unir - extraer columnas en r

Pegar varias columnas juntas

Question

Tengo un grupo de columnas en un marco de datos que quiero pegar juntas (separadas por "-") de la siguiente manera:

data <- data.frame(''a'' = 1:3, 
                   ''b'' = c(''a'',''b'',''c''), 
                   ''c'' = c(''d'', ''e'', ''f''), 
                   ''d'' = c(''g'', ''h'', ''i''))
i.e.     
     a   b   c  d  
     1   a   d   g  
     2   b   e   h  
     3   c   f   i  

Que quiero ser:

a x  
1 a-d-g  
2 b-e-h  
3 c-f-i  

Normalmente podría hacer esto con:

within(data, x <- paste(b,c,d,sep=''-''))

y luego eliminar las columnas antiguas, pero desafortunadamente no sé específicamente los nombres de las columnas, solo un nombre colectivo para todas las columnas, por ejemplo, sé que cols <- c(''b'',''c'',''d'')

¿Alguien sabe una manera de hacer esto?

Answer 1

Analicé las respuestas de Anthony Damico, Brian Diggs y data_steve en una pequeña muestra tbl_df y obtuve los siguientes resultados.

> data <- data.frame(''a'' = 1:3, 
+                    ''b'' = c(''a'',''b'',''c''), 
+                    ''c'' = c(''d'', ''e'', ''f''), 
+                    ''d'' = c(''g'', ''h'', ''i''))
> data <- tbl_df(data)
> cols <- c("b", "c", "d")
> microbenchmark(
+     do.call(paste, c(data[cols], sep="-")),
+     apply( data[ , cols ] , 1 , paste , collapse = "-" ),
+     tidyr::unite_(data, "x", cols, sep="-")$x,
+     times=1000
+ )
Unit: microseconds
                                         expr     min      lq      mean  median       uq       max neval
do.call(paste, c(data[cols], sep = "-"))       65.248  78.380  93.90888  86.177  99.3090   436.220  1000
apply(data[, cols], 1, paste, collapse = "-") 223.239 263.044 313.11977 289.514 338.5520   743.583  1000
tidyr::unite_(data, "x", cols, sep = "-")$x   376.716 448.120 556.65424 501.877 606.9315 11537.846  1000

Sin embargo, cuando evalué en mi propio tbl_df con ~ 1 millón de filas y 10 columnas, los resultados fueron bastante diferentes.

> microbenchmark(
+     do.call(paste, c(data[c("a", "b")], sep="-")),
+     apply( data[ , c("a", "b") ] , 1 , paste , collapse = "-" ),
+     tidyr::unite_(data, "c", c("a", "b"), sep="-")$c,
+     times=25
+ )
Unit: milliseconds
                                                       expr        min         lq      mean     median        uq       max neval
do.call(paste, c(data[c("a", "b")], sep="-"))                 930.7208   951.3048  1129.334   997.2744  1066.084  2169.147    25
apply( data[ , c("a", "b") ] , 1 , paste , collapse = "-" )  9368.2800 10948.0124 11678.393 11136.3756 11878.308 17587.617    25
tidyr::unite_(data, "c", c("a", "b"), sep="-")$c              968.5861  1008.4716  1095.886  1035.8348  1082.726  1759.349    25

Answer 2

Como una variante de la respuesta de Baptiste , con los data definidos como usted y las columnas que desea unir definidas en cols

cols <- c("b", "c", "d")

Puede agregar la nueva columna a los data y eliminar los antiguos con

data$x <- do.call(paste, c(data[cols], sep="-"))
for (co in cols) data[co] <- NULL

lo que da

> data
  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i

Answer 3

Construiría un nuevo data.frame:

d <- data.frame(''a'' = 1:3, ''b'' = c(''a'',''b'',''c''), ''c'' = c(''d'', ''e'', ''f''), ''d'' = c(''g'', ''h'', ''i'')) 

cols <- c( ''b'' , ''c'' , ''d'' )

data.frame(a = d[, ''a''], x = do.call(paste, c(d[ , cols], list(sep = ''-''))))

Answer 4

En mi opinión, la función sprintf también merece un lugar entre estas respuestas. Puedes usar sprintf siguiente manera:

do.call(sprintf, c(d[cols], ''%s-%s-%s''))

lo que da:

 [1] "a-d-g" "b-e-h" "c-f-i"

Y para crear el marco de datos requerido:

data.frame(a = d$a, x = do.call(sprintf, c(d[cols], ''%s-%s-%s'')))

dando:

  a     x
1 1 a-d-g
2 2 b-e-h
3 3 c-f-i

Aunque sprintf no tiene una clara ventaja sobre la combinación do.call / paste de @BrianDiggs, es especialmente útil cuando también desea rellenar ciertas partes de la cadena deseada o cuando desea especificar el número de dígitos. Ver ?sprintf para las diversas opciones.

Un punto de referencia en un conjunto de datos más grande:

# create a larger dataset
d2 <- d[sample(1:3,1e6,TRUE),]
# benchmark
library(microbenchmark)
microbenchmark(
  docp = do.call(paste, c(d2[cols], sep="-")),
  appl = apply( d2[, cols ] , 1 , paste , collapse = "-" ),
  tidr = tidyr::unite_(d2, "x", cols, sep="-")$x,
  docs = do.call(sprintf, c(d2[cols], ''%s-%s-%s'')),
  times=10)

resultados en:

Unit: milliseconds
 expr       min        lq      mean    median        uq       max neval cld
 docp  214.1786  226.2835  297.1487  241.6150  409.2495  493.5036    10 a  
 appl 3832.3252 4048.9320 4131.6906 4072.4235 4255.1347 4486.9787    10   c
 tidr  206.9326  216.8619  275.4556  252.1381  318.4249  407.9816    10 a  
 docs  413.9073  443.1550  490.6520  453.1635  530.1318  659.8400    10  b 

Datos usados:

d <- data.frame(a = 1:3, b = c(''a'',''b'',''c''), c = c(''d'',''e'',''f''), d = c(''g'',''h'',''i'')) 

Answer 5

Solo para agregar una solución adicional con Reduce que probablemente sea más lenta que do.call pero con mejor funcionamiento que apply porque evitará la conversión de la matrix . Además, en lugar de un bucle for , podríamos usar setdiff para eliminar columnas no deseadas

cols <- c(''b'',''c'',''d'')
data$x <- Reduce(function(...) paste(..., sep = "-"), data[cols])
data[setdiff(names(data), cols)]
#   a     x
# 1 1 a-d-g
# 2 2 b-e-h
# 3 3 c-f-i

De forma alternativa, podríamos actualizar los data en el lugar utilizando el paquete data.table (suponiendo que hay datos nuevos)

library(data.table)
setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD[, mget(cols)])]
data[, (cols) := NULL]
data
#    a     x
# 1: 1 a-d-g
# 2: 2 b-e-h
# 3: 3 c-f-i

Otra opción es usar .SDcols lugar de mget como en

setDT(data)[, x := Reduce(function(...) paste(..., sep = "-"), .SD), .SDcols = cols]

Answer 6

Usando el paquete tidyr , esto se puede manejar fácilmente en una llamada de función.

data <- data.frame(''a'' = 1:3, 
                   ''b'' = c(''a'',''b'',''c''), 
                   ''c'' = c(''d'', ''e'', ''f''), 
                   ''d'' = c(''g'', ''h'', ''i''))

tidyr::unite_(data, paste(colnames(data)[-1], collapse="_"), colnames(data)[-1])

  a b_c_d
1 1 a_d_g
2 2 b_e_h
3 3 c_f_i

Editar: Excluya la primera columna, todo lo demás se pega.

# tidyr_0.6.3

unite(data, newCol, -a) 
# or by column index unite(data, newCol, -1)

#   a newCol
# 1 1  a_d_g
# 2 2  b_e_h
# 3 3  c_f_i

Answer 7

Utilice tidyr :: unite - todo si no necesita excluir ninguna columna.

unite(data,newCol,everything()) 

   newCol
1 1_a_d_g
2 2_b_e_h
3 3_c_f_i

Answer 8

# your starting data..
data <- data.frame(''a'' = 1:3, ''b'' = c(''a'',''b'',''c''), ''c'' = c(''d'', ''e'', ''f''), ''d'' = c(''g'', ''h'', ''i'')) 

# columns to paste together
cols <- c( ''b'' , ''c'' , ''d'' )

# create a new column `x` with the three columns collapsed together
data$x <- apply( data[ , cols ] , 1 , paste , collapse = "-" )

# remove the unnecessary columns
data <- data[ , !( names( data ) %in% cols ) ]

Answer 9

library(plyr)

ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[2:4],sep="",collapse="-"))))

#      x
#1 a-d-g
#2 b-e-h
#3 c-f-i

#  and with just the vector of names you have:

ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[c(''b'',''c'',''d'')],sep="",collapse="-"))))

# or equally:
mynames <-c(''b'',''c'',''d'')
ldply(apply(data, 1, function(x) data.frame(
                      x = paste(x[mynames],sep="",collapse="-"))))