基于唯一字段值在R中创建数据集子集的技术求助

问题回顾 #

你想要根据Country这个唯一字段把数据集拆分成多个子集，示例数据和期望输出都很清晰，而且实际数据集有近100个不同国家，之前用sqldf没搞定，那我给你推荐两个简单高效的R语言方法吧！

先明确你的示例数据：

SaleID Country
Sale1 US
Sale2 Mexico
Sale3 US
Sale4 Canada
Sale5 Canada
Sale6 Mexico
Sale7 Canada

目标是拆分成每个国家对应一个子集，输出格式要标注Data 1、Data 2这类序号。

解决方案 #

方法1：用Base R原生的split()函数 #

这个方法不用装额外包，直接就能用，非常适合快速处理：

首先把数据转成R的数据框（如果还没转的话）：

# 构造示例数据框
df <- data.frame(
  SaleID = c("Sale1", "Sale2", "Sale3", "Sale4", "Sale5", "Sale6", "Sale7"),
  Country = c("US", "Mexico", "US", "Canada", "Canada", "Mexico", "Canada"),
  stringsAsFactors = FALSE
)

然后一行代码就能完成拆分：

# 按Country字段拆分，得到一个列表，每个元素是对应国家的子集
split_dfs <- split(df, df$Country)

拆分后的split_dfs是个列表，每个元素的名字就是对应的国家。如果要输出成你想要的格式，写个小循环就行：

# 遍历列表，逐个打印子集
for (i in seq_along(split_dfs)) {
  cat(paste0("Data ", i, "\n"))
  # 去掉行号打印，更贴合你的期望格式
  print(split_dfs[[i]], row.names = FALSE)
  cat("\n")
}

运行这段代码后，输出就和你想要的完全一致了！

方法2：用tidyverse系列的dplyr::group_split() #

如果你平时习惯用tidyverse的工具，这个方法更符合你的编码习惯，先确保装了dplyr：

# 没装的话先安装
# install.packages("dplyr")
library(dplyr)

# 按Country分组后拆分
split_dfs_dplyr <- df %>% 
  group_by(Country) %>% 
  group_split()

同样，用循环打印的方式和Base R一样，就能得到你要的输出格式。

关于sqldf的小说明 #

sqldf主要是用来用SQL语法查询数据的，要拆分的话得先提取所有唯一的国家，然后循环每个国家写SQL查询，代码会比较繁琐，而且处理100个国家的话效率也不如上面两种拆分方法，所以更推荐用split()或者group_split()哦。

内容的提问来源于stack exchange，提问作者User1414