有效的方法吗？

一个示例数据会很好，但是如果我理解你想要什么，就不可能在数据框中正确地执行。鉴于每行中有不同数量的单词，您需要一个列表。尽管如此，在整个对象中分割单词是非常简单的

---

如果运行

strsplit（as.character（Data[，1]），“”）

将得到一个列表，其中每个元素对应于数据帧中的一行。因此，有几种不同的方法可以重新排列此对象，但最佳方法取决于您的目标，即data.table和data.frame的OK

# 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

玩具数据

---

df这里是一个基于

plyr

包中的

rbind.fill.matrix（…）

的解决方案。在一个有20000行的数据集上，它运行大约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

#创建一个示例数据集-您已经有了它
库（数据表）
单词从我的“splitstackshape”软件包中检出
cSplit
。它在
data.frame
s或
data.table
s上工作（但总是返回
data.table
）

假设KFB的样本数据至少略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（blazing）选项是使用
stri_split_fixed
和
simplify=TRUE
（来自“stringi”）（这显然被认为很快就进入了“splitstackshape”代码）：

自CRAN上的1.9.6版起，有两个功能和可用

有了这一点，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
转置（strsplit（…）
的包装器，我想是时候抛弃
rbind.fill.matrix了。您是否已从“stringi”软件包中看到stri_list2matrix
？试试：
stri_list2matrix（strsplit（dt$words，split=“”），byrow=TRUE）
。您的时间将从3秒以上下降到<0.2秒…@AnandaMahto Yes。它似乎比cSplit（…）快

，但比stri\u split\u fixed（…）慢。请参见上面的基准测试结果。@jihoward，因此我对该方法在不久的将来被包含在“splitstackshape”中的评论：-）我只是在等待“stringi”0.3-1出现在CRAN上，现在是这样，所以我需要重写一些现有函数….+1用于基准测试：-），如果您添加了

fixed=TRUE

，则strsplit至少会有一点提升。但不确定这会对基准测试产生多大影响。在某些情况下，简单strsplit似乎比上面提出的cSplit更快。Tstrsplit可能值得一试。

library(stringi)
stri_split_fixed(df$x, " ", simplify = TRUE)
#      [,1]   [,2]       [,3]          [,4] 
# [1,] "This" "is"       "interesting" NA   
# [2,] "This" "actually" "is"          "not"

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