R：リストのカテゴリ変数*に基づいてダミー変数を作成する*

Question

私はカテゴリ変数を持つデータフレームを持っていますの文字列を可変長でリストしています（これは重要ではないのでこの質問はthisまたはthis）、例えば：

df <- data.frame(x = 1:5) 
df$y <- list("A", c("A", "B"), "C", c("B", "D", "C"), "E") 
df 

x  y 
1 1  A 
2 2 A, B 
3 3  C 
4 4 B, D, C 
5 5  E 

そして所望の形態がdf$y、すなわち内のどこにでも見られた各一意の文字列のためのダミー変数である：

data.frame(x = 1:5, A = c(1,1,0,0,0), B = c(0,1,0,1,0), C = c(0,0,1,1,0), D = c(0,0,0,1,0), E = c(0,0,0,0,1)) 

x A B C D E 
1 1 1 0 0 0 0 
2 2 1 1 0 0 0 
3 3 0 0 1 0 0 
4 4 0 1 1 1 0 
5 5 0 0 0 0 1 

この単純なアプローチは動作します：

> uniqueStrings <- unique(unlist(df$y)) 
> n <- ncol(df) 
> for (i in 1:length(uniqueStrings)) { 
+ df[, n + i] <- sapply(df$y, function(x) ifelse(uniqueStrings[i] %in% x, 1, 0)) 
+ colnames(df)[n + i] <- uniqueStrings[i] 
+ } 

、それは非常に醜い怠惰とビッグデータフレームと遅いですが。

提案がありますか？ tidyverseから何か気に入っていますか？

---

更新：以下の3つのアプローチがあります。私はリアルデータセットの私の（Windows 7、32GBのRAM）ラップトップ上のsystem.timeを使用してそれらをテストしました。1M行からなり、各行は1〜4文字の長さのリスト（約350個の一意の文字列値）ディスク上に。したがって、予想される結果は、1M x 350のデータフレームです。tidyverse（@Sotos）とbase（@ joel.wilson）のアプローチは、Rを再起動しなければならないほど長くかかりました。しかし、qdapTools（@akrun）のアプローチは素晴らしい：

> system.time(res1 <- mtabulate(varsLists)) 
    user system elapsed 
    47.05 10.27 116.82 

これが私が受け入れる方法です。

Answer 1

私たちはあなたのコメントで述べた例にmtabulate

library(qdapTools) 
cbind(df[1], mtabulate(df$y)) 
# x A B C D E 
#1 1 1 0 0 0 0 
#2 2 1 1 0 0 0 
#3 3 0 0 1 0 0 
#4 4 0 1 1 1 0 
#5 5 0 0 0 0 1 

Answer 2

にもう一つのアイデア、さらに

library(dplyr) 
library(tidyr) 

df %>% 
unnest(y) %>% 
mutate(new = 1) %>% 
spread(y, new, fill = 0) 

# x A B C D E 
#1 1 1 0 0 0 0 
#2 2 1 1 0 0 0 
#3 3 0 0 1 0 0 
#4 4 0 1 1 1 0 
#5 5 0 0 0 0 1 

を使用することができ、それはspreadよりも柔軟性があるとして、我々はreshape2からdcastを使用することができますが、

df2 <- df %>% 
     unnest(y) %>% 
     group_by(x) %>% 
     filter(!duplicated(y)) %>% 
     ungroup() 

reshape2::dcast(df2, x ~ y, value.var = 'y', length) 

# x A B C D E 
#1 1 1 0 0 0 0 
#2 2 1 1 0 0 0 
#3 3 0 0 1 0 0 
#4 4 0 1 1 1 0 
#5 5 0 0 0 0 1 

#or with df$x <- c(1, 1, 2, 2, 3) 

# x A B C D E 
#1 1 1 1 0 0 0 
#2 2 0 1 1 1 0 
#3 3 0 0 0 0 1 

#or with df$x <- rep(1,5) 

# x A B C D E 
#1 1 1 1 1 1 1 

Answer 3

このインフォLVES外部パッケージない、

# thanks to Sotos for suggesting to use `unique(unlist(df$y))` instead of `LETTERS[1!:5]` 
sapply(unique(unlist(df$y)), function(j) as.numeric(grepl(j, df$y))) 
#  A B C D E 
#[1,] 1 0 0 0 0 
#[2,] 1 1 0 0 0 
#[3,] 0 0 1 0 0 
#[4,] 0 1 1 1 0 
#[5,] 0 0 0 0 1