收集多个列集

Question

收集多个列集

116

我有一份在线调查的数据，受访者需要回答问题循环1到3次。调查软件（Qualtrics）以多列的形式记录这些数据——也就是说，在调查中Q3.2将有Q3.2.1.、Q3.2.2.和Q3.2.3.三个不同的列。

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
...

我想将所有的QN.N*列合并到整洁的单独的QN.N列中，最终得到类似这样的结果：

   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库有gather()函数，它非常适合将一个列集合组合起来：

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

由此产生的数据框有30行，符合预期（10个个体，每个个体3个循环）。然而，收集第二组列没有正确地工作——它成功地将两个组合列Q3.2和Q3.3合并，但最终结果是90行而不是30行（10个个体，Q3.2和Q3.3分别有3个循环的全部组合；对于每组列，组合数量会大幅增加）：

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

有没有一种方法可以像这样使用多个gather()调用，将小的列子集组合在一起，同时保持正确的行数？

- Andrew

df %>% gather(loop_number, Q3.2, starts_with("Q3."))有什么问题？ - Alex

我正在努力解决这个问题，使用“spread”功能。 :p - Alex

尝试一下这个！

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

@akrun 找到了一个可扩展的版本，使用 gather + separate + spread。神奇的东西。 - Andrew

哦，我明白了。我误读了spread(..., value=X)，以为我需要将X设置为每个最终列名中的一个。但这绝对不是这种情况。 - Andrew

显示剩余4条评论

5个回答

35

可以使用reshape来完成。虽然使用dplyr也是可能的。

  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

或使用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

使用新版本的tidyr，我们可以使用pivot_longer来重塑多个列。(使用上面的gsub更改列名)

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

注意：由于在创建输入数据集时没有设置种子，因此值不同。

- akrun

哇，这个完美地运作了。tidyr 明显是 reshape 的替代/升级版本——我想知道 @hadley 是否知道用 dplyr 或 tidyr 实现同样功能的方法... - Andrew

这就是纯粹的魔法。我所添加的唯一一件事是在删除“L2”之前添加了mutate(loop_number = as.numeric(L2))，现在它完美无缺。 - Andrew

1

@Andrew 我个人更喜欢使用reshape方法，因为它的代码更简洁，尽管对于大型数据集来说，dplyr可能更快。 - akrun

2

我从来没有理解过reshape()函数，看看我的解决方案，它似乎是一个相当干净的tidyr实现。 - hadley

2

tidyr::pivot_longer：现在不仅限于开发版本 :) - tjebo

22

最近更新的 melt.data.table 现在可以融合多个列。有了这个功能，我们可以进行如下操作：

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

您可以从这里获取开发版本。

- Arun

你好。我有许多以1和2结尾的列名，比如age1、age2、weight1、weight2、blood1、blood2等等。我该如何在这里应用你的方法？ - skan

请查看skan的重塑向导。祝你好运！ - Arun

我尝试过，但不知道如何正确地嵌入正则表达式来拆分列名并将其传递给melt。只有一个带有模式的示例，而且它太简单了。在我的情况下，我需要在pattern()中包含许多列名。 - skan

想象一下你有这些列：paste0(rep(LETTERS, each=3), 1:3)，你想获得由字母和数字定义的长表。 - skan

这无疑是最简洁易懂的。 - Michael Bellhouse

10

这与"tidyr"和"dplyr"完全不相关，但是这里有另一个可以考虑的选项：我的"splitstackshape"包中的merged.stack，版本为V1.4.0及以上。

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

1

你好。我有许多以1和2结尾的列名，比如age1、age2、weight1、weight2、blood1、blood2等等。我该如何在这里应用你的方法？ - skan

6

如果你和我一样，不知道如何使用“具有捕获组的正则表达式”来进行extract，以下代码复制了 Hadleys' 回答中的 extract(...) 行：

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)

这里的问题在于初始收集形成了一个实际上是两个键组合的键列。在我最初的解决方案中，我选择使用 mutate 将此列拆分为具有等效信息的两个列，即 loop_number 列和 question_number 列。然后可以使用 spread 将长格式数据（键值对 (question_number, value)）转换为宽格式数据。

- Alex

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- hadley · Accepted Answer

这种方法对我来说似乎非常自然:

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

首先将所有问题列聚集在一起，使用 extract() 将其分离成 question 和 loop_number，然后再使用 spread() 将问题展开回列中。

#>    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