R:基于分类变量 *of 列表 * 创建虚拟变量

Question

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。

Answer 1

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