Разделить текстовую строку в столбцах data.table

У меня есть script, который считывает данные из файла CSV в data.table, а затем разбивает текст в одном столбце на несколько новых столбцов. В настоящее время я использую функции lapply и strsplit для этого. Вот пример:

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

В приведенном выше примере столбец PREFIX разбивается на два новых столбца PX и PY на символ "_".

Несмотря на то, что это работает отлично, мне было интересно, есть ли лучший (более эффективный) способ сделать это, используя data.table. Мои реальные наборы данных имеют >= 10M + строк, поэтому эффективность времени/памяти становится очень важной.

UPDATE:

Следуя предложению @Frank, я создал более крупный тестовый пример и использовал предложенные команды, но stringr::str_split_fixed занимает намного больше времени, чем оригинальный метод.

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

Таким образом, метод str_split_fixed занимает примерно 20X раз.

Ответ 1

Обновление: Из версии 1.9.6 (по CRAN с сентября 15) мы можем использовать функцию tstrsplit(), чтобы получить результаты напрямую (и более эффективным образом):

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() в основном является оберткой для transpose(strsplit()), где функция transpose(), также недавно реализованная, переносит список. Для примера см. ?tstrsplit() и ?transpose().

См. историю старых ответов.

Ответ 2

Я добавляю ответ для тех, кто не использует data.table v1.9.5, а также хочет однострочное решение.

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

Ответ 3

Использование пакета splitstackshape:

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

Ответ 4

С тидиром решение:

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