在 R 中，当从另一列中的分隔文本为列创建名称时，新列名称仅从第一行分配

Question

使用 R 从另一列中的分隔文本创建列名称，新列的名称仅取自第一行，其余标记为 NA。即使他们分配了正确的值。

数据由有效的分号分隔值以及一列中的空值和 NULL 值组成。我正在尝试创建以每个有效分隔值命名的新列，并将值 1 分配给找到该列名称的行的新列。

例如

  A  B                                       C E Domestic Glue_Sniffing NA NA NA NA NA NA NA
1 1  0 ;Domestic;;Domestic abuse;Glue Sniffing 7        1            NA NA NA NA NA NA NA NA
2 2  4                             ;Drug;Abus; 8       NA            NA  1  1 NA NA NA NA NA
3 3  6          ;Drug;Domestic Abuse;Domestic; 9        1            NA  1 NA NA NA NA NA NA
4 4  5                       ;Alcohol;;Verbal; 5       NA            NA NA NA  1  1 NA NA NA
5 5  7                      ;Shinpads;Abus ; ; 6       NA            NA NA  1 NA NA  1 NA NA
6 6  9                                         7       NA            NA NA NA NA NA NA NA NA
7 7 12                                   ;Ail; 8       NA            NA NA NA NA NA NA NA  1
8 8 10                                         7       NA            NA NA NA NA NA NA NA NA
9 9  9                                       ; 8       NA            NA NA NA NA NA NA NA NA

问题是它只取查询的第一行中的名字。我将以下答案用作 template

我哪里错了？代码与模板相同，但修改为向每个分隔元素添加“=1”，如下所示：

#Define a function to take vectors like c("A=1","B=2") and changed them into named vectors like c(A="1", B="2").
createNamedVectors <- function(x) {

    a <- strsplit(x,"=")
    setNames(sapply(a,'[',2), sapply(a,'[',1))

}


tmp.df<-data.frame(
    A = c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9), 
    B = c(0L, 4, 6, 5L, 7L, 9L, 12L, 10L, 9), 
    C = c(";Ailment;Drug;Abus;Domestic;Domestic abuse;Glue Sniffing", 
          ";Drug;Abus;", 
          ";Drug;Domestic Abuse;Domestic;",
          ";Alcohol;;Verbal;",
          ";Shinpads; ;",
          "",
          ";Ail;",
          " ",
          ";"),
    D = c(";Vodka=2;Drug;Abus;", 
          ";Drug;Abu;", 
          ";Alcohol;Drug;Verbal;",
          ";Drug;Doms;",
          ";Shinpads;",
          " ",
          "",
          ";Ail;",
          "New"),
    E = c(7L, 8L, 9L, 5L, 6L, 7L, 8L, 7L, 8), 
    stringsAsFactors=T
)

DelimitedNamesOfNewCols <- str_replace_all(as.character(tmp.df$C),"Domestic [Aa]buse","Domestic")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,";*[[:space:]]*;",";")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,"^;","")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,";","=1;")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,"^[[:space:]]+","DUMMY=;")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,"[[:space:]]+$","DUMMY=;")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,"[[:space:]]","_")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,"^$","DUMMY=;")
DelimitedNamesOfNewCols <- str_replace_all(DelimitedNamesOfNewCols,";$","")



ColsAndValsAsNamedVectors <-lapply(strsplit(DelimitedNamesOfNewCols,";"), createNamedVectors)


#Get list of all column names, then trim and remove NA and blanks
UniqueColumnNames <-unique(unlist(sapply(ColsAndValsAsNamedVectors, names)))
UniqueColumnNames <- stri_trim(UniqueColumnNames)
UniqueColumnNames <- UniqueColumnNames[!is.na(UniqueColumnNames)]
UniqueColumnNames <- UniqueColumnNames[stri_cmp_gt(UniqueColumnNames,"")]


#Extract data from all rows for every column
DataFromRowsForEachColumn <-do.call(rbind, lapply(ColsAndValsAsNamedVectors, '[', UniqueColumnNames))


#Convert everything to numeric
class(DataFromRowsForEachColumn)<-"numeric"

#Rejoin with original data.frame removing column 4
cbind(tmp.df[,-4], DataFromRowsForEachColumn)

运行并检查大量调试语句显示名称和值已正确分配给所有条目，直到 return 来自以下语句

lapply(ColsAndValsAsNamedVectors, '[', UniqueColumnNames)

在语句

中找到

DataFromRowsForEachColumn <- do.call(rbind, lapply(ColsAndValsAsNamedVectors, '[', UniqueColumnNames))

但是在 DataFromRowsForEachColumn 中只有第一行的列名。

我是否需要重新开始，我是否犯了一个明显的错误，或者我是否缺少更优雅的解决方案？

感谢收到所有回复

Answer 1

很可能有更好的方法来执行此操作，但您的代码几乎可以正常工作，所以让我们开始吧。

正如你所说，在我们到达这里之前一切都很好

# problem line
DataFromRowsForEachColumn <-do.call(rbind, lapply(ColsAndValsAsNamedVectors, '[', UniqueColumnNames))

如果我们只是运行 lapply，我们可以看到它工作正常，但只有在每个列表元素中，只有找到的列才会被命名。 rbind 不会添加到名称中，它只会从第一个列表元素中获取名称。

lapply(ColsAndValsAsNamedVectors, '[', UniqueColumnNames)
# [[1]]
#       Ailment          Drug          Abus      Domestic Glue_Sniffing          <NA>          <NA>          <NA>          <NA>          <NA> 
#           "1"           "1"           "1"           "1"            NA            NA            NA            NA            NA            NA 
# 
# [[2]]
# <NA> Drug Abus <NA> <NA> <NA> <NA> <NA> <NA> <NA> 
#   NA  "1"  "1"   NA   NA   NA   NA   NA   NA   NA 
# 
# [[3]]
#     <NA>     Drug     <NA> Domestic     <NA>     <NA>     <NA>     <NA>     <NA>     <NA> 
#       NA      "1"       NA      "1"       NA       NA       NA       NA       NA       NA 
# 
# [[4]]
#    <NA>    <NA>    <NA>    <NA>    <NA> Alcohol  Verbal    <NA>    <NA>    <NA> 
#      NA      NA      NA      NA      NA     "1"     "1"      NA      NA      NA 
# 
# [[5]]
#     <NA>     <NA>     <NA>     <NA>     <NA>     <NA>     <NA> Shinpads     <NA>     <NA> 
#       NA       NA       NA       NA       NA       NA       NA      "1"       NA       NA

简单的解决方法是只修复结果中的名称：

colnames(DataFromRowsForEachColumn) = UniqueColumnNames

添加该行，我想您会对最终结果感到满意。

其他评论：

我非常怀疑您的 stri_trim 行 - 在您的管道中似乎为时已晚。我认为您需要早点 trim（如果需要的话）。看起来你用 "^[[:space:]]+" 和 "[[:space:]]+$" 替换行来处理它。您可以将这 2 个替换为 str_trim。但是，如果在到达唯一列名时仍然有空格，请在上游进行修复。

Answer 2

不确定我是否理解正确，但为了从 ; 分隔行创建新列，您可以使用神奇的 tidyverse 包：

library(tidyverse)

df %>%
  separate_rows(C, sep = ';') %>%
  filter (C != '') %>%
  mutate(new = 1) %>%
  spread(C, new)

这会产生

  A  B                     D E    Abus Ail Ailment Alcohol Domestic Domestic abuse Domestic Abuse Drug Glue Sniffing Shinpads Verbal
1 1  0   ;Vodka=2;Drug;Abus; 7 NA    1  NA       1      NA        1              1             NA    1             1       NA     NA
2 2  4            ;Drug;Abu; 8 NA    1  NA      NA      NA       NA             NA             NA    1            NA       NA     NA
3 3  6 ;Alcohol;Drug;Verbal; 9 NA   NA  NA      NA      NA        1             NA              1    1            NA       NA     NA
4 4  5           ;Drug;Doms; 5 NA   NA  NA      NA       1       NA             NA             NA   NA            NA       NA      1
5 5  7            ;Shinpads; 6  1   NA  NA      NA      NA       NA             NA             NA   NA            NA        1     NA
6 7 12                       8 NA   NA   1      NA      NA       NA             NA             NA   NA            NA       NA     NA
7 8 10                 ;Ail; 7  1   NA  NA      NA      NA       NA             NA             NA   NA            NA       NA     NA

在 R 中，当从另一列中的分隔文本为列创建名称时，新列名称仅从第一行分配

In R when creating names for columns from delimited text in another column, new columns names are only assigned from the 1st row

csv

r

columnname

rbind

do.call