这个问题在这里已经有了答案:
Split character column into several binary (0/1) columns
(7 个回答)
2年前关闭。
我有一个包含字符串列表的分类变量的数据框,长度可变(这很重要,否则这个问题将是 this 或 this 的重复),例如:
df <- data.frame(x = 1:5)
df$y <- list("A", c("A", "B"), "C", c("B", "D", "C"), "E")
df
x y 1 1 A 2 2 A, B 3 3 C 4 4 B, D, C 5 5 E
所需的形式是
df$y
中任何地方看到的每个唯一字符串的虚拟变量。 , IE。:data.frame(x = 1:5, A = c(1,1,0,0,0), B = c(0,1,0,1,0), C = c(0,0,1,1,0), D = c(0,0,0,1,0), E = c(0,0,0,0,1))
x A B C D E 1 1 1 0 0 0 0 2 2 1 1 0 0 0 3 3 0 0 1 0 0 4 4 0 1 1 1 0 5 5 0 0 0 0 1
这种天真的方法有效:
> uniqueStrings <- unique(unlist(df$y))
> n <- ncol(df)
> for (i in 1:length(uniqueStrings)) {
+ df[, n + i] <- sapply(df$y, function(x) ifelse(uniqueStrings[i] %in% x, 1, 0))
+ colnames(df)[n + i] <- uniqueStrings[i]
+ }
然而,大数据帧非常丑陋、懒惰和缓慢。
有什么建议?来自
tidyverse
的花哨的东西?更新:我在下面得到了 3 种不同的方法。我使用
system.time
测试了它们在我的(Windows 7,32GB RAM)笔记本电脑上的真实数据集,包含 1M 行,每行包含长度为 1 到 4 个字符串(大约 350 个唯一字符串值)的列表,磁盘上总共 200MB。所以预期的结果是一个尺寸为 1M x 350 的数据框。tidyverse
(@Sotos) 和 base
(@joel.wilson) 方法花了很长时间,我不得不重新启动 R。qdapTools
(@akrun) 方法但是效果很好:> system.time(res1 <- mtabulate(varsLists))
user system elapsed
47.05 10.27 116.82
所以这是我将标记为接受的方法。
最佳答案
我们可以使用 mtabulate
library(qdapTools)
cbind(df[1], mtabulate(df$y))
# x A B C D E
#1 1 1 0 0 0 0
#2 2 1 1 0 0 0
#3 3 0 0 1 0 0
#4 4 0 1 1 1 0
#5 5 0 0 0 0 1
关于R:基于分类变量 *of 列表 * 创建虚拟变量,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41672579/