将字符串分拆成数据框

王致远

2019/03/04

今天要解决一个长期困扰我的问题：使用strsplit或stringr::str_split，都是将元素分拆为列表的形式，虽然这样的通用性比较好，但是在大多数情形下，分拆元素的个数是固定的，更希望以数据框的形式返回，这样更具有通用性。

例如

strsplit(jd201610$date,"-") %>% head(3)
## [[1]]
## [1] "19"   "9月 " "16"  
## 
## [[2]]
## [1] "19"   "9月 " "16"  
## 
## [[3]]
## [1] "19"   "9月 " "16"
str_split(jd201610$date,"-") %>% head(3)
## [[1]]
## [1] "19"   "9月 " "16"  
## 
## [[2]]
## [1] "19"   "9月 " "16"  
## 
## [[3]]
## [1] "19"   "9月 " "16"

思路一：强制转换数据框再转置

一种思路是简单暴力的，强制转化为数据框。但由于as.data.frame是按元素转到数据框的列，不是想要的结果，所以还多了个转置的步骤，这样就大大增加了运行时间。

str_split_todf01 <- function(strvec,sep){
  tep <- strsplit(strvec,sep)
  df <- as.data.frame(tep)
  df <- t(df)
  rownames(df) <- 1:nrow(df)
  return(df)
}
str_split_todf01(jd201610$date,"-") %>% head(10)
##    [,1] [,2]   [,3]
## 1  "19" "9月 " "16"
## 2  "19" "9月 " "16"
## 3  "19" "9月 " "16"
## 4  "19" "9月 " "16"
## 5  "19" "9月 " "16"
## 6  "19" "9月 " "16"
## 7  "19" "9月 " "16"
## 8  "19" "9月 " "16"
## 9  "19" "9月 " "16"
## 10 "19" "9月 " "16"
system.time(str_split_todf01(jd201610$date,"-"))
##  用户  系统  流逝 
## 27.97  0.03 28.11

思路二：先转矩阵再转数据框

str_split_todf02 <- function(strvec,sep){
  tep <- strsplit(strvec,sep)
  len <- length(tep[[1]])
  return(as.data.frame(matrix(unlist(tep),ncol=len,byrow = T)))
}
str_split_todf02(jd201610$date,sep="-") %>% head(10)
##    V1   V2 V3
## 1  19 9月  16
## 2  19 9月  16
## 3  19 9月  16
## 4  19 9月  16
## 5  19 9月  16
## 6  19 9月  16
## 7  19 9月  16
## 8  19 9月  16
## 9  19 9月  16
## 10 19 9月  16
system.time(str_split_todf02(jd201610$date,sep="-"))
## 用户 系统 流逝 
## 0.50 0.00 0.49

思路三：用lapply提取列表元素构成数据框

str_split_todf03 <- function(strvec,sep){
  tep <- strsplit(strvec,sep)
  li <- list()
  len <- length(tep[[1]])
  for(i in 1:len){
    li[[i]] <- sapply(tep, `[`, i)
  }
  names(li) <- 1:len
  return(data.frame(li))
}
str_split_todf03(jd201610$date,"-") %>% head(10)
##    X1   X2 X3
## 1  19 9月  16
## 2  19 9月  16
## 3  19 9月  16
## 4  19 9月  16
## 5  19 9月  16
## 6  19 9月  16
## 7  19 9月  16
## 8  19 9月  16
## 9  19 9月  16
## 10 19 9月  16
system.time(str_split_todf03(jd201610$date,"-"))
## 用户 系统 流逝 
## 0.72 0.00 0.72

结论

由运行时间，思路一最不可取，思路二和三效率差不多。思路三多了个循环，美感稍差一些。

得到经验：由列表转数据框时，如果行列不是想要的形式，可以先换成矩阵，再换成数据框；而不是使用数据框转置。