Zbierz wiele zestawów kolumn

108

Mam dane z ankiety internetowej, w której respondenci 1-3 razy przechodzą przez pętlę pytań. Program badania (Qualtrics) zapisuje te dane w wielu kolumnach, to znaczy Q3.2 w badaniu będą miały kolumny Q3.2.1., Q3.2.2.oraz 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
...

Chcę połączyć wszystkie kolumny QN.N * w uporządkowane oddzielne kolumny QN.N, ostatecznie kończąc na czymś takim:

   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
...

tidyrBiblioteka posiada gather()funkcję, która działa świetnie na łączenie jeden zestaw kolumn:

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

Wynikowa ramka danych ma 30 wierszy, zgodnie z oczekiwaniami (10 osobników, 3 pętle każda). Jednak gromadzenie drugiego zestawu kolumn nie działa poprawnie - pomyślnie tworzy dwie połączone kolumny Q3.2i Q3.3, ale kończy się na 90 wierszach zamiast 30 (wszystkie kombinacje 10 osobników, 3 pętle Q3.2 i 3 pętle Q3 .3; kombinacje znacznie wzrosną dla każdej grupy kolumn w rzeczywistych danych):

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

Czy istnieje sposób na użycie wielu wywołań w gather()tym celu, łącząc małe podzbiory kolumn, jak to, przy jednoczesnym zachowaniu prawidłowej liczby wierszy?

— Andrzej
źródło

co jest nie takdf %>% gather(loop_number, Q3.2, starts_with("Q3."))

— Alex

To daje mi jedną skonsolidowaną kolumnę z 60 wierszami. Myślę, że mogłoby to zadziałać, gdybym następnie zawarł jakiś rodzaj wywołania, seperate()aby podzielić wartości Q3.3 (i nie tylko) na ich własne kolumny. Ale to wciąż wydaje się być naprawdę okrężnym, hakerskim rozwiązaniem…

— Andrew

użyj spreadPracuję teraz nad rozwiązaniem: p

— Alex,

Spróbuj tego!

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,

Och, to działa naprawdę dobrze dla dwóch zmiennych. Jestem jednak ciekawy, czy jest skalowalny - w moich prawdziwych danych mam Q3.2-Q3.30, więc wymagałoby to kilku indywidualnych wywołań spread(). Chociaż wielokrotne połączenia i tak wydają się nieuniknione, niezależnie od tego, czy działa kilka połączeń generate(), czy zagnieżdżone spread()…

— Andrew

146

To podejście wydaje mi się całkiem naturalne:

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

Najpierw zbierz wszystkie kolumny pytań, użyj ich extract()do rozdzielenia na questioni loop_number, a następnie spread()zapytaj z powrotem do kolumn.

#>    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

— hadley
źródło

5

Dzień dobry. Mam wiele kolumn z nazwami kończącymi się na 1 i 2, np. Wiek1, wiek2, waga1, waga2, krew1, krew2 .... Jak zastosować tutaj twoją metodę?

— skan

4

Co oznacza ta część: „(Q. \\ ..) \\. (.)” Czego szukałbym, aby zdekodować to, co się tam dzieje?

— mob

3

@mob Wyrażenia regularne

— hadley

1

@mob "(Q. \\ ..) \\. (.)" jest wyrażeniem regularnym z nawiasami, które definiują grupy wyrażenia regularnego do wyodrębnienia do "pytanie" i "numer_pętli". Dokładniej, w tym przykładzie elementy w kluczu z wyrażeniem „P. \\ ..” trafiają do kolumny „Pytanie” (tj. „P3.2” i „P3.3”), a następnie część po następnej kropka, wyrażona jako „.”, trafia do kolumny „loop_number”.

— LC-datascientist

31

Można to zrobić za pomocą reshape. Jest to jednak możliwe dplyr.

  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

Lub używając 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

Aktualizacja

Za pomocą tidyr_0.8.3.9000możemy pivot_longerzmienić kształt wielu kolumn. (Używając zmienionych nazw kolumn z gsubgóry)

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

UWAGA: Wartości są różne, ponieważ podczas tworzenia wejściowego zestawu danych nie było ustawionego ziarna

— akrun
źródło

Whoa, to działa doskonale. tidyr jest rzekomo zamiennikiem / ulepszeniem dla zmiany kształtu - zastanawiam się, czy @hadley zna sposób na zrobienie tego samego z dplyr lub tidyr…

— Andrew

To jest czysta magia. Jedyne, co dodałem, to mutate(loop_number = as.numeric(L2))przed upuszczeniem L2i jest idealne.

— Andrew,

1

@Andrew Osobiście wolę tę reshapemetodę ze względu na jej zwarty kod, chociaż dplyrmoże być szybsza w przypadku dużych zbiorów danych.

— akrun

1

Nigdy nie byłem w stanie zrozumieć tej reshape()funkcji, zobacz moje rozwiązanie, które wydaje mi się całkiem czystą implementacją Tidyr.

— hadley

22

Dzięki ostatniej aktualizacji do melt.data.table, możemy teraz stopić wiele kolumn. Dzięki temu możemy:

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

Możesz pobrać wersję rozwojową stąd .

— Bieg
źródło

Dzień dobry. Mam wiele kolumn z nazwami kończącymi się na 1 i 2, np. Wiek1, wiek2, waga1, waga2, krew1, krew2 .... Jak zastosować tutaj twoją metodę?

— skan

skan, sprawdź przekształcającą winietę . Powodzenia!

— Arun

Zrobiłem, ale nie wiem, jak poprawnie osadzić wyrażenia regularne, aby podzielić nazwy kolumn i przekazać je do topienia. Jest tylko jeden przykład z wzorami i jest on zbyt prosty. W moim przypadku musiałbym dołączyć wiele nazw kolumn do wzorca ()

— skan

Wyobraź sobie, że masz te kolumny: paste0 (rep (LETTERS, each = 3), 1: 3) i chcesz uzyskać długą tabelę zdefiniowaną przez literę i liczbę

— skan

Jest to z pewnością najbardziej zwięzłe i łatwe do zinterpretowania.

— Michael Bellhouse

10

Wcale nie jest to związane z "tidyr" i "dplyr", ale oto inna opcja do rozważenia: merged.stackz mojego pakietu "splitstackshape" , wersja 1.4.0 i nowsze.

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
źródło

1

Dzień dobry. Mam wiele kolumn z nazwami kończącymi się na 1 i 2, np. Wiek1, wiek2, waga1, waga2, krew1, krew2 .... Jak zastosować tutaj twoją metodę?

— skan

6

Jeśli jesteś podobny do mnie i nie możesz wymyślić, jak użyć „wyrażenia regularnego z grupami przechwytującymi” dla extract, następujący kod replikuje extract(...)wiersz w odpowiedzi 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)

Problem polega na tym, że początkowe gromadzenie tworzy kolumnę klucza, która w rzeczywistości jest kombinacją dwóch kluczy. Zdecydowałem się użyć mutatew moim oryginalnym rozwiązaniu w komentarzach, aby podzielić tę kolumnę na dwie kolumny z równoważnymi informacjami, loop_numberkolumną i question_numberkolumną. spreadmożna następnie użyć do przekształcenia danych w postaci długiej, które są parami klucz-wartość (question_number, value)w dane w szerokim formularzu.

— Alex
źródło