R-将多个值作为单个变量中的一个字符串处理

在

data.frame

中，我有一个文本语言的分类变量。但是，虽然大多数文本只有一种语言，但有些文本有多种语言。在我的数据中，它们出现在同一列中，除以comas：

text = c("Text1", "Text2", "Text3")
lang = c("fr", "en", "fr,en")
d = data.frame(text, lang)

视觉上：

   text  lang
1 Text1    fr
2 Text2    en
3 Text3 fr,en

我想绘制每种语言的文本数量，文本3在

fr

和

en

中都被计算

我找到了如何拆分，包括：

d$lang <- strsplit(d$lang, ",")

---

我做得对吗？有更好的方法吗？

考虑使用

tidyr:：separate（）

进行拆分，使用

tidyr:：gather（）

使其更长

library(magrittr)
ceiling <- 2L #The max language count of any single text
language_positions <- paste0("language_", seq_len(ceiling))

d %>%
  tidyr::separate("lang", language_positions, sep=",", extra="merge") %>%
  tidyr::gather_("ordinal", "language_name", language_positions) %>%
  dplyr::filter(!is.na(language_name))

如果你想把它分成两个小步骤。

separate（）

> d_wide <- d %>%
+   tidyr::separate_("lang", language_positions, sep=",", extra="merge")
> d_wide
   text language_1 language_2
1 Text1         fr       <NA>
2 Text2         en       <NA>
3 Text3         fr         en

出于其他原因，我建议在定义
d
时添加
，stringsAsFactors=F
，但
tidyr
的单独函数似乎并不介意。qplot调用可以保持不变：
qplot（语言名称，数据长度）
您可以尝试：

library(splitstackshape)
dl <- cSplit(d, "lang", ",", "long")
qplot(lang, data = dl)

库（splitstackshape）
dl如果不遵循user20650评论中的建议，您可能无法不重新构造数据而逃脱惩罚，并且您如何做到这一点不能忽视数据的任意存储方式。例如，如果您知道语言由两个不同的字符串表示（因此，例如，任何非“fr”的语言表示都不包含序列“fr”），则可以基于对逗号分隔表示中代码的搜索创建新的布尔列。例如：

# Data
text = c("Text1", "Text2", "Text3", "Text4", "Text5")
lang = c("fr", "en", "fr,en", "sp,fr", "sp,fr,en")
d = data.frame(text, lang, stringsAsFactors = FALSE)

# Get a vector of the languages that exist
languages <- unique(unlist(strsplit(d$lang, ",")))

# Create a new column for each language
for (language in languages) d[[language]] <- grepl(language, d$lang)

# An example bar-plot
barplot(colSums(d[, -c(1, 2)]))

#数据
text=c（“Text1”、“Text2”、“Text3”、“Text4”、“Text5”）
lang=c（“fr”、“en”、“fr、en”、“sp、fr”、“sp、fr”、“sp、fr、en”）
d=data.frame（text、lang、stringsAsFactors=FALSE）
#获取现有语言的向量
语言不能像那样将列表传递给
qplot
，其默认绘图是散点图。尝试
qplot（x=unlist（strsplit（as.character（d$lang），“，”），geom=“bar”）
或非
ggplot
答案。
barplot（表（unlist（strsplit）（as.character（d$lang），“，”）
。是否有一种方法可以在维护其他数据列的同时使用
取消列表
？在上面的例子中，假设我还有第三列，我想与lang保持一致，有办法吗？也许通过复制观察结果？非常感谢。我花了更多的时间才完全理解你的答案（因为我对R的理解非常基本），但现在我明白了，这正是我所需要的@Richard Ambler这是非常非常有用的代码，非常棒！！！然后，我有一个关于线路的问题；对于（语言中的语言）d[[语言]]现在我明白了！（在阅读了
splitstackshape
文档：-）该软件包非常完美：非常感谢！事实上，我需要的是：
cSplit（d，“lang”）
，这与
cSplit（d，“lang”、“，”和“wide”）
d_long <- d_wide %>%
  tidyr::gather_("ordinal", "language_name", language_positions) %>%
  dplyr::filter(!is.na(language_name))

library(splitstackshape)
dl <- cSplit(d, "lang", ",", "long")
qplot(lang, data = dl)

# Data
text = c("Text1", "Text2", "Text3", "Text4", "Text5")
lang = c("fr", "en", "fr,en", "sp,fr", "sp,fr,en")
d = data.frame(text, lang, stringsAsFactors = FALSE)

# Get a vector of the languages that exist
languages <- unique(unlist(strsplit(d$lang, ",")))

# Create a new column for each language
for (language in languages) d[[language]] <- grepl(language, d$lang)

# An example bar-plot
barplot(colSums(d[, -c(1, 2)]))