拆分一串连接的逗号分隔数据并将输出重新编码为因子

Question

我正在尝试清理一些输入错误的数据.变量的问题允许五个选项中的多个响应,编号为1到5.数据已按以下方式输入(这只是一个示例 - 实际数据中有更多变量和更多观察值帧):

data
          V1
1    1, 2, 3
2    1, 2, 4
3 2, 3, 4, 5
4    1, 3, 4
5    1, 3, 5
6 2, 3, 4, 5

以下是重新创建示例数据的一些代码:

data = data.frame(V1 = c("1, 2, 3", "1, 2, 4", "2, 3, 4, 5", 
                         "1, 3, 4", "1, 3, 5", "2, 3, 4, 5"))

我真正需要的是要处理的数据更多...二进制 - 就像一组"是/否"问题 - 输入一个看起来更像的数据框:

data
    V1.1  V1.2  V1.3  V1.4  V1.5
1      1     1     1    NA    NA
2      1     1    NA     1    NA
3     NA     1     1     1     1
4      1    NA     1     1    NA
5      1    NA     1    NA     1
6     NA     1     1     1     1

实际变量名称目前无关紧要 - 我可以轻松解决这个问题.此外,缺少的元素是"O","NA"还是空白并不重要 - 再次,这是我以后可以解决的问题.

我已经尝试过使用该软件包中的transform函数reshape以及使用不同的东西strsplit,但是我无法做到我正在寻找的东西.我还看了很多关于Stackoverflow的其他相关问题,但它们似乎并不是完全相同的问题.

Answer 1

你只需要编写一个函数并使用它apply.首先是一些虚拟数据:

##Make sure you're not using factors
dd = data.frame(V1 = c("1, 2, 3", "1, 2, 4", "2, 3, 4, 5", 
                         "1, 3, 4", "1, 3, 5", "2, 3, 4, 5"), 
                     stringsAsFactors=FALSE)

接下来,创建一个接收行并根据需要进行转换的函数

make_row = function(i, ncol=5) {
  ##Could make the default NA if needed
  m = numeric(ncol)
  v = as.numeric(strsplit(i, ",")[[1]])
  m[v] = 1
  return(m)
}

然后使用apply并转置结果

t(apply(dd, 1, make_row))

Answer 2

很久以后,我终于开始创建一个以高效方式处理这类数据的包("splitstackshape").因此,为了方便他人(当然还有一些自我推销),这是一个紧凑的解决方案.

这个问题的相关功能是cSplit_e.

首先,默认设置保留原始列并NA用作填充:

library(splitstackshape)
cSplit_e(data, "V1")
#           V1 V1_1 V1_2 V1_3 V1_4 V1_5
# 1    1, 2, 3    1    1    1   NA   NA
# 2    1, 2, 4    1    1   NA    1   NA
# 3 2, 3, 4, 5   NA    1    1    1    1
# 4    1, 3, 4    1   NA    1    1   NA
# 5    1, 3, 5    1   NA    1   NA    1
# 6 2, 3, 4, 5   NA    1    1    1    1

其次,删除原始列并0用作填充.

cSplit_e(data, "V1", drop = TRUE, fill = 0)
#   V1_1 V1_2 V1_3 V1_4 V1_5
# 1    1    1    1    0    0
# 2    1    1    0    1    0
# 3    0    1    1    1    1
# 4    1    0    1    1    0
# 5    1    0    1    0    1
# 6    0    1    1    1    1