将空格分隔的条目拆分为R中的新列

Question

我正在编写一个输出 .csv 文件的调查。在这个 csv 中，我有一些以空格分隔的条目，它们代表多选问题（例如，具有多个响应的问题）。最后，我想将这些以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（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

我想去这个：

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 部分找到它。导入 .csv 后如何在 R 中执行此操作有什么想法吗？我的一般想法（通常会导致程序效率低下）是我可以： (1) 用 grep() 拉取具有特殊后缀的列号 (2) 遍历（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）并在适当的列中放置指示符以指示存在选择

感谢您的帮助，如果不清楚，请告诉我。

Answer 1

我同意 ran2 和 aL3Xa 的观点，即您可能希望更改数据格式，以便为每个可能的响应设置不同的列。但是，如果您将数据集调整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

之所以建议使用不同的列来表示不同的响应，是因为尝试从该表单中的数据中检索任何统计信息仍然非常不愉快。虽然你可以做类似的事情

# Number of reponses given
sapply(processed_q2, length)

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

编辑：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，请将用于创建它们的代码再次分开。我一直在把东西混合在一起，这并不漂亮。 （特别是当你六个月后回到代码时。）

Answer 2

我不完全确定您分别尝试做什么，您这样编码的原因是什么。因此，我的建议更笼统——所以只要澄清一下，我会尽量给出更具体的回应。

1) 我说您是自己编写调查代码，这很好，因为这意味着您可以影响您的 .csv 文件。我永远不会在同一个 .csv 文件中使用不同类型的分隔。就像您在第二个块中建议的那样，从一开始就进行命名。 否则，例如，您可能会遇到复选框问题。假设有人检查了 5 个可能答案中的 3 个，下一个只检查 1 个（即“不知道”）。现在创建一个电子表格（data.frame）类型的结果视图将比创建一个只需要重新编码的空字段（结果是 R 中的 NA）要困难得多。

2) 另一个重要问题是您是否打算进行小组调查（即纵向研究一遍又一遍地询问相同的参与者）。这（在许多其他方面）将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它的表，更重要的是它的 VIEWS。 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重新排列不同视图中的数据。

3）除了所有的个人/观点和经验，这里有一些（较少偏见的）文献可以开始： Complex Surveys: A Guide to Analysis Using R (Wiley Series in Survey Methodology

这本书相对简单，省略了小组调查，但提供了很多 R 代码和示例，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，这是一个相当不错的（不是说模板:)）用于调查指挥的工具。此外，我的 TYPO3 CMS 扩展 pbsurvey 和 ke_questionnaire（应该）也能正常工作（仅测试过 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 个选项和多项选择，你应该将它们编码为 i1, i2, i3, i4, i5，即每个都是一个二进制变量 (0-1)。我看到您在第一个示例中为 Q4_M 变量提供了值 3 5 99。这是否意味着您在一个项目中有 99 个备选方案？哎哟……

首先，您应该继续为多项选择项中的每个备选方案创建单独的变量。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 = "")

现在你有了一个带有 0 的 data.frame，所以你需要做的是让 1 在适当的位置（这有点麻烦），一个函数就可以完成这项工作......

# 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

差不多就是这样...基本上，您想重新考虑创建一个带有 _M 变量的 data.frame，因此您可以编写一个自动执行此插入的函数。避免 for 循环！

或者，更好的是，创建一个具有逻辑的矩阵，然后执行dtf[m] <- 1，其中 dtf 是您的多项选择 data.frame，m 是矩阵有逻辑。

我想在这方面为您提供更多帮助，但我在度过了一个漫长的夜晚后正在康复！ =) 希望我有所帮助！ =)

Answer 4

感谢所有回复。我同意你们大多数人的观点，这种格式有点傻，但这是我必须使用的（调查已编码并在下周开始使用）。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，但我认为它应该可以工作。

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。