Fractionner une chaîne de texte dans les colonnes d'un tableau de données.

Question

J'ai un script qui lit des données à partir d'un fichier CSV dans un data.table et divise ensuite le texte d'une colonne en plusieurs nouvelles colonnes. J'utilise actuellement la fonction lapply y strsplit pour ce faire. Voici un exemple :

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 

Dans l'exemple ci-dessus, la colonne PREFIX est divisé en deux nouvelles colonnes PX y PY sur le caractère "_".

Même si cela fonctionne très bien, je me demandais s'il n'y avait pas une meilleure façon (plus efficace) de le faire en utilisant data.table . Mes ensembles de données réels comportent plus de 10 millions de lignes, de sorte que l'efficacité en termes de temps et de mémoire devient très importante.

---

UPDATE :

En suivant la suggestion de @Frank, j'ai créé un cas de test plus important et utilisé les commandes suggérées, mais le fichier stringr::str_split_fixed prend beaucoup plus de temps que la méthode originale.

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 

Ainsi, le str_split_fixed prend environ 20 fois plus de temps.

Answer 1

Mise à jour : A partir de la version 1.9.6 (sur CRAN à partir de septembre 15), nous pouvons utiliser la fonction tstrsplit() pour obtenir les résultats directement (et de manière beaucoup plus efficace) :

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() est essentiellement une enveloppe pour transpose(strsplit()) donde transpose() également récemment implémentée, transpose une liste. Voir ?tstrsplit() y ?transpose() par exemple.

Voir l'historique pour les anciennes réponses.

Answer 2

J'ajoute la réponse pour quelqu'un qui n'utilise pas data.table v1.9.5 et veulent aussi une solution en une seule ligne.

dt[, c('PX','PY') := do.call(Map, c(f = c, strsplit(PREFIX, '-'))) ]

Answer 3

Utilisation de splitstackshape paquet :

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

Answer 4

On pourrait essayer :

library(data.table)  
cbind(dt, fread(text = dt$PREFIX, sep = "_", header = FALSE))
    #    PREFIX VALUE V1 V2
    # 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

Answer 5

Avec tidyr, la solution est :

separate(df,col = "PREFIX",into = c("PX", "PY"), sep = "_")