Data.table sütunlarında metin dizesini bölme

Bir CSV dosyasındaki verileri a'ya okuyan data.tableve ardından bir sütundaki metni birkaç yeni sütuna bölen bir komut dosyam var. Bunu yapmak için şu anda lapplyve strsplitişlevlerini kullanıyorum . İşte bir örnek:

library("data.table")
df = data.table(PREFIX = c("A_B","A_C","A_D","B_A","B_C","B_D"),
                VALUE  = 1:6)
dt = as.data.table(df)

# split PREFIX into new columns
dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))

dt 
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D 

Yukarıdaki örnekte sütun PREFIXiki yeni sütuna PXve PY"_" karakterine bölünmüştür .

Bu gayet iyi çalışsa da, bunu kullanarak yapmanın daha iyi (daha verimli) bir yolu olup olmadığını merak ediyordum data.table. Gerçek veri kümelerimin> = 10 milyondan fazla satırı var, bu nedenle zaman / bellek verimliliği gerçekten önemli hale geliyor.

GÜNCELLEME:

@ Frank'in önerisini takiben daha büyük bir test senaryosu oluşturdum ve önerilen komutları kullandım, ancak stringr::str_split_fixedorijinal yöntemden çok daha uzun sürüyor.

library("data.table")
library("stringr")
system.time ({
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                    VALUE  = rep(1:6, 1000000))
    dt = data.table(df)
})
#   user  system elapsed 
#  0.682   0.075   0.758 

system.time({ dt[, c("PX","PY") := data.table(str_split_fixed(PREFIX,"_",2))] })
#    user  system elapsed 
# 738.283   3.103 741.674 

rm(dt)
system.time ( {
    df = data.table(PREFIX = rep(c("A_B","A_C","A_D","B_A","B_C","B_D"), 1000000),
                     VALUE = rep(1:6, 1000000) )
    dt = as.data.table(df)
})
#    user  system elapsed 
#   0.123   0.000   0.123 

# split PREFIX into new columns
system.time ({
    dt$PX = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 1))
    dt$PY = as.character(lapply(strsplit(as.character(dt$PREFIX), split="_"), "[", 2))
})
#    user  system elapsed 
#  33.185   0.000  33.191 

Yani str_split_fixedyöntem yaklaşık 20X kat daha uzun sürer.

Güncelleme: 1.9.6 sürümünden (Eylül'15 itibarıyla CRAN'da), işlevi tstrsplit()doğrudan (ve çok daha verimli bir şekilde) sonuçları almak için kullanabiliriz :

require(data.table) ## v1.9.6+
dt[, c("PX", "PY") := tstrsplit(PREFIX, "_", fixed=TRUE)]
#    PREFIX VALUE PX PY
# 1:    A_B     1  A  B
# 2:    A_C     2  A  C
# 3:    A_D     3  A  D
# 4:    B_A     4  B  A
# 5:    B_C     5  B  C
# 6:    B_D     6  B  D

tstrsplit()temelde, fonksiyonun yakın zamanda uygulandığı, bir listenin transpoze transpose(strsplit())edildiği bir sarmalayıcıdır transpose(). Lütfen örnekler için ?tstrsplit()ve bakın ?transpose().

Eski cevaplar için geçmişe bakın.

data.table V1.9.5 kullanmayan ve ayrıca tek satırlık bir çözüm isteyen biri için cevap ekliyorum .

dt[, c('PX','PY') := do.call(Map, c(f = c, strsplit(PREFIX, '-'))) ]

splitstackshapePaketi kullanarak :

library(splitstackshape)
cSplit(df, splitCols = "PREFIX", sep = "_", direction = "wide", drop = FALSE)
#    PREFIX VALUE PREFIX_1 PREFIX_2
# 1:    A_B     1        A        B
# 2:    A_C     2        A        C
# 3:    A_D     3        A        D
# 4:    B_A     4        B        A
# 5:    B_C     5        B        C
# 6:    B_D     6        B        D

Deneyebiliriz:

library(data.table)  
cbind(dt, fread(text = dt$PREFIX, sep = "_", header = FALSE))
    #    PREFIX VALUE V1 V2
    # 1:    A_B     1  A  B
    # 2:    A_C     2  A  C
    # 3:    A_D     3  A  D
    # 4:    B_A     4  B  A
    # 5:    B_C     5  B  C
    # 6:    B_D     6  B  D

Tidyr ile çözüm şudur:

separate(df,col = "PREFIX",into = c("PX", "PY"), sep = "_")