Raccogli più set di colonne


108

Ho i dati di un sondaggio online in cui gli intervistati eseguono un ciclo di domande 1-3 volte. Il software di indagine (Qualtrics) registra questi dati in più colonne, cioè Q3.2 nel sondaggio avrà colonne Q3.2.1., Q3.2.2.e Q3.2.3.:

df <- data.frame(
  id = 1:10,
  time = as.Date('2009-01-01') + 0:9,
  Q3.2.1. = rnorm(10, 0, 1),
  Q3.2.2. = rnorm(10, 0, 1),
  Q3.2.3. = rnorm(10, 0, 1),
  Q3.3.1. = rnorm(10, 0, 1),
  Q3.3.2. = rnorm(10, 0, 1),
  Q3.3.3. = rnorm(10, 0, 1)
)

# Sample data

   id       time    Q3.2.1.     Q3.2.2.    Q3.2.3.     Q3.3.1.    Q3.3.2.     Q3.3.3.
1   1 2009-01-01 -0.2059165 -0.29177677 -0.7107192  1.52718069 -0.4484351 -1.21550600
2   2 2009-01-02 -0.1981136 -1.19813815  1.1750200 -0.40380049 -1.8376094  1.03588482
3   3 2009-01-03  0.3514795 -0.27425539  1.1171712 -1.02641801 -2.0646661 -0.35353058
...

Voglio combinare tutte le colonne QN.N * in ordinate singole colonne QN.N, finendo con qualcosa del genere:

   id       time loop_number        Q3.2        Q3.3
1   1 2009-01-01           1 -0.20591649  1.52718069
2   2 2009-01-02           1 -0.19811357 -0.40380049
3   3 2009-01-03           1  0.35147949 -1.02641801
...
11  1 2009-01-01           2 -0.29177677  -0.4484351
12  2 2009-01-02           2 -1.19813815  -1.8376094
13  3 2009-01-03           2 -0.27425539  -2.0646661
...
21  1 2009-01-01           3 -0.71071921 -1.21550600
22  2 2009-01-02           3  1.17501999  1.03588482
23  3 2009-01-03           3  1.11717121 -0.35353058
...

La tidyrlibreria ha la gather()funzione, che funziona alla grande per combinare un insieme di colonne:

library(dplyr)
library(tidyr)
library(stringr)

df %>% gather(loop_number, Q3.2, starts_with("Q3.2")) %>% 
  mutate(loop_number = str_sub(loop_number,-2,-2)) %>%
  select(id, time, loop_number, Q3.2)


   id       time loop_number        Q3.2
1   1 2009-01-01           1 -0.20591649
2   2 2009-01-02           1 -0.19811357
3   3 2009-01-03           1  0.35147949
...
29  9 2009-01-09           3 -0.58581232
30 10 2009-01-10           3 -2.33393981

Il frame di dati risultante ha 30 righe, come previsto (10 individui, 3 loop ciascuno). Tuttavia, la raccolta di una seconda serie di colonne non funziona correttamente: crea con successo le due colonne combinate Q3.2e Q3.3, ma finisce con 90 righe invece di 30 (tutte le combinazioni di 10 individui, 3 loop di Q3.2 e 3 loop di Q3 .3; le combinazioni aumenteranno sostanzialmente per ogni gruppo di colonne nei dati effettivi):

df %>% gather(loop_number, Q3.2, starts_with("Q3.2")) %>% 
  gather(loop_number, Q3.3, starts_with("Q3.3")) %>%
  mutate(loop_number = str_sub(loop_number,-2,-2))


   id       time loop_number        Q3.2        Q3.3
1   1 2009-01-01           1 -0.20591649  1.52718069
2   2 2009-01-02           1 -0.19811357 -0.40380049
3   3 2009-01-03           1  0.35147949 -1.02641801
...
89  9 2009-01-09           3 -0.58581232 -0.13187024
90 10 2009-01-10           3 -2.33393981 -0.48502131

C'è un modo per utilizzare più chiamate in gather()questo modo, combinando piccoli sottoinsiemi di colonne come questo mantenendo il numero corretto di righe?


cosa c'è che non vadf %>% gather(loop_number, Q3.2, starts_with("Q3."))
Alex

Questo mi fa ottenere una colonna consolidata con 60 righe. Immagino che potrebbe funzionare se includessi una sorta di chiamata a seperate()per dividere i valori Q3.3 (e oltre) nelle loro colonne. Ma questa sembra ancora una soluzione hacky davvero indiretta ...
Andrew

uso spreadsto lavorando a una soluzione ora: p
Alex

prova questo! df %>% gather(question_number, Q3.2, starts_with("Q3.")) %>% mutate(loop_number = str_sub(question_number,-2,-2), question_number = str_sub(question_number,1,4)) %>% select(id, time, loop_number, question_number, Q3.2) %>% spread(key = question_number, value = Q3.2)
Alex

Ooh, funziona davvero bene per le due variabili. Sono curioso di sapere se è scalabile, però, nei miei dati reali ho Q3.2-Q3.30, quindi avrei bisogno di un mucchio di chiamate individuali a spread(). Anche se le chiamate multiple sembrano comunque inevitabili, che si tratti di un gruppo di messaggi generate()che funzionano o di messaggi annidati spread()...
Andrew

Risposte:


146

Questo approccio mi sembra abbastanza naturale:

df %>%
  gather(key, value, -id, -time) %>%
  extract(key, c("question", "loop_number"), "(Q.\\..)\\.(.)") %>%
  spread(question, value)

Per prima cosa raccogli tutte le colonne delle domande, usa extract()per separarle in questione loop_number, quindi spread()ripeti le domande nelle colonne.

#>    id       time loop_number         Q3.2        Q3.3
#> 1   1 2009-01-01           1  0.142259203 -0.35842736
#> 2   1 2009-01-01           2  0.061034802  0.79354061
#> 3   1 2009-01-01           3 -0.525686204 -0.67456611
#> 4   2 2009-01-02           1 -1.044461185 -1.19662936
#> 5   2 2009-01-02           2  0.393808163  0.42384717

5
Ciao. Ho molte colonne con nomi che terminano con 1 e 2, come età1, età2, peso1, peso2, sangue1, sangue2 .... Come applicherei il tuo metodo qui?
skan

4
Cosa significa questa parte: "(Q. \\ ..) \\. (.)" Cosa dovrei cercare per decodificare ciò che sta accadendo lì?
mob

3
@mob Espressioni regolari
Hadley

1
@mob "(Q. \\ ..) \\. (.)" è un'espressione regolare con parentesi che definiscono i gruppi dell'espressione regolare da estrarre in "question" e "loop_number". Più specificamente, in questo esempio, gli elementi in chiave con l'espressione "Q. \\ .." vanno nella colonna "domanda" (cioè, "Q3.2" e "Q3.3"), quindi la parte dopo punto, espresso come ".", va nella colonna "loop_number".
LC-datascientist il

31

Questo potrebbe essere fatto usando reshape. È possibile con dplyrperò.

  colnames(df) <- gsub("\\.(.{2})$", "_\\1", colnames(df))
  colnames(df)[2] <- "Date"
  res <- reshape(df, idvar=c("id", "Date"), varying=3:8, direction="long", sep="_")
  row.names(res) <- 1:nrow(res)

   head(res)
  #  id       Date time       Q3.2       Q3.3
  #1  1 2009-01-01    1  1.3709584  0.4554501
  #2  2 2009-01-02    1 -0.5646982  0.7048373
  #3  3 2009-01-03    1  0.3631284  1.0351035
  #4  4 2009-01-04    1  0.6328626 -0.6089264
  #5  5 2009-01-05    1  0.4042683  0.5049551
  #6  6 2009-01-06    1 -0.1061245 -1.7170087

O usando dplyr

  library(tidyr)
  library(dplyr)
  colnames(df) <- gsub("\\.(.{2})$", "_\\1", colnames(df))

  df %>%
     gather(loop_number, "Q3", starts_with("Q3")) %>% 
     separate(loop_number,c("L1", "L2"), sep="_") %>% 
     spread(L1, Q3) %>%
     select(-L2) %>%
     head()
  #  id       time       Q3.2       Q3.3
  #1  1 2009-01-01  1.3709584  0.4554501
  #2  1 2009-01-01  1.3048697  0.2059986
  #3  1 2009-01-01 -0.3066386  0.3219253
  #4  2 2009-01-02 -0.5646982  0.7048373
  #5  2 2009-01-02  2.2866454 -0.3610573
  #6  2 2009-01-02 -1.7813084 -0.7838389

Aggiornare

Con tidyr_0.8.3.9000, possiamo usare pivot_longerper rimodellare più colonne. (Utilizzando i nomi delle colonne modificati gsubdall'alto)

library(dplyr)
library(tidyr)
df %>% 
    pivot_longer(cols = starts_with("Q3"), 
          names_to = c(".value", "Q3"), names_sep = "_") %>% 
    select(-Q3)
# A tibble: 30 x 4
#      id time         Q3.2    Q3.3
#   <int> <date>      <dbl>   <dbl>
# 1     1 2009-01-01  0.974  1.47  
# 2     1 2009-01-01 -0.849 -0.513 
# 3     1 2009-01-01  0.894  0.0442
# 4     2 2009-01-02  2.04  -0.553 
# 5     2 2009-01-02  0.694  0.0972
# 6     2 2009-01-02 -1.11   1.85  
# 7     3 2009-01-03  0.413  0.733 
# 8     3 2009-01-03 -0.896 -0.271 
#9     3 2009-01-03  0.509 -0.0512
#10     4 2009-01-04  1.81   0.668 
# … with 20 more rows

NOTA: i valori sono diversi perché non è stato impostato alcun valore di inizializzazione nella creazione del set di dati di input


Whoa, funziona perfettamente. tidyr è apparentemente un sostituto / aggiornamento per rimodellare - Mi chiedo se @hadley conosce un modo per fare la stessa cosa con dplyr o tidyr ...
Andrew

Questa è pura magia. L'unica cosa che ho aggiunto è stata mutate(loop_number = as.numeric(L2))prima di cadere L2, ed è perfetto.
Andrew

1
@Andrew Personalmente preferisco il reshapemetodo per il suo codice compatto, anche se dplyrpotrebbe essere più veloce per grandi set di dati.
akrun

1
Non sono mai stato in grado di capire la reshape()funzione, guarda la mia soluzione per quella che mi sembra un'implementazione di tidyr abbastanza pulita.
Hadley

22

Con il recente aggiornamento a melt.data.table, ora possiamo fondere più colonne. Con questo possiamo fare:

require(data.table) ## 1.9.5
melt(setDT(df), id=1:2, measure=patterns("^Q3.2", "^Q3.3"), 
     value.name=c("Q3.2", "Q3.3"), variable.name="loop_number")
 #    id       time loop_number         Q3.2        Q3.3
 # 1:  1 2009-01-01           1 -0.433978480  0.41227209
 # 2:  2 2009-01-02           1 -0.567995351  0.30701144
 # 3:  3 2009-01-03           1 -0.092041353 -0.96024077
 # 4:  4 2009-01-04           1  1.137433487  0.60603396
 # 5:  5 2009-01-05           1 -1.071498263 -0.01655584
 # 6:  6 2009-01-06           1 -0.048376809  0.55889996
 # 7:  7 2009-01-07           1 -0.007312176  0.69872938

Puoi ottenere la versione di sviluppo da qui .


Ciao. Ho molte colonne con nomi che terminano con 1 e 2, come età1, età2, peso1, peso2, sangue1, sangue2 .... Come applicherei il tuo metodo qui?
skan

skan, controlla la vignetta che rimodella . In bocca al lupo!
Arun

L'ho fatto ma non so come incorporare correttamente le espressioni regolari per dividere i nomi delle colonne e passarle allo scioglimento. C'è solo un esempio con i modelli ed è troppo semplice. Nel mio caso dovrei includere molti molti nomi di colonne all'interno di pattern ()
skan

Immagina di avere queste colonne: paste0 (rep (LETTERS, each = 3), 1: 3) e di voler ottenere la tabella lunga definita da una lettera e un numero
skan

Questo è senza dubbio il più succinto e facile da interpretare.
Michael Bellhouse,

10

Non è affatto correlato a "tidyr" e "dplyr", ma ecco un'altra opzione da considerare: merged.stackdal mio pacchetto "splitstackshape" , V1.4.0 e superiori.

library(splitstackshape)
merged.stack(df, id.vars = c("id", "time"), 
             var.stubs = c("Q3.2.", "Q3.3."),
             sep = "var.stubs")
#     id       time .time_1       Q3.2.       Q3.3.
#  1:  1 2009-01-01      1. -0.62645381  1.35867955
#  2:  1 2009-01-01      2.  1.51178117 -0.16452360
#  3:  1 2009-01-01      3.  0.91897737  0.39810588
#  4:  2 2009-01-02      1.  0.18364332 -0.10278773
#  5:  2 2009-01-02      2.  0.38984324 -0.25336168
#  6:  2 2009-01-02      3.  0.78213630 -0.61202639
#  7:  3 2009-01-03      1. -0.83562861  0.38767161
# <<:::SNIP:::>>
# 24:  8 2009-01-08      3. -1.47075238 -1.04413463
# 25:  9 2009-01-09      1.  0.57578135  1.10002537
# 26:  9 2009-01-09      2.  0.82122120 -0.11234621
# 27:  9 2009-01-09      3. -0.47815006  0.56971963
# 28: 10 2009-01-10      1. -0.30538839  0.76317575
# 29: 10 2009-01-10      2.  0.59390132  0.88110773
# 30: 10 2009-01-10      3.  0.41794156 -0.13505460
#     id       time .time_1       Q3.2.       Q3.3.

1
Ciao. Ho molte colonne con nomi che terminano con 1 e 2, come età1, età2, peso1, peso2, sangue1, sangue2 .... Come applicherei il tuo metodo qui?
skan

6

Nel caso in cui tu sia come me e non riesci a capire come utilizzare "espressione regolare con gruppi di acquisizione" per extract, il seguente codice replica la extract(...)riga nella risposta di Hadleys:

df %>% 
    gather(question_number, value, starts_with("Q3.")) %>%
    mutate(loop_number = str_sub(question_number,-2,-2), question_number = str_sub(question_number,1,4)) %>%
    select(id, time, loop_number, question_number, value) %>% 
    spread(key = question_number, value = value)

Il problema qui è che la raccolta iniziale forma una colonna chiave che in realtà è una combinazione di due chiavi. Ho scelto di utilizzare mutatenella mia soluzione originale nei commenti per dividere questa colonna in due colonne con informazioni equivalenti, una loop_numbercolonna e un filequestion_number colonna. spreadpuò quindi essere utilizzato per trasformare i dati in formato lungo, che sono coppie di valori chiave (question_number, value)in dati in formato ampio.

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.