Соберите несколько наборов столбцов

108

У меня есть данные онлайн-опроса, в котором респонденты задают цикл вопросов 1-3 раза. Обзор программного обеспечения (Qualtrics) записывает эти данные в нескольких столбцах, то есть, В3.2 в обзоре будет иметь столбцы Q3.2.1., Q3.2.2.и 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 объединить все столбцы QN.N * в аккуратные отдельные столбцы QN.N, в конечном итоге получится что-то вроде этого:

   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
...

В tidyrбиблиотеке есть gather()функция, которая отлично подходит для объединения одного набора столбцов:

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

Результирующий фрейм данных, как и ожидалось, содержит 30 строк (10 индивидов, по 3 цикла в каждой). Однако сбор второго набора столбцов не работает правильно - он успешно создает два объединенных столбца Q3.2и Q3.3, но в итоге получается 90 строк вместо 30 (все комбинации из 10 индивидов, 3 петель Q3.2 и 3 петель Q3 .3; комбинации будут существенно увеличиваться для каждой группы столбцов в фактических данных):

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

Есть ли способ использовать для gather()этого несколько вызовов , комбинируя небольшие подмножества столбцов, как это, с сохранением правильного количества строк?

Андрей
источник
что не так?df %>% gather(loop_number, Q3.2, starts_with("Q3."))
Alex
Это дает мне один консолидированный столбец с 60 строками. Я предполагаю, что это могло бы сработать, если бы я затем включил какой-то вызов, seperate()чтобы разделить значения Q3.3 (и выше) на их собственные столбцы. Но это все еще кажется действительно окольным хакерским решением…
Эндрю
use spreadЯ работаю над решением сейчас: p
Alex
попробуй это! 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
Ох, это действительно хорошо работает для двух переменных. Мне любопытно, масштабируется ли он - в моих реальных данных у меня есть Q3.2-Q3.30, поэтому для этого потребуется несколько отдельных вызовов spread(). Хотя множественные вызовы кажутся неизбежными в любом случае, будь то связка generate()работающих или вложенных spread()s…
Эндрю

Ответы:

146

Мне такой подход кажется довольно естественным:

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

Сначала соберите все столбцы с вопросами, используйте extract()для разделения на questionи loop_number, затем spread()снова в столбцы вопросов.

#>    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
Хэдли
источник
5
Привет. У меня много столбцов с именами, заканчивающимися на 1 и 2, например age1, age2, weight1, weight2, blood1, blood2 .... Как мне применить ваш метод здесь?
скан
4
Что означает эта часть: «(Q. \\ ..) \\. (.)» Что я буду искать, чтобы расшифровать то, что там происходит?
моб
3
@mob Регулярные выражения
Хэдли
1
@mob "(Q. \\ ..) \\. (.)" - это регулярное выражение с круглыми скобками, определяющее группы регулярного выражения, которые нужно извлечь в "вопрос" и "номер_цикла". В частности, в этом примере элементы в ключе с выражением «Q. \\ ..» попадают в столбец «вопрос» (например, «Q3.2» и «Q3.3»), а затем часть после следующего точка, обозначенная как ".", переходит в столбец "номер_цикла".
LC-datascientist
31

Это можно сделать с помощью reshape. dplyrХотя это возможно .

  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

Или используя 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

Обновить

С tidyr_0.8.3.9000, мы можем использовать pivot_longerдля изменения формы нескольких столбцов. (Используя измененные имена столбцов, gsubуказанные выше)

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

ПРИМЕЧАНИЕ. Значения отличаются, поскольку при создании входного набора данных не было заданного начального числа.

Акрун
источник
Ого, это прекрасно работает. tidyr якобы является заменой / обновлением для reshape - интересно, знает ли @hadley способ сделать то же самое с dplyr или tidyr…
Эндрю
Это чистая магия. Единственное, что добавил, было mutate(loop_number = as.numeric(L2))перед сбросом L2, и это отлично.
Эндрю
1
@Andrew Я лично предпочитаю этот reshapeметод из-за его компактного кода, хотя dplyrможет быть быстрее для больших наборов данных.
Акрун
1
Мне никогда не удавалось понять эту reshape()функцию, увидеть мое решение, которое, как мне кажется, представляет собой довольно чистую реализацию tidyr.
Хэдли
22

С недавним обновлением melt.data.tableмы теперь можем объединить несколько столбцов. С этим мы можем:

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

Вы можете получить версию для разработки здесь .

Арун
источник
Привет. У меня много столбцов с именами, заканчивающимися на 1 и 2, например age1, age2, weight1, weight2, blood1, blood2 .... Как мне применить ваш метод здесь?
скан
skan, проверьте виньетку с изменением формы . Удачи!
Arun
Я сделал, но я не знаю, как правильно встраивать регулярные выражения, чтобы разделять имена столбцов и передавать их на плавление. Есть только один пример с паттернами, и он слишком простой. В моем случае мне нужно было бы включить много-много имен столбцов в шаблон ()
skan
Представьте, что у вас есть эти столбцы: paste0 (rep (LETTERS, each = 3), 1: 3), и вы хотите получить длинную таблицу, определяемую буквой и числом
skan
Это наиболее лаконично и легко интерпретируется.
Майкл Беллхаус
10

Это совсем не связано с tidyr и dplyr, но вот еще один вариант, который стоит рассмотреть: merged.stackиз моего пакета splitstackshape, V1.4.0 и выше.

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
источник
1
Привет. У меня много столбцов с именами, заканчивающимися на 1 и 2, например age1, age2, weight1, weight2, blood1, blood2 .... Как мне применить ваш метод здесь?
скан
6

Если вы похожи на меня и не можете понять, как использовать «регулярное выражение с группами захвата» для extract, следующий код копирует extract(...)строку из ответа Хэдли:

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 здесь в том, что исходная сборка формирует ключевой столбец, который на самом деле представляет собой комбинацию двух ключей. Я решил использовать mutateв своем исходном решении в комментариях, чтобы разделить этот столбец на два столбца с эквивалентной информацией, loop_numberстолбец и question_numberстолбец. spreadзатем можно использовать для преобразования данных длинной формы, которые представляют собой пары ключ-значение, (question_number, value)в данные широкой формы.

Alex
источник