将空格分隔的条目拆分为 R 中的新列

Question

我正在编写一项输出 .csv 文件的调查。在此 csv 中，我有一些以空格分隔的条目，它们代表多选问题（例如具有多个答案的问题）。最后，我想将这些空格分隔的条目解析到它们自己的列中，并为它们创建标题，这样我就知道它们来自哪里。

例如，我可以从这个开始（请注意，多选列后面有一个 _M）：

Q1, Q2_M, Q3, Q4_M
6, 1 2 88, 3, 3 5 99
6, , 3, 1 2

我想转到这个：

Q1, Q2_M_1, Q2_M_2, Q2_M_88, Q3, Q4_M_1, Q4_M_2, Q4_M_3, Q4_M_5, Q4_M_99
6, 1, 1, 1, 3, 0, 0, 1, 1, 1
6,,,,3,1,1,0,0,0

我想这是一个相对常见的问题，但我无法在R 部分。导入 .csv 后，有什么想法如何在 R 中执行此操作吗？我的一般想法（这通常会导致程序效率低下）是我可以： (1)用grep()拉取带有特殊后缀的列号 (2) 循环（或使用应用）这些列中的每个条目并确定响应级别，然后相应地创建列 (3) 循环（或使用应用）并将指示器放置在适当的列中以指示选择的存在。

我感谢任何帮助，如果不清楚，请告诉我。

Answer 1

我同意 ran2 和 aL3Xa 的观点，您可能希望更改数据的格式，以便为每个可能的响应提供不同的列。但是，如果将数据集修改为更好的格式证明存在问题，则可以按照您的要求进行操作。

process_multichoice <- function(x) lapply(strsplit(x, " "), as.numeric)

q2 <- c("1 2 3 NA 4", "2 5")
processed_q2 <- process_multichoice(q2)
[[1]]
[1]  1  2  3 NA  4

[[2]]
[1] 2 5

建议针对不同的响应使用不同的列的原因是，尝试从这种形式的数据中检索任何统计信息仍然是相当不愉快的。尽管您可以做诸如

# Number of reponses given
sapply(processed_q2, length)

#Frequency of each response
table(unlist(processed_q2), useNA = "ifany")

编辑之类的事情：还有一条建议。将处理数据的代码与分析数据的代码分开。如果您创建任何图表，请再次将创建它们的代码分开。我一直在将各种东西混合在一起，但这并不漂亮。 （特别是当您六个月后回到代码时。）

Answer 2

我不完全确定你想做什么以及你这样编码的原因是什么。因此，我的建议更为笼统——所以只要澄清一下，我会尽力给出更具体的回应。

1) 我说您正在自己编写调查编码，这很好，因为这意味着您对 .csv 文件有影响力。我永远不会在同一个 .csv 文件中使用不同类型的分隔。只需从一开始就进行命名，就像您在第二块中建议的那样。
否则，您可能会遇到复选框等麻烦。假设有人检查了 5 个可能答案中的 3 个，下一个只检查了 1 个（即“不知道”）。现在，创建电子表格 (data.frame) 类型的结果视图将比只需要重新编码的空字段（结果在 R 中是 NA）要困难得多。

2）另一个重要的问题是你是否打算进行小组调查（即一遍又一遍地询问相同参与者的纵向研究）。这（以及其他许多）是考虑将数据保存到 MySQL 数据库而不是 .csv 的一个很好的理由。 RMySQL 可以直接连接到数据库并访问其表，更重要的是其视图。
视图确实有助于调查数据，因为您可以根据许多不同的需求在不同的视图中重新排列数据。

3）除了所有的个人/观点和经验之外，这里还有一些（不那么偏见的）文献可以开始：
复杂调查：使用 R 进行分析的指南（调查方法中的 Wiley 系列）

本书相对简单，省略了小组调查，但提供了大量 R 代码和示例，这应该是一个实用的开始，

为了防止重新发明轮子，您可能需要检查 LimeSurvey，一个相当不错的调查指挥工具（不是说模板:)）。除了我的 TYPO3 CMS 扩展 pbsurvey 和 ke_questionnaire （应该）也能很好地工作（仅测试了 pbsurvey ）。

Answer 3

多项选择项应始终编码为单独的变量。也就是说，如果你有5个选择和多项选择，你应该将它们编码为i1, i2, i3, i4, i5，即每一个都是一个二进制变量（0-1）。我看到第一个示例中 Q4_M 变量的值为 3 5 99 。这是否意味着某个商品有 99 种选择？哎哟...

首先，您应该继续为多项选择项中的每个选项创建单独的变量。也就是说，做：

# note that I follow your example with Q4_M variable
dtf_ins <- as.data.frame(matrix(0, nrow = nrow(<initial dataframe>), ncol = 99))
# name vars appropriately
names(dtf_ins) <- paste("Q4_M_", 1:99, sep = "")

现在你有一个带有 0 的 data.frame，所以你需要做的就是在适当的位置获取 1（这有点麻烦），一个函数将完成这项工作......

# first you gotta change spaces to commas and convert character variable to a numeric one
y <- paste("c(", gsub(" ", ", ", x), ")", sep = "")
z <- eval(parse(text = y))
# now you assing 1 according to indexes in z variable
dtf_ins[1, z] <- 1

这几乎是它...基本上，您想重新考虑使用 _M 变量创建 data.frame，这样您就可以编写一个自动执行此插入操作的函数。避免 for 循环！

或者，更好的是，创建一个带有逻辑的矩阵，然后执行 dtf[m] <- 1，其中 dtf 是您的多项选择 data.frame，并且 < em>m 是带有逻辑的矩阵。

我很想在这方面为您提供更多帮助，但经过漫长的一夜之后我正在康复！ =）希望我能帮上一点忙！ =)

Answer 4

感谢您的所有回复。我同意你们大多数人的观点，这种格式有点愚蠢，但这是我必须使用的（调查已编码并将于下周使用）。这是我从所有回复中得出的结论。我确信这不是最优雅或最有效的方法，但我认为它应该有效。

colnums <- grep("_M",colnames(dat))
responses <- nrow(dat)

for (i in colnums) {
  vec <- as.vector(dat[,i]) #turn into vector
  b <- lapply(strsplit(vec," "),as.numeric) #split up and turn into numeric
  c <- sort(unique(unlist(b))) #which values were used
  newcolnames <- paste(colnames(dat[i]),"_",c,sep="") #column names
  e <- matrix(nrow=responses,ncol=length(c)) #create new matrix for indicators
  colnames(e) <- newcolnames 
#next loop looks for responses and puts indicators in the correct places
  for (i in 1:responses) {
  e[i,] <- ifelse(c %in% b[[i]],1,0)
  }
  dat <- cbind(dat,e)
}

欢迎提出改进建议。