Зберіть кілька наборів стовпців

108

У мене є дані інтернет-опитування, де респонденти переглядають цикл питань 1-3 рази. Огляд програмного забезпечення (Qualtrics) записує ці дані в кілька стовпчиків, тобто, В3.2 в огляді матиме стовпці Q3.2.1., Q3.2.2.і 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
...

Я хочу об'єднати всі стовпці QN.N * в охайні окремі стовпці QN.N, врешті-решт, закінчившись чимось таким:

   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
...

tidyrБібліотека має gather()функцію, яка працює відмінно підходить для комбінування одного набору стовпців:

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

Отриманий кадр даних має 30 рядків, як очікувалося (10 особин, 3 петлі в кожному). Однак збір другого набору стовпців працює не правильно - він успішно робить два комбіновані стовпці Q3.2і Q3.3, але закінчується на 90 рядків замість 30 (всі комбінації з 10 осіб, 3 петлі Q3.2 та 3 циклів Q3 .3; комбінації істотно збільшаться для кожної групи стовпців у фактичних даних):

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

Чи є спосіб використовувати кілька викликів, gather()як це, комбінуючи невеликі підмножини стовпців, як це, зберігаючи правильну кількість рядків?

— Андрій
джерело

що не такdf %>% gather(loop_number, Q3.2, starts_with("Q3."))

— Алекс

Це дає мені один зведений стовпчик з 60 рядків. Я думаю, що це може спрацювати, якби я потім включив якийсь виклик, seperate()щоб розділити значення Q3.3 (і далі) на власні стовпці. Але це все ще здається справді крутим хакі-рішенням ...

— Ендрю,

зараз spreadя працюю над рішенням: p

— Олексій,

спробуйте це!

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)

— Олексій

О, це дуже добре працює для двох змінних. Мені цікаво, чи вона масштабована - за моїми реальними даними у мене Q3.2-Q3.30, тож мені знадобиться купа індивідуальних дзвінків spread(). Хоча численні дзвінки все-таки видаються неминучими, будь то група роботи generate(), яка працює, або вкладені spread()s…

— Андрій,

146

Цей підхід мені здається досить природним:

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

Спочатку збирайте всі стовпці питань, використовуйте extract()для розділення на, questionа loop_numberпотім spread()запитання назад у стовпці.

#>    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

— хадлі
джерело

5

Привіт. У мене багато стовпців із іменами, що закінчуються на 1 і 2, як age1, age2, weight1, weight2, blood1, blood2 .... Як я застосував тут ваш метод?

— скан

4

Що означає ця частина: "(Q. \\ ..) \\. (.)" Що б я шукав, щоб розшифрувати те, що там відбувається?

— моб

3

@mob Регулярні вирази

— hadley

1

@mob "(Q. \\ ..) \\. (.)" - це регулярний вираз із круглими дужками, які визначають групи регулярного виразу для вилучення у "питання" та "loop_number". Більш конкретно, у цьому прикладі елементи в ключі з виразом "Q. \\ .." переходять у стовпчик "питання" (тобто "Q3.2" і "Q3.3"), потім частина після наступної період, виражений ".", переходить у стовпчик "loop_number".

— LC-datascientist

31

Це можна зробити за допомогою reshape. Можна, dplyrхоча.

  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

Або за допомогою 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

Оновлення

З tidyr_0.8.3.9000, ми можемо використовувати , pivot_longerщоб змінити кілька стовпців. (Використовуючи змінені назви стовпців gsubзверху)

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

ПРИМІТКА. Значення відрізняються тим, що в створенні набору даних вводу не було заданого насіння

— акрун
джерело

О, це прекрасно працює. tidyr нібито є заміною / оновленням для переформатування - мені цікаво, чи @hadley знає про спосіб зробити це те ж саме з dplyr чи tidyr…

— Ендрю,

Це чиста магія. Єдине, що я додав - це mutate(loop_number = as.numeric(L2))перед тим, як скинути L2, і це ідеально.

— Андрій

1

@Andrew Я особисто віддаю перевагу reshapeметоду його компактного коду, хоча dplyrдля великих наборів даних може бути швидшим.

— akrun

1

Я ніколи не зміг зрозуміти reshape()функцію, побачити своє рішення щодо того, що мені здається досить чистим виконанням Tidyr.

— Хадлі

22

З останнім оновленням до melt.data.table, ми тепер можемо розплавити кілька стовпців. З цим ми можемо зробити:

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

Ви можете отримати версію для розробки тут .

— Арун
джерело

Привіт. У мене багато стовпців із іменами, що закінчуються на 1 і 2, як age1, age2, weight1, weight2, blood1, blood2 .... Як я застосував тут ваш метод?

— скан

скан, перевірте перестановку віньєтки . Удачі!

— Арун

Я це робив, але я не знаю, як правильно вбудовувати регулярні вирази, щоб розділити імена стовпців і передати їх на розплавлення. Є лише один приклад із візерунками, і це занадто просто. У моєму випадку мені потрібно включити багато найменувань стовпців всередині pattern ()

— скан

Уявіть, що у вас є ці стовпці: paste0 (повтор (ЛИСТИ, кожен = 3), 1: 3), і ви хочете отримати довгу таблицю, визначену буквою та цифрою

— скан

Це руки вниз найкоротші і прості для інтерпретації.

— Майкл Беллхаус

10

Це зовсім не пов'язано з "tidyr" та "dplyr", але ось ще один варіант, який слід врахувати: merged.stackз мого пакету "splitstackshape" , V1.4.0 і вище.

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.

— A5C1D2H2I1M1N2O1R2T1
джерело

1

Привіт. У мене багато стовпців із іменами, що закінчуються на 1 і 2, як age1, age2, weight1, weight2, blood1, blood2 .... Як я застосував тут ваш метод?

— скан

6

Якщо ви схожі на мене і не можете розробити, як використовувати "регулярний вираз із захопленням груп" extract, наступний код повторює extract(...)рядок у відповіді Хедліса:

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)

Проблема тут полягає в тому, що початковий збір утворює колонку ключів, яка насправді є комбінацією двох клавіш. Я вирішив використати mutateв своєму оригінальному рішенні в коментарях, щоб розділити цю колонку на дві колонки з еквівалентною інформацією, loop_numberстовпцем та question_numberстовпцем. spreadпотім можуть бути використані для перетворення даних довгої форми, які є ключовими парами значень (question_number, value)у дані широкої форми.

— Олексій
джерело