Mi occupo spesso di dati di sondaggi disordinati che richiedono molta pulizia prima di poter fare statistiche. Lo facevo "manualmente" in Excel, a volte usando le formule di Excel e talvolta controllando le voci una per una. Ho iniziato a svolgere sempre più di questi compiti scrivendo script per eseguirli in R, il che è stato molto vantaggioso (i vantaggi includono la registrazione di ciò che è stato fatto, meno possibilità di errori e la possibilità di riutilizzare il codice se il set di dati è aggiornato).
Ma ci sono ancora alcuni tipi di dati che ho difficoltà a gestire in modo efficiente. Per esempio:
> d <- data.frame(subject = c(1,2,3,4,5,6,7,8,9,10,11),
+ hours.per.day = c("1", "2 hours", "2 hr", "2hr", "3 hrs", "1-2", "15 min", "30 mins", "a few hours", "1 hr 30 min", "1 hr/week"))
> d
subject hours.per.day
1 1 1
2 2 2 hours
3 3 2 hr
4 4 2hr
5 5 3 hrs
6 6 1-2
7 7 15 min
8 8 30 mins
9 9 a few hours
10 10 1 hr 30 min
11 11 1 hr/week
hours.per.day
è pensato per essere il numero medio di ore al giorno dedicate a una determinata attività, ma ciò che abbiamo è esattamente ciò che l'argomento ha scritto. Supponiamo che prenda alcune decisioni su cosa fare con risposte ambigue e che desidero la variabile ordinata hours.per.day2
come segue.
subject hours.per.day hours.per.day2
1 1 1 1.0000000
2 2 2 hours 2.0000000
3 3 2 hr 2.0000000
4 4 2hr 2.0000000
5 5 3 hrs 3.0000000
6 6 1-2 1.5000000
7 7 15 min 0.2500000
8 8 30 mins 0.5000000
9 9 a few hours 3.0000000
10 10 1 hr 30 min 1.5000000
11 11 1 hr/week 0.1428571
Supponendo che il numero di casi sia piuttosto elevato (diciamo 1000) e sapendo che i soggetti erano liberi di scrivere tutto ciò che gli piaceva, qual è il modo migliore per affrontarlo?
new_var[by.hand] <- c(2, 1, ...)
conby.hand
essendoTRUE
per i casi che sono fatte a mano?