将全名向量拆分为 2 个独立向量的有效方法

Question

我有一个由全名组成的向量，名字和姓氏用逗号分隔这就是前几个元素的样子：

> head(val.vec)
[1] "Aabye,ֲ Edgar"        "Aaltonen,ֲ Arvo"      "Aaltonen,ֲ Paavo"    
[4] "Aalvik Grimsb,ֲ Kari" "Aamodt,ֲ Kjetil Andr" "Aamodt,ֲ Ragnhild

我正在寻找一种方法将它们分成 2 个单独的名字和姓氏列。我的最终目的是将它们都作为更大数据框架的一部分。

我试过像这样使用 strsplit 函数

names<-unlist(strsplit(val.vec,','))

但它给了我一个长向量而不是 2 个单独的集合，我知道它是可以使用循环并遍历所有元素并将名字和姓氏放在 2 个单独的向量中，但考虑到大约有 25000 条记录这一事实有点耗时。

我看到了一些类似的问题，但讨论的是如何在 C+ 上进行，Java

Answer 1

我们可以使用 read.csv 将 vector 转换为具有 2 列的 data.frame

read.csv(text=val.vec, header=FALSE, stringsAsFactors=FALSE)

或者如果我们使用 strsplit，而不是 unlisting（这会将整个 list 转换为单个 vector），我们可以提取第一个和 list 中的第二个元素分别创建两个 vector（'v1' 和 'v2'）。

lst <- strsplit(val.vec,',')
v1 <- lapply(lst, `[`, 1)
v2 <- lapply(lst, `[`, 2)

另一个选择是 sub

v1 <- sub(",.*", "", val.vec)
v2 <- sub("[^,]+,", "", val.vec)

数据

val.vec <- c("Aabye,ֲ Edgar", "Aaltonen,ֲ Arvo", "Aaltonen,ֲ Paavo", 
        "Aalvik Grimsb,ֲ Kari", "Aamodt,ֲ Kjetil Andr", "Aamodt,ֲ Ragnhild")

Answer 2

只需将您的函数调用封装到 sapply 调用中即可：

val.vec = c("Aabye,ֲ Edgar", "Aaltonen,ֲ Arvo", "Aaltonen,ֲ Paavo", "Aalvik Grimsb,ֲ Kari", "Aamodt,ֲ Kjetil Andr", "Aamodt,ֲ Ragnhild")

names = t(sapply(val.vec, function(x) unlist(strsplit(x,','))))
names

#> names
#                     [,1]            [,2]           
#Aabye,? Edgar        "Aabye"         "? Edgar"      
#Aaltonen,? Arvo      "Aaltonen"      "? Arvo"       
#Aaltonen,? Paavo     "Aaltonen"      "? Paavo"      
#Aalvik Grimsb,? Kari "Aalvik Grimsb" "? Kari"       
#Aamodt,? Kjetil Andr "Aamodt"        "? Kjetil Andr"
#Aamodt,? Ragnhild    "Aamodt"        "? Ragnhild"

使用您尝试过的解决方案，我们可以将其强制为两列。

val.vec = c("Aabye,ֲ Edgar", "Aaltonen,ֲ Arvo", "Aaltonen,ֲ Paavo", "Aalvik Grimsb,ֲ Kari", "Aamodt,ֲ Kjetil Andr", "Aamodt,ֲ Ragnhild")
names = matrix(unlist(strsplit(val.vec,',')), ncol = 2L, byrow = TRUE)
#> names
#     [,1]            [,2]           
#[1,] "Aabye"         "? Edgar"      
#[2,] "Aaltonen"      "? Arvo"       
#[3,] "Aaltonen"      "? Paavo"      
#[4,] "Aalvik Grimsb" "? Kari"       
#[5,] "Aamodt"        "? Kjetil Andr"
#[6,] "Aamodt"        "? Ragnhild"

根据 Richard Scriven 提出的（非常快的）解决方案对其进行测试，我们可以看到你的和他的是等价的：

#> library(microbenchmark)
#> microbenchmark(
#+   names_1 = do.call(rbind, strsplit(val.vec, ",")),
#+   names_2 = matrix(unlist(strsplit(val.vec,',')), ncol = 2L, byrow = TRUE),
#+   times = 10000L
#+ )
#Unit: microseconds
#    expr    min     lq     mean median     uq      max neval cld
# names_1 12.596 13.530 15.08867 13.996 14.463  513.185 10000   b
# names_2 11.663 12.131 14.03413 12.597 13.530 1436.917 10000  a

Answer 3

另一个选项：

library(stringi)
stri_split_fixed(val.vec, ",", simplify = TRUE)

给出：

#     [,1]            [,2]          
#[1,] "Aabye"         "ֲ Edgar"      
#[2,] "Aaltonen"      "ֲ Arvo"       
#[3,] "Aaltonen"      "ֲ Paavo"      
#[4,] "Aalvik Grimsb" "ֲ Kari"       
#[5,] "Aamodt"        "ֲ Kjetil Andr"
#[6,] "Aamodt"        "ֲ Ragnhild"

如果您想要 data.frame 中的结果，您可以将其包装在 as.data.frame()

中

Answer 4

如果您喜欢 dplyr 做事方式，请查看 tidyr 包中的 separate：

library(dplyr)
library(tidyr)

dat = data.frame(val = c("Lee, John", "Lee, Spike", "Doe, John", 
        "Longstocking, Pippy", "Bond, James", "Jordan, Michael"))
#                   val
# 1           Lee, John
# 2          Lee, Spike
# 3           Doe, John
# 4 Longstocking, Pippy
# 5         Bond, James
# 6     Jordan, Michael
dat %>% 
  separate(val, c('last_name', 'first_name'), sep = ',') %>% 
  mutate(first_name = trimws(first_name))
#      last_name first_name
# 1          Lee       John
# 2          Lee      Spike
# 3          Doe       John
# 4 Longstocking      Pippy
# 5         Bond      James
# 6       Jordan    Michael

在对 trimws 的调用中添加以去除前导空格。

将全名向量拆分为 2 个独立向量的有效方法

Efficient way to split a vector of a full name in to 2 separate vectors

r

string

strstr

数据