从因子级别的子串创建虚拟变量

时间:2016-06-24 19:36:45

标签: r string

目标

使用包含NA或由空格分隔的整数系列的因子变量,我试图创建一系列虚拟变量(var1,var2,...,vari),如果字符串包含整数,则取值为1 i(不仅仅是字符i),如果字符串包含NA则为NA,否则为0。

问题

我有些卡住,因为我尝试使用grep()在字符串中搜索定义每个整数的字符,但这会返回行号而不是boole矢量。此外,搜索" 7"返回" 77"," 97"等等而不仅仅是#34; 7"。

实施例

因此,在下面的最小工作数据中,我希望虚拟变量var0,var1,var2,var3,var33,var999,如果data == NA则取NA值,如果data == x则取1,否则取0。我已经放下了最初的尝试来解决这个问题。由于我的实际数据非常大,我正在寻找一种通用的方法。

# Create data
data <- c("0 1 2", "0 2 3", "999", "33", "33 0 3", NA, "33 0 3") %>% factor()

# Attempt to complete task (doesn't work)
data <- cbind(data,
            setNames(
              data.frame(
                sapply(
                  data,
                  function(i) ifelse(is.na(data),
                                            NA,
                                            ifelse(# do something to create variables w/ value 1,0)))),
              paste0("var",
                    valuenumber))

在这种情况下,所需的输出类似于:

 data$var0
 [1] 1, 1, 0, 0, 1, NA, 1  # = 1 when string contains "0", NA when NA, 0 o/w

 data$var1
 [1] 1, 0, 0, 0, 0, NA, 0  # = 1 when string contains "1", NA when NA, 0 o/w

 data$var2
 [1] 1, 1, 0, 0, 0, NA, 0  # = 1 when string contains 2, NA when NA, 0 o/w

 # Important note: I want below to indicate when the string contains "3" and NOT "33"
 data$var3
 [1] 0, 1, 0, 0, 1, NA, 1  # = 1 when string contains 3, NA when NA, 0 o/w. 

 # Important note: I want below to indicate when the string contains "33" and NOT "3"
  data$var33
 [1] 0, 0, 0, 1, 1, NA, 1

  data$var999
 [1] 0, 0, 1, 0, 0, NA, 0

2 个答案:

答案 0 :(得分:2)

您需要使用grepl返回TF而不是grep,它会返回匹配的值或匹配的位置,并且因为您正在使用字符串从字符开始而不是从因素开始更好,这里有一些关于如何做的开始。将变量名重命名为Vari应该提供所需的输出:

data <- c("0 1 2", "0 2 3", "999", "33", "33 0 3", NA, "33 0 3")

valueNumbers <- na.omit(unique(unlist(strsplit(data, " "))))
newData <- sapply(valueNumbers, function(i) replace(as.integer(
                  grepl(paste("\\b", i, "\\b", sep = ""), data)), is.na(data), NA))

newData

      0  1  2  3 999 33
[1,]  1  1  1  0   0  0
[2,]  1  0  1  1   0  0
[3,]  0  0  0  0   1  0
[4,]  0  0  0  0   0  1
[5,]  1  0  0  1   0  1
[6,] NA NA NA NA  NA NA
[7,]  1  0  0  1   0  1

为了处理评论中提及的333个案例,您可以在grepl中的模式中添加单词边界\\b,这将区分333

答案 1 :(得分:1)

使用strsplit并匹配:

# data
data <- factor(c("0 1 2", "0 2 3", "999", "33", "33 0 3", NA, "33 0 3"))

# make list
dList <- sapply(as.character(data), strsplit, split = " ")
# unique items
items <- sort(unique(unlist(dList)))

# result
res <- data.frame(!is.na(t(sapply(dList, match, x = items)))) * 1
colnames(res) <- paste0("var", items)

# make no matches NA
res[rowSums(res) == 0,] <- NA


cbind(data, res)
#       data var0 var1 var2 var3 var33 var999
# 1    0 1 2    1    1    1    0     0      0
# 2    0 2 3    1    0    1    1     0      0
# 3      999    0    0    0    0     0      1
# 4       33    0    0    0    0     1      0
# 5   33 0 3    1    0    0    1     1      0
# 6     <NA>   NA   NA   NA   NA    NA     NA
# 7   33 0 3    1    0    0    1     1      0