R语言实现按单元格数值重复列名并拼接的高效方法

我有如下数据框：

df <- data.frame(A = c(2, 0, 1), B = c(0, 3, 2))

#   A B
# 1 2 0
# 2 0 3
# 3 1 2

单元格中的数值表示对应列名需要重复的次数，重复后的内容用分号(;)拼接成单个字符串，0次则替换为<NA>。预期输出如下：

#      A     B
# 1  A;A  <NA>
# 2 <NA> B;B;B
# 3    A   B;B

需要处理更大的数据集（如下方10000行26列的示例），寻找高效处理方法，优先选择base或tidyverse方案，也接受data.table方案（但对其不熟悉）：

set.seed(1234)
df <- as.data.frame(matrix(sample(0:5, 1e4*26, replace = TRUE), 1e4, 26))
names(df) <- LETTERS

#    A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
# 1  3 0 3 5 4 0 3 2 2 1 3 3 4 3 2 4 0 1 4 5 2 5 5 2 0 0
# 2  1 5 1 0 3 3 2 0 1 5 5 2 5 0 2 5 1 1 2 4 5 5 0 5 0 0
# 3  5 5 2 0 1 4 5 4 0 5 5 1 1 1 2 2 4 5 4 5 5 5 0 4 0 0
# ...
# [ reached 'max' / getOption("max.print") -- omitted 9997 rows ]

解决方案 #

1. Base R 实现 #

利用mapply对应列值与列名，结合向量化判断和字符串拼接，代码简洁且效率足够：

# 获取列名向量
col_names <- names(df)

# 逐列处理
result_base <- as.data.frame(
  mapply(function(col_vals, col_name) {
    ifelse(
      col_vals == 0, 
      NA_character_, 
      sapply(col_vals, function(n) paste(rep(col_name, n), collapse = ";"))
    )
  }, df, col_names, SIMPLIFY = FALSE)
)

测试小数据集时，输出与预期完全一致。对于1e4行的数据集，该方法的处理速度可以满足需求。

2. Tidyverse 实现 #

用dplyr的across遍历所有列，结合cur_column()获取当前列名，写法更直观，适合习惯管道操作的用户：

library(tidyverse)

result_tidy <- df %>%
  mutate(across(everything(), ~ {
    col_name <- cur_column()
    ifelse(
      .x == 0, 
      NA_character_, 
      map_chr(.x, ~ paste(rep(col_name, .x), collapse = ";"))
    )
  }))

map_chr负责逐元素处理列值，将重复的列名拼接成字符串，整个流程符合tidyverse的风格。

3. Data.table 实现 #

如果追求极致效率，data.table的向量化操作在大数据集上表现更优，推荐用于超大规模数据处理：

library(data.table)

# 转换为data.table格式
setDT(df)

# 逐列处理并设置列名
result_dt <- df[, lapply(names(df), function(col_name) {
  col_vals <- .SD[[col_name]]
  fifelse(
    col_vals == 0, 
    NA_character_, 
    sapply(col_vals, function(n) paste(rep(col_name, n), collapse = ";"))
  )
})]
setnames(result_dt, names(df))

fifelse是data.table内置的快速条件判断函数，比base R的ifelse效率更高，适合处理百万级以上的数据集。

内容的提问来源于stack exchange，提问作者user18894435