Suddividi la stringa di testo in colonne data.table

Ho uno script che legge i dati da un file CSV in un data.tablee quindi divide il testo in una colonna in diverse nuove colonne. Attualmente sto usando le funzioni lapplye strsplitper farlo. Ecco un esempio:

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 

Nell'esempio sopra la colonna PREFIXè divisa in due nuove colonne PXe PYsul carattere "_".

Anche se funziona bene, mi chiedevo se esiste un modo migliore (più efficiente) per farlo usando data.table. I miei set di dati reali hanno> = 10 milioni di righe, quindi l'efficienza di tempo / memoria diventa davvero importante.

AGGIORNARE:

Seguendo il suggerimento di @ Frank ho creato un test case più grande e ho utilizzato i comandi suggeriti, ma stringr::str_split_fixedrichiede molto più tempo rispetto al metodo originale.

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 

Quindi il str_split_fixedmetodo richiede circa 20 volte di più.

Aggiornamento: dalla versione 1.9.6 (su CRAN a partire da settembre 15), possiamo utilizzare la funzione tstrsplit()per ottenere i risultati direttamente (e in modo molto più efficiente):

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()fondamentalmente è un wrapper per transpose(strsplit()), dove la transpose()funzione, anch'essa recentemente implementata, traspone una lista. Si prega di vedere ?tstrsplit()e ?transpose()per esempi.

Visualizza la cronologia per le vecchie risposte.

Aggiungo la risposta per qualcuno che non usa la data.table v1.9.5 e desidera anche una soluzione di una riga.

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

Utilizzo del splitstackshapepacchetto:

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

Potremmo provare:

library(data.table)  
cbind(dt, fread(text = dt$PREFIX, sep = "_", header = FALSE))
    #    PREFIX VALUE V1 V2
    # 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

Con tidyr la soluzione è:

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