如何在 R 中构建和重新编码混乱的分类数据？

Question

我正在努力解决如何最好地构建混乱的分类数据，这些数据来自 我需要清理数据集。

编码方案

我正在分析大学科学课程考试的数据。我们正在研究以下模式 学生的反应，我们开发了一个编码方案来表示这些事物 学生正在做他们的答案。编码方案的子集如下所示。

请注意，每个主代码 (1, 2, 3) 中都嵌套有非唯一子代码 (a, b, .. .)。

原始数据是什么样的

我已经创建了实际数据的匿名原始子集，您可以查看它 此处。 我的部分问题是那些对数据进行编码的人注意到一些学生显示 多种模式。编码人员的解决方案是创建足够的列（reason1、reason2、 ...）以多种模式容纳学生。这变得很重要，因为顺序 (reason1, reason2) 是任意的 - 两个学生（例如我的学生 41 和学生 42） 正确应用“依赖关系”的数据集）都应在分析中注册， 不管 3a 是否出现在 reason 列或 reason2 列中。

如何最好地构建学生数据？

我的部分问题是，在原始数据中，并非所有学生显示相同的 图案，或者相同数量、相同顺序的图案。有些学生可能只做一项 一件事情，别人可能会做好几件。因此，示例学生的抽象表示可能 如下所示：

请注意，在上面的示例中，student002 和 student003 均已编码作为“1b”，尽管我故意将顺序显示为不同的，以反映

我的（实际）问题

1. 我应该将 reason1、reason2、... 连接到一列中吗？
2. 如何在 R 中（重新）编码原因以反映某些学生的多重性？

谢谢

，我意识到这个问题既与良好的数据概念化有关，也与 R 的特定功能有关，但我认为在这里提出这个问题是合适的。如果你觉得我问这个问题不合适，请在评论中告诉我，stackoverflow 会自动用悲伤的表情淹没我的收件箱。如果我不够具体，请告诉我，我会尽力说得更清楚。

Answer 1

让它变得“长”：

library(reshape)
dnow <- read.csv("~/Downloads/catsample20100504.csv")
dnow <- melt(dnow, id.vars=c("Student", "instructor"))
dnow$variable <- NULL ## since ordering does not matter
subset(dnow, Student%in%c(41,42)) ## see the results

下一步做什么将取决于您想要进行的分析类型。但长格式对于像您这样的不规则数据很有用。

Answer 2

如果您想考虑不同的原因，您应该使用 plyr 中的 ddply 并在所有列上拆分，如果您想忽略它们，请不要在拆分中使用这些列。不过，您需要先清理一些问号和额外的东西。

x <- ddply(data, c("split_column1", "split_column3" etc),
           summarize(result_df, stats you want from result_df))

Answer 3

您试图回答的（更大的）问题是什么？为什么您对这些信息感兴趣？

您是否只是想找到诸如“如果学生这样做，那么他们也可能这样做”之类的模式？

如果是这种情况，我会考虑将数据集分成较小的随机样本进行分析，以减少误报的风险。

不过有趣的问题！