正确使用扩展函数

Question

我的数据“IDrel”有三个变量，“ID”、“category”和“value”，看起来是这样的：

    ID  category value
1       AU: Duflo, Esther
2   2   AF: MIT
3   3   SO: American Economic Journal: Applied Economics, 2(2), April 2010, pp.
4   4   IS: 1945-7782
5   5   AV: http://www.aeaweb.org/aej-applied/
6   6   DT: Journal Article
7   7   PY: 2010
8   8   AN: 1094392
9   9   TI: Prize Structure and Information in Tournaments: Experimental Evidence
10  10  AU: Freeman, Richard B.; Gelber, Alexander M.
11  11  AF: NBER; NBER
12  12  SO: American Economic Journal: Applied Economics, 2

“类别”有 9 个唯一值，我想将它们中的每一个都变成自己的变量，其值由“值”变量表示。理论上，这应该将变量数增加到 11 个，并将观察数减少 9/10。

所需的输出如下所示：

ID    AU:            SO.                           IS:          [more variables]

    1     Duflo, Esther   American Economic Journal    1945-7782    [more values]
    2     Freeman, Richard American Economic Journal:  [...]     

我尝试通过扩展函数来实现这一点：

IDspread<-spread(IDrel, category, value)

我确实得到了 11 个变量，但我得到了相同数量的观察值。结果对我来说似乎很荒谬，这是前 10 个观察结果：

IS:  PY:
1      <NA> <NA>
2      <NA> <NA>
3      <NA> <NA>
4 1945-7782 <NA>

我是否正确使用了这个功能？有其他选择吗？

我意识到 ID 变量不反映哪个类别/值属于哪个观察，但我需要重新排序数据以便“获取”每个观察的正确索引 ^^

Answer 1

这不是对spread() 问题的直接回答，但数据看起来非常类似于DCF 格式。

DCF 是一种以纯文本文件形式存储数据库的简单格式，可以使用基本 R 的 read.dcf() 函数直接从文件中读取。

那么，如果数据将存储在文件IDrel.dcf中

AU: Duflo, Esther
AF: MIT
SO: American Economic Journal: Applied Economics, 2(2), April 2010, pp.
IS: 1945-7782
AV: http://www.aeaweb.org/aej-applied/
DT: Journal Article
PY: 2010
AN: 1094392
TI: Prize Structure and Information in Tournaments: Experimental Evidence

AU: Freeman, Richard B.; Gelber, Alexander M.
AF: NBER; NBER
SO: American Economic Journal: Applied Economics, 2

命令

read.dcf("IDrel.dcf", all = TRUE)

将返回 data.frame

                                         AU         AF                                                                  SO        IS
1                             Duflo, Esther        MIT American Economic Journal: Applied Economics, 2(2), April 2010, pp. 1945-7782
2 Freeman, Richard B.; Gelber, Alexander M. NBER; NBER                     American Economic Journal: Applied Economics, 2      <NA>
                                  AV              DT   PY      AN                                                                    TI
1 http://www.aeaweb.org/aej-applied/ Journal Article 2010 1094392 Prize Structure and Information in Tournaments: Experimental Evidence
2                               <NA>            <NA> <NA>    <NA>

请注意，空行表示新记录的开始。

R 中实现的DCF 规则在帮助文件?read.dcf 中进行了说明。

Answer 2

问题在于ID 变量的使用。它具有独特的价值。因此，如果我们在执行spread 时保留该变量，则spread 输出中的行数将等于“ID”中唯一元素的数量，而不存在的组合将是NA。删除“ID”，创建按“类别”分组的序列列（以处理重复），然后spread

library(dplyr)
library(tidyr)
IDrel %>%        
   group_by(category) %>% 
   mutate(ID = row_number()) %>% # update the ID column
   spread(category, value)
# A tibble: 2 x 10
#    ID `AF:`    `AN:`  `AU:`                `AV:`             `DT:`     `IS:`  `PY:` `SO:`                          `TI:`                         
#  <int> <chr>    <chr>  <chr>                <chr>             <chr>     <chr>  <chr> <chr>                          <chr>                         
#1     1 MIT      10943… Duflo, Esther        http://www.aeawe… Journal … 1945-… 2010  American Economic Journal: Ap… Prize Structure and Informati…
#2     2 NBER; N… <NA>   Freeman, Richard B.… <NA>              <NA>      <NA>   <NA>  American Economic Journal: Ap… <NA>   

数据

IDrel <- structure(list(ID = 1:12, category = c("AU:", "AF:", "SO:", "IS:", 
"AV:", "DT:", "PY:", "AN:", "TI:", "AU:", "AF:", "SO:"), value = c("Duflo, Esther", 
"MIT", "American Economic Journal: Applied Economics, 2(2), April 2010, pp.", 
"1945-7782", "http://www.aeaweb.org/aej-applied/", "Journal Article", 
"2010", "1094392", "Prize Structure and Information in Tournaments: Experimental Evidence", 
"Freeman, Richard B.; Gelber, Alexander M.", "NBER; NBER", "American Economic Journal: Applied Economics, 2"
)), class = "data.frame", row.names = c("1", "2", "3", "4", "5", 
"6", "7", "8", "9", "10", "11", "12"))