user27247029's questions

Tenho um DataFrame que precisa separar colunas quando há vírgulas. O problema é quando tenho colunas todas nulas. No exemplo abaixo, preciso de um DataFrame com as colunas "mpg", "wt_0", "wt_1" e "carb_0".

Como posso desaninhar colunas de struct sem descartar structs vazias?

library(polars)

mtcars$carb <- NA_real_

dt <- as_polars_df(mtcars)

dt$select(
  pl$col("mpg"),
  wt = pl$col("wt")$cast(pl$String)$str$replace("\\.", ","),
  carb = pl$col("carb")$cast(pl$String)$str$replace("\\.", ",")
)$with_columns(
  pl$col("wt")$str$split(",")$list$to_struct(
    fields = \(x) paste0("wt_", x),
    n_field_strategy = "max_width"
  ),
  pl$col("carb")$str$split(",")$list$to_struct(
    fields = \(x) paste0("carb_", x),
    n_field_strategy = "max_width"
  )
)$unnest()

shape: (32, 3)
┌──────┬──────┬──────┐
│ mpg  ┆ wt_0 ┆ wt_1 │
│ ---  ┆ ---  ┆ ---  │
│ f64  ┆ str  ┆ str  │
╞══════╪══════╪══════╡
│ 21.0 ┆ 2    ┆ 62   │
│ 21.0 ┆ 2    ┆ 875  │
│ 22.8 ┆ 2    ┆ 32   │
│ 21.4 ┆ 3    ┆ 215  │
│ 18.7 ┆ 3    ┆ 44   │
│ …    ┆ …    ┆ …    │
│ 30.4 ┆ 1    ┆ 513  │
│ 15.8 ┆ 3    ┆ 17   │
│ 19.7 ┆ 2    ┆ 77   │
│ 15.0 ┆ 3    ┆ 57   │
│ 21.4 ┆ 2    ┆ 78   │
└──────┴──────┴──────┘

Versão Python

df.with_columns(
    pl.col("wt", "carb").cast(pl.String).str.replace(r"[.]", ","),
).with_columns(
    pl.col("wt").str.split(",")
      .list.to_struct("max_width", fields=lambda n: f"wt_{n}"),
    pl.col("carb").str.split(",")
      .list.to_struct("max_width", fields=lambda n: f"carb_{n}")
).unnest("wt", "carb")

Se carbnão for nulo, a saída será conforme o esperado.

df = pl.read_csv(b"""mpg,wt,carb
1,1.2,2.3
2,3.4,4.5""")

# shape: (2, 5)
# ┌─────┬──────┬──────┬────────┬────────┐
# │ mpg ┆ wt_0 ┆ wt_1 ┆ carb_0 ┆ carb_1 │
# │ --- ┆ ---  ┆ ---  ┆ ---    ┆ ---    │
# │ i64 ┆ str  ┆ str  ┆ str    ┆ str    │
# ╞═════╪══════╪══════╪════════╪════════╡
# │ 1   ┆ 1    ┆ 2    ┆ 2      ┆ 3      │
# │ 2   ┆ 3    ┆ 4    ┆ 4      ┆ 5      │
# └─────┴──────┴──────┴────────┴────────┘

Se carbfor nulo, não há carb_0coluna na saída.

df = pl.read_csv(b"""mpg,wt,carb
1,1.2,
2,3.4,""")

# shape: (2, 3)
# ┌─────┬──────┬──────┐
# │ mpg ┆ wt_0 ┆ wt_1 │
# │ --- ┆ ---  ┆ ---  │
# │ i64 ┆ str  ┆ str  │
# ╞═════╪══════╪══════╡
# │ 1   ┆ 1    ┆ 2    │
# │ 2   ┆ 3    ┆ 4    │
# └─────┴──────┴──────┘

Estou tentando obter todas as combinações de linhas de uma coluna para ela mesma, mantendo os valores de uma segunda coluna.

library(dplyr)
library(tidyr)

dt0 <-
  data.frame(
    row = letters[1:10],
    n1 = c(2, 2, 1, 3, 1, 5, 1, 3, 2, 2)
  )

dt0 |>
  expand(
    row1 = row,
    row2 = row
  ) |>
  filter(row1 < row2) |>
  left_join(
    dt0 |>
      rename(n1.x = n1),
    by = join_by(row1 == row)
  ) |>
  left_join(
    dt0 |>
      rename(n1.y = n1),
    by = join_by(row2 == row)
  )

o resultado esperado é:

# A tibble: 45 × 4
   row1  row2   n1.x  n1.y
   <chr> <chr> <dbl> <dbl>
 1 a     b         2     2
 2 a     c         2     1
 3 a     d         2     3
 4 a     e         2     1
 5 a     f         2     5
 6 a     g         2     1
 7 a     h         2     3
 8 a     i         2     2
 9 a     j         2     2
10 b     c         2     1
# ℹ 35 more rows
# ℹ Use `print(n = ...)` to see more rows

Mas não sei como generalizar isso para gerar todas as combinações dos elementos das linhas do data.frame tomadas mde uma vez, então minha pergunta é: Como posso generalizar esse padrão para qualquer número de linhas em expand(...)? Por exemplo, com três

dt0 |>
  expand(
    row1 = row,
    row2 = row,
    row3 = row
  ) |>
  filter(row1 < row2) |>
  filter(row2 < row3) |>
  left_join(
    dt0 |>
      rename(n1.x = n1),
    by = join_by(row1 == row)
  ) |>
  left_join(
    dt0 |>
      rename(n1.y = n1),
    by = join_by(row2 == row)
  ) |>
  left_join(
    dt0 |>
      rename(n1.z = n1),
    by = join_by(row3 == row)
  )

# A tibble: 120 × 6
   row1  row2  row3   n1.x  n1.y  n1.z
   <chr> <chr> <chr> <dbl> <dbl> <dbl>
 1 a     b     c         2     2     1
 2 a     b     d         2     2     3
 3 a     b     e         2     2     1
 4 a     b     f         2     2     5
 5 a     b     g         2     2     1
 6 a     b     h         2     2     3
 7 a     b     i         2     2     2
 8 a     b     j         2     2     2
 9 a     c     d         2     1     3
10 a     c     e         2     1     1
# ℹ 110 more rows
# ℹ Use `print(n = ...)` to see more rows