我该如何使用tidyr在每个分组变量的值中填充已完成的行？

Question

假设我有一些人选择了几个选项。每个人有一行数据，但我想要每个人和选项都有一行数据。比如，如果有10个人，每个人有3个选项，那么现在有10行数据，而我希望有30行。

其他所有变量都应该复制到新的行中。例如，如果有一个性别变量，那么它应该在 ID 内是恒定的。（我按照这种方式设置我的数据以便使用 mnlogit 进行分析。）

这似乎是两个 tidyr 函数 complete 和 fill 设计用来解决的问题。举个简单的例子：

library(lubridate)
library(tidyr)
dat <- data.frame(
    id = 1:3,
    choice = 5:7,
    c = c(9, NA, 11),
    d = ymd(NA, "2015-09-30", "2015-09-29")
    )

dat %>% 
  complete(id, choice) %>%
  fill(everything())

# Source: local data frame [9 x 4]
# 
#      id choice     c          d
#   (int)  (int) (dbl)     (time)
# 1     1      5     9       <NA>
# 2     1      6     9       <NA>
# 3     1      7     9       <NA>
# 4     2      5     9       <NA>
# 5     2      6     9 2015-09-30
# 6     2      7     9 2015-09-30
# 7     3      5     9 2015-09-30
# 8     3      6     9 2015-09-30
# 9     3      7    11 2015-09-29

但是这种方法存在一些问题——d的值被正确地向下传递了，但是ID为1的c的值替换了ID为2的(正确的)NA值。

我可以尝试一个解决方法，比如用999替换所有缺失的值，运行complete和fill，然后再用NA替换999。(如果我选择这条路线，我认为我必须将日期变量转换为字符变量，然后再转换回来。) 但也许在这里有人知道使用tidyr的简洁方法?

编辑: 这里期望的输出是:

# Source: local data frame [9 x 4]
# 
#     id     c          d choice
#  (int) (dbl)     (time)  (int)
# 1     1     9       <NA>      5
# 2     1     9       <NA>      6
# 3     1     9       <NA>      7
# 4     2    NA 2015-09-30      5
# 5     2    NA 2015-09-30      6
# 6     2    NA 2015-09-30      7
# 7     3    11 2015-09-29      5
# 8     3    11 2015-09-29      6
# 9     3    11 2015-09-29      7

- Jake Fisher

---

抱歉，应该是“choice”而不是“time”。我会修复它。 - Jake Fisher

作为更新，mlogit包含一个名为mlogit.data的函数，可以解决这个问题。 mlogit.data(dat, choice = "choice", shape = "wide")也会产生所需的结果。我知道我要求使用tidyr的解决方案，但是为了未来的读者，我认为包括这个解决方案也可能有帮助。 - Jake Fisher

Answer 1

更新@jeremycg回答。从tidyr 0.5.1(或甚至版本0.4.0)开始，c()已经不再起作用。改用nesting()代替：

dat %>% 
 complete(nesting(id, c, d), choice) 

注意：我试图编辑@jeremycg的回答，因为该回答在编写时是正确的（因此不需要新的答案），但不幸的是，该编辑被拒绝了。

- Manuel R

Answer 2

您可以使用“分组”技巧，使用c()在不完整的情况下完成。这样可以只使用已经分组的变量的现有组合来完成。

library(tidyr)
dat %>% complete(c(id, c, d), choice) 
     id     c          d choice
  (int) (dbl)     (time)  (int)
1     1     9       <NA>      5
2     1     9       <NA>      6
3     1     9       <NA>      7
4     2    NA 2015-09-30      5
5     2    NA 2015-09-30      6
6     2    NA 2015-09-30      7
7     3    11 2015-09-29      5
8     3    11 2015-09-29      6
9     3    11 2015-09-29      7

- jeremycg

---

嗯，好的。所以解决方案似乎是 complete(c(id, c, d, [所有不变量]), choice)，然后完全不使用 fill。 对吗？ - Jake Fisher

我会添加它，但期望的输出是由complete(dat, c(id, c, d), choice)生成的。 - Jake Fisher

使用 tidyr 版本 0.5.1，这个方法不再适用。请查看下面的答案。 - Manuel R

Answer 3

我认为在准备数据时最好将数据保持分离状态，然后在需要执行回归之前再合并。

subjectdata <- dat[,c("id", "c", "d")]
questiondata <- dat[,c("id", "choice")] %>% complete(id, choice)

然后

> merge(questiondata, subjectdata)
  id choice  c          d
1  1      5  9       <NA>
2  1      6  9       <NA>
3  1      7  9       <NA>
4  2      5 NA 2015-09-30
5  2      6 NA 2015-09-30
6  2      7 NA 2015-09-30
7  3      5 11 2015-09-29
8  3      6 11 2015-09-29
9  3      7 11 2015-09-29

根据需要，这样你还能为用户2获得一个有效的“d”列，而无需依赖于数据框中问题的顺序。

- user295691

---

你可能是对的，这可能会是最干净的方法，在最终完成时。 - Jake Fisher

Answer 4

看起来另一种方法是使用spread和gather。 spread将每个可能的答案创建为一列，而gather则将单独的列并重塑为行。 使用这些数据：

dat %>%
  spread(choice, choice) %>%
  gather(choice, drop_me, `5`:`7`) %>%  # Drop me is a redundant column
  select(-drop_me) %>%
  arrange(id, choice)  # reorders so that the answer matches

#   id  c          d choice
# 1  1  9       <NA>      5
# 2  1  9       <NA>      6
# 3  1  9       <NA>      7
# 4  2 NA 2015-09-30      5
# 5  2 NA 2015-09-30      6
# 6  2 NA 2015-09-30      7
# 7  3 11 2015-09-29      5
# 8  3 11 2015-09-29      6
# 9  3 11 2015-09-29      7

我还没有进行任何测试来比较它们的效率。

- Jake Fisher