複数の列セットを収集する

108

回答者が一連の質問を1〜3回繰り返すオンライン調査のデータがあります。調査ソフトウェア（Qualtrics）が複数の列-で、このデータを記録し、調査でQ3.2は列がありますQ3.2.1.、Q3.2.2.と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
...

すべてのQN.N *列をきちんとした個別のQN.N列に結合し、最終的には次のようなものにしたいと思います。

   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
...

tidyrライブラリはありgather()組み合わせるための素晴らしい作品の関数、1列のセットを：

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

結果のデータフレームには、予想どおり30行あります（10個体、各3ループ）。ただし、列の2番目のセットを収集しても正しく機能しません。2つの列Q3.2を組み合わせたは正常に作成Q3.3されますが、最終的に30行ではなく90行になります（10個人のすべての組み合わせ、Q3.2の3ループ、およびQ3の3ループ）。 .3;組み合わせは、実際のデータの列のグループごとに大幅に増加します）：

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

gather()このように複数の呼び出しを使用して、正しい数の行を維持しながら、このような列の小さなサブセットを組み合わせる方法はありますか？

r  reshape  dplyr  qualtrics  tidyr 
— アンドリュー
ソース
何が問題なのですかdf %>% gather(loop_number, Q3.2, starts_with("Q3."))
— Alex
これにより、60行の1つの統合列が得られます。seperate()Q3.3（およびそれ以降）の値を独自の列に分割するための呼び出しを含めた場合、これはうまくいくと思います。しかし、それはまだ本当に遠回りのハックな解決策のようです…
— Andrew
使用spread私は今、解決に取り組んでいます：P
— アレックス・
これを試して！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
ああ、それは2つの変数に対して非常にうまく機能します。ただし、スケーラブルかどうかは気になります。実際のデータではQ3.2からQ3.30を取得しているので、への個別の呼び出しがたくさん必要になりspread()ます。とにかく、複数の呼び出しが避けられないように見えますが、それが機能するgenerate()sの束であろうと、ネストされたspread()s であろうと…
— Andrew

回答:

146

このアプローチは私にとってかなり自然なようです：

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

まず質問欄を収集し、使用することは、extract()に分離するquestionとloop_number、その後、spread()列に質問背中を。

#>    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
— ハドリー
ソース
5
こんにちは。age1、age2、weight1、weight2、blood1、blood2のように、名前が1と2で終わる列がたくさんあります。ここでどのようにメソッドを適用しますか？
— skan 2016年
4
この部分の意味： "（Q。\\ ..）\\。（。）"そこで何が起こっているのかをデコードするには何を検索すればよいですか？
— mob
3
@mob正規表現
— ハドリー2017年
1
@mob "（Q。\\ ..）\\。（。）"は、 "question"および "loop_number"に抽出する正規表現のグループを定義する括弧付きの正規表現です。より具体的には、この例では、「Q。\\ ..」という表現を持つキーの項目が「質問」列（つまり、「Q3.2」と「Q3.3」）に入り、次に次の部分に入ります。 「。」で表されるピリオドは「loop_number」列に入ります。
— LCデータサイエンティスト
31

これはを使用して行うことができますreshape。でもそれは可能dplyrです。

  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

または使用 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

更新

ではtidyr_0.8.3.9000、pivot_longer複数の列の形状を変更するために使用できます。（gsub上記から変更された列名を使用）

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

注：入力データセットの作成時にセットシードがなかったため、値は異なります

— アクラン
ソース
おっと、これは完璧に動作します。tidyrは、表向きは、交換/再形成のためのアップグレードである-私の不思議@hadleyがdplyrまたはtidyrでこれと同じことを行う方法を知っていれば...
— アンドリュー
それは純粋な魔法です。私が追加した唯一のものはmutate(loop_number = as.numeric(L2))、ドロップする前L2で、それは完璧です。
— Andrew
1
@Andrew個人的reshapeにはコンパクトなコードの方法を好みますdplyrが、大きなデータセットの方が高速かもしれません。
— akrun
1
私はreshape()機能を理解できたことは一度もありません。かなりクリーンなtidyr実装のように思える私の解決策を参照してください。
— ハドリー2014
22

の最近の更新により、melt.data.table複数のカラムを溶解できるようになりました。これで、次のことができます。

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

開発版は こちらます。

— アルン
ソース
こんにちは。age1、age2、weight1、weight2、blood1、blood2のように、名前が1と2で終わる列がたくさんあります。ここでどのようにメソッドを適用しますか？
— skan 2016年
skan、再形成ビネットを確認してください。幸運を！
— アルン
正規表現を適切に埋め込んで列名を分割し、それをメルトに渡す方法はわかりません。パターンの例は1つしかなく、単純すぎます。私の場合、pattern（）内に多くの列名を含める必要があります
— skan
次の列があるとします：paste0（rep（LETTERS、each = 3）、1：3）そして、文字と数字で定義された長いテーブルを取得したいとします
— skan
これは最も簡潔で解釈しやすい手引きです。
— マイケルベルハウス
10

それは「tidyr」と「dplyr」に関連するすべてではないのですが、ここで考慮すべき別のオプションです：merged.stackから私の「splitstackshape」パッケージ、V1.4.0以上。

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
ソース
1
こんにちは。age1、age2、weight1、weight2、blood1、blood2のように、名前が1と2で終わる列がたくさんあります。ここでどのようにメソッドを適用しますか？
— skan 2016年
6

あなたが私のようなものでextract、の「キャプチャグループを使用した正規表現」の使い方がわからない場合は、次のコードextract(...)でHadleysの回答の行を複製します。

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)

ここでの問題は、最初のギャザーが、実際には2つのキーの組み合わせであるキー列を形成することです。mutateコメントの元のソリューションでこの列を使用して、この列を同等の情報を持つ2つの列（列と列）に分割することにloop_numberしましたquestion_number。spread次に、キー値のペアであるロングフォームデータ(question_number, value)をワイドフォームデータに変換するために使用できます。

— アレックス
ソース
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.