提问人：user22757672 提问时间：10/27/2023 更新时间：10/27/2023 访问量：32
Pivot_wider需要保留的已知重复项
Pivot_wider with Known Duplicates that Need to Stay
问：
我有参与者的数据，这些参与者的 ID 分配了多行，我正试图将它们全部放在一行上。这是因为联系人类型列在每行上都有他们的电话和电子邮件。有多个电话和电子邮件，没有一个组织良好的标签系统。有些包括拥有多个“电子邮件”的人，但电子邮件是不同的。所以你可以看到当我尝试透视时，pivot_wider会导致错误，因为两个“电子邮件”列不正确。我要么想考虑一下解决方法，比如代码自动告诉函数重新标记它，要么更有可能是 r 代码来清理有此问题的 2,000 行左右。我想它需要代码来说明是否具有相同 id 代码列的行的标签第二次或第三次重复出现，以在标签末尾添加 2 或 3。我想对了吗？有没有更简单的方法？
这就是它的设置方式。我尝试过的代码发现的重复项比 2,000 个左右的重复项更多，联系人类型问题就像有多个 Peters 一样，但不同的 ID 被卷入其中。即使您无法提供代码。我的想法是否正确？这是解决此问题的唯一方法吗？
dat1 <- data.frame(Participant = c("Peter", "Peter", "Peter", "Peter", "Peter", "Peter",
"Carol", "Carol", "Carol", "Carol", "Carol", "Carol"),
GroupID = c(1, 1, 2, 2, 3, 3, 3, 3, 4, 5, 5, 5),
Phone.Type = c("Email", "Email", "Email", "Phone", "Office", "Home","Home", "Home", "Other", "Website", "Fax", "Office Fax"), GroupTheme = c("[email protected]", "[email protected]", "[email protected]", 1234567890, 0987654321, 587290164389, 36237862873, 34384738923, 43432894274, "website.com", 32489789432, 23467832648937))
答：
0赞
Mark
10/27/2023
#1
tl;这个答案的 DR 是，如果你的真实数据与样本数据类似，那么最好将其保留为较长的格式。
为了说明这一点，以下是我为使数据变宽所做的工作：
> dat1 |> pivot_wider(names_from = Phone.Type, values_from = GroupTheme)
# A tibble: 6 × 10
Participant GroupID Email Phone Office Home Other Website Fax
<chr> <dbl> <list> <list> <list> <list> <list> <list> <list>
1 Peter 1 <chr [2]> <NULL> <NULL> <NULL> <NULL> <NULL> <NULL>
2 Peter 2 <chr [1]> <chr [1]> <NULL> <NULL> <NULL> <NULL> <NULL>
3 Peter 3 <NULL> <NULL> <chr [1]> <chr> <NULL> <NULL> <NULL>
4 Carol 3 <NULL> <NULL> <NULL> <chr> <NULL> <NULL> <NULL>
5 Carol 4 <NULL> <NULL> <NULL> <NULL> <chr> <NULL> <NULL>
6 Carol 5 <NULL> <NULL> <NULL> <NULL> <NULL> <chr> <chr>
# ℹ 1 more variable: `Office Fax` <list>
Warning message:
Values from `GroupTheme` are not uniquely identified; output will contain list-cols.
请注意几件事：首先，末尾的警告。这是因为每一行都是一个人，而第 1 组中的 Peter 列出了两封电子邮件，因此我们得到了列表列。其次，NULL 值数量大，这是因为样本数据非常稀疏。
以这种方式做事实际上并不是组织数据的最糟糕的方式——如果真实数据包含每个人的更多信息，那可能是件好事——实际上最糟糕的方法是为每个潜在事物创建单独的列——比如说，为了论证，如果你的数据集中有一个人列出了 9 个不同的电话号码， 数据集的每一行现在都有一个 Phone1、Phone2、Phone3 一直到 Phone9 列，大多数值为 NULL，如示例所示。可以想象，这会占用大量空间，速度很慢，而且很难使用——比如说，如果你想检查某个电话号码，找到与之关联的人，现在需要检查十个不同的列（这很慢，很丑，很难编码）。
总而言之，以下是您的选择：
- 保持数据不变（如果数据稀疏，那么可能是最佳选择）
- 像上面一样让它变宽（并处理列表列） - 如果你的数据很密集并且你对列表列没问题，那么可能是最好的（做而不是
x %in% yx == y) - 为额外的值制作额外的列（真的是坏主意，避免）
- （如果可能的话）删除额外的值（例如，如果您了解何时收集数据，则删除除最后收集的电子邮件之外的每封电子邮件（听起来这实际上是一个数据问题，而不是编码问题 - 数据集本身听起来有点混乱，所以没有任何简单的选择）
评论