functions - Convierte la lista de longitud mixta denominada data.frame

r data frame format

Question

Tengo una lista del siguiente formato:

[[1]]
[[1]]$a
[1] 1

[[1]]$b
[1] 3

[[1]]$c
[1] 5

[[2]]       
[[2]]$c
[1] 2

[[2]]$a
[1] 3

Hay una lista predefinida de posibles "claves" ( a , b , c , en este caso) y cada elemento de la lista ("fila") tendrá valores definidos para una o más de estas claves. Estoy buscando una manera rápida de pasar de la estructura de lista anterior a un data.frame que se vería como el siguiente, en este caso:

  a  b c
1 1  3 5
2 3 NA 2

¡Cualquier ayuda sería apreciada!

Apéndice

Estoy tratando con una tabla que tendrá hasta 50,000 filas y 3-6 columnas, con la mayoría de los valores especificados. Tomaré la tabla desde JSON e intentaré introducirla rápidamente en la estructura data.frame.

Aquí hay un código para crear una lista de muestra de la escala con la que estaré trabajando:

ids <- c("a", "b", "c")
createList <- function(approxSize=100){     
    set.seed(1234)

    fifth <- round(approxSize/5)

    list <- list()
    list[1:(fifth*5)] <- rep(
        list(list(a=1, b=2, c=3), 
                 list(a=3, b=4, c=5),
                 list(a=7, c=9),
                 list(c=6, a=8, b=3),
                 list(b=6)), 
        fifth)

    list
}

Simplemente cree una lista con un approxSize de 50,000 para probar el rendimiento en una lista de este tamaño.

Answer 1

Aquí está mi pensamiento inicial. No acelera su enfoque, pero simplifica el código considerablemente:

# makeDF <- function(List, Names) {
#     m <- t(sapply(List, function(X) unlist(X)[Names], 
#     as.data.frame(m)
# }    

## vapply() is a bit faster than sapply()
makeDF <- function(List, Names) {
    m <- t(vapply(List, 
                  FUN = function(X) unlist(X)[Names], 
                  FUN.VALUE = numeric(length(Names))))
    as.data.frame(m)
}

## Test timing with a 50k-item list
ll <- createList(50000)
nms <- c("a", "b", "c")

system.time(makeDF(ll, nms))
# user  system elapsed 
# 0.47    0.00    0.47 

Answer 2

Aquí hay una respuesta corta, aunque dudo que sea muy rápido.

> library(plyr)
> rbind.fill(lapply(x, as.data.frame))
  a  b c
 1 1  3 5
 2 3 NA 2

Answer 3

Bueno, lo intenté por primera vez y el rendimiento no fue tan malo como lo temía, pero estoy seguro de que todavía hay margen de mejora (especialmente en la matriz de residuos -> conversión de datos en cuadros).

convertList <- function(myList, ids){
    #this computes a list of the numerical index for each value to handle the missing/
    # improperly ordered list elements. So it will have a list in which each element 
    # associated with A has a value of 1, B ->2, and C -> 3. So a row containing
    # A=_, C=_, B=_ would have a value of `1,3,2`
    idInd <- lapply(myList, function(x){match(names(x), ids)})

    # Calculate the row indices if I were to unlist myList. So if there were two elements
    # in the first row, 3 in the third, and 1 in the fourth, you''d see: 1, 1, 2, 2, 2, 3
    rowInd <- inverse.rle(list(values=1:length(myList), lengths=sapply(myList, length)))

    #Unlist the first list created to just be a numerical matrix
    idInd <- unlist(idInd)

    #create a grid of addresses. The first column is the row address, the second is the col
    address <- cbind(rowInd, idInd)

    #have to use a matrix because you can''t assign a data.frame 
    # using an addressing table like we have above
    mat <- matrix(ncol=length(ids), nrow=length(myList))

    # assign the values to the addresses in the matrix
    mat[address] <- unlist(myList)

    # convert to data.frame
    df <- as.data.frame(mat)
    colnames(df) <- ids

    df
}   
myList <- createList(50000)
ids <- letters[1:3]

system.time(df <- convertList(myList, ids))

Se tarda unos 0.29 segundos para convertir las 50,000 filas en mi computadora portátil (Windows 7, Intel i7 M620 a 2.67 GHz, 4GB de RAM).

Todavía muy interesado en otras respuestas!

Answer 4

En dplyr:

bind_rows(lapply(x, as_data_frame))

# A tibble: 2 x 3
      a     b     c
  <dbl> <dbl> <dbl>
1     1     3     5
2     3    NA     2

Answer 5

Sé que esta es una pregunta antigua, pero acabo de encontrarla y es insoportable no ver la solución más simple que conozco. Así que aquí está (simplemente especifique ''fill = TRUE'' en rbindlist):

library(data.table)
list = list(list(a=1,b=3,c=5),list(c=2,a=3))
rbindlist(list,fill=TRUE)

#    a  b c
# 1: 1  3 5
# 2: 3 NA 2

No sé si esta es la forma más rápida, pero estaría dispuesto a apostar a que compite, dado el diseño cuidadoso de la tabla de datos y el rendimiento extremadamente bueno en muchas otras tareas.

Answer 6

Si conoce los posibles valores de antemano y está tratando con datos grandes, quizás el uso de data.table y set sea ​​rápido

cc <- createList(50000)



system.time({
nas <- rep.int(NA_real_, length(cc))
DT <-  setnames(as.data.table(replicate(length(ids),nas, simplify = FALSE)), ids)

for(xx in seq_along(cc)){

  .n <- names(cc[[xx]])
  for(j in .n){
    set(DT, i = xx, j = j, value = cc[[xx]][[j]])
  }


}

})


# user  system elapsed 
# 0.68    0.01    0.70 

Antiguo (solución lenta) para la posteridad.

full <- c(''a'',''b'', ''c'')

system.time({
for(xx in seq_along(cc)) {
  mm <- setdiff(full, names(cc[[xx]]))
  if(length(mm) || all(names(cc[[xx]]) == full)){
  cc[[xx]] <- as.data.table(cc[[xx]])
  # any missing columns

  if(length(mm)){
  # if required add additional columns
    cc[[xx]][, (mm) := as.list(rep(NA_real_, length(mm)))]
  }
  # put columns in correct order
  setcolorder(cc[[xx]], full) 
  }
}

 cdt <- rbindlist(cc)
})

#   user  system elapsed 
# 21.83    0.06   22.00 

Esta segunda solución se ha dejado aquí para mostrar cómo data.table se puede utilizar de manera deficiente.