当所需变量的数量未知时，如何使用tidyr:：separate

我有一个由电子邮件通信组成的数据集。例如：

library(dplyr)
library(tidyr)

dat <- data_frame('date' = Sys.time(), 
                  'from' = c("person1@gmail.com", "person2@yahoo.com", 
                             "person3@hotmail.com", "person4@msn.com"), 
                  'to' = c("person2@yahoo.com,person3@hotmail.com", "person3@hotmail.com", 
                           "person4@msn.com,person1@gmail.com,person2@yahoo.com", "person1@gmail.com"))

然而，我的数据集有4000条记录，我不希望遍历并找到其中元素最多的行，以便确定需要创建多少变量。我处理这个问题的方法是首先自己拆分列，得到每个拆分的长度，然后找到最大值：

n_vars <- dat$to %>% str_split(",") %>% lapply(function(z) length(z)) %>% unlist() %>% max()

n_变量%str_split（“，”）%%>%lapply（函数（z）长度（z））%%>%unlist（）%%>%max（）

---

但这似乎效率低下。有更好的方法吗？

这是一个好问题-我通常的回答是使用

strsplit

，然后使用

unnest

和

spread

，这也不是超高效的：

library(dplyr)
library(tidyr)

dat %>% mutate(to = strsplit(to, ",")) %>%
        unnest(to) %>%
        group_by(from) %>%
        mutate(row = row_number()) %>%
        spread(row, to)

Source: local data frame [4 x 5]

                 date                from                   1                   2                 3
               (time)               (chr)               (chr)               (chr)             (chr)
1 2015-10-22 15:03:17   person1@gmail.com   person2@yahoo.com person3@hotmail.com                NA
2 2015-10-22 15:03:17   person2@yahoo.com person3@hotmail.com                  NA                NA
3 2015-10-22 15:03:17 person3@hotmail.com     person4@msn.com   person1@gmail.com person2@yahoo.com
4 2015-10-22 15:03:17     person4@msn.com   person1@gmail.com                  NA                NA

---

我们可以使用

cSplit

library(splitstackshape) 
cSplit(dat, 'to', ',')

---

也可能

库（data.table）；cbind（dat，setDT（dat）[，tstrsplit（to，“，”）]）

似乎是一个足够合理的解决方案，而不是加载另一个包。如果您已经在加载

tidyverse

可以使用

map\u dbl

并删除

unlist

，使其稍微干净一些<代码>dat$到%>%str_split（“，”）%%>%map_dbl（~length（.））%%>%max（）您可以更精确地计算n_变量，而无需使用

n_变量%str_count（pattern=“，”）%%>%max（）+1

进行拆分，我认为这样更好，因为您可以选择不在末尾进行拆分。将电子邮件划分为所有这些单独的列似乎很愚蠢。@bramtayl我有一种感觉，分离故意让这变得很难，所以你不会得到广泛的数据，而不是long@bramtayl我同意在这种情况下拥有广泛的数据是没有意义的（在大多数情况下也是如此），但是，当您不知道需要多少新列时，您很容易理解使用

separate

的根本问题。Akrun的解决方案仍然是一个很好的解决方案，因为您将

direction=“long”

设置为在一列中获取所有电子邮件。请注意，如果您不想获得广泛的数据集，只需在

unnest

处停止命令，就可以得到

long

数据格式

library(splitstackshape) 
cSplit(dat, 'to', ',')