主页 / 问题 / 1256956
Accepted
rg4s
Asked:2022-03-17 16:01:16 +0000 UTC2022-03-17 16:01:16 +0000 UTC

R：构建回归模型[特例]最方便的表格数据结构是什么？

  • 772

有以下原始数据，有必要在此基础上建立回归模型。列的元素充当自变量ind_name。

显然，表格需要“宽”，这可以使用pivot_wider. 但是，在表格转换为宽格式（其中列是元素ind_name）后，数据变为嵌套。也就是说，单元格中没有一个元素，而是一个元素向量。

sample <- readxl::read_xlsx("original.xlsx")

s <- sample[1:1000,]

s <- s %>%
  pivot_wider(id_cols = seance_id,
              names_from = ind_name,
              values_from = criteria_answ) %>%
  print(head(10))

# A tibble: 84 x 6
   seance_id name2     name1     name3     name5     name4    
   <chr>     <list>    <list>    <list>    <list>    <list>   
 1 3133688   <chr [2]> <chr [2]> <chr [2]> <chr [1]> <NULL>   
 2 3145092   <chr [4]> <chr [4]> <chr [4]> <chr [1]> <chr [4]>
 3 3143656   <chr [1]> <chr [1]> <chr [1]> <chr [1]> <chr [1]>
 4 3145088   <chr [3]> <chr [3]> <chr [3]> <chr [1]> <chr [3]>
 5 3145117   <chr [3]> <chr [3]> <chr [3]> <chr [1]> <chr [3]>
 6 3148589   <chr [3]> <chr [3]> <chr [3]> <chr [1]> <chr [3]>
 7 3135731   <chr [3]> <chr [3]> <chr [3]> <chr [1]> <chr [3]>
 8 3145111   <chr [5]> <chr [5]> <chr [5]> <chr [1]> <chr [5]>
 9 3149981   <chr [4]> <chr [4]> <chr [4]> <chr [1]> <chr [4]>
10 3150048   <chr [1]> <chr [1]> <chr [1]> <chr [1]> <chr [1]>
# ... with 74 more rows

unnest(cols = everything())如果将函数或具有类似属性的函数应用于结果unchop，则会发生错误：

Ошибка: Incompatible lengths: 4, 5.
Run `rlang::last_error()` to see where the error occurred.

也就是说，由于嵌套向量的长度不同（并且在某处数据没有嵌套，而只是以正常形式呈现），该函数无法将工作表“分解”为单元格。

问题：如何将数据转化为正常的表格形式，适合在其基础上建立回归模型？作为“正常”视图的示例：

  seance_id     name1  name2
      <dbl>     <dbl>  <dbl>
1         1  0.396    -0.379
2         1 -0.000982  0.160
3         2 -1.03      0.700
4         2 -1.06      0.208
5         2  0.320    -0.568

也许还有另一种方法来表示这种类型的数据来构建回归模型？在 SO 的英文部分，我没有找到解决方案。

dataframe

1 个回答

  1. Best Answer

    观察结果变成了一个列表，因为在你想要的表示中，字符串是只有第一个变量的唯一值（并且在数据本身中，一对的值 \u200b\u200b变量是唯一的），获得的多个观察值必须放在一个单元格中。

    看数据。例如，要观察 where seance_id == "3133688"，具有名称的列name1应同时包含 and"7"和"6"：

    таблица <- readxl::read_xlsx("/tmp/rxl/original.xlsx")
таблица[таблица$seance_id == "3133688" & таблица$ind_name == "name1",]
#> # A tibble: 2 x 4
#>   seance_id criteria ind_name criteria_answ
#>   <chr>     <chr>    <chr>    <chr>        
#> 1 3133688   ind3_3   name1    7            
#> 2 3133688   ind4_3   name1    6

    实际上，pivot_wider()当以这种方式使用时，函数本身会告诉您可以做什么：

    таблица %>% pivot_wider(id_cols = seance_id, names_from = ind_name,
                        values_from = criteria_answ)
#> Warning: Values are not uniquely identified; output will contain list-cols.
#> * Use `values_fn = list` to suppress this warning.
#> * Use `values_fn = length` to identify where the duplicates arise
#> * Use `values_fn = {summary_fun}` to summarise duplicates

    即，使用参数values_fn，您可以在其中传递将应用于此类集合的函数。

    如果您传递函数的名称length()，那么，如警告中所写，您可以看到结果列表的重复长度：

    таблица %>% pivot_wider(id_cols = seance_id, names_from = ind_name,
                        values_from = criteria_answ, values_fn = length)
#> # A tibble: 422 x 6
#>    seance_id name2 name1 name3 name5 name4
#>    <chr>     <int> <int> <int> <int> <int>
#>  1 3133688       2     2     2     1    NA
#>  2 3145092       4     4     4     1     4
#>  3 3143656       1     1     1     1     1
#>  4 3145088       3     3     3     1     3
#>  5 3145117       3     3     3     1     3
#>  6 3148589       3     3     3     1     3
#>  7 3135731       3     3     3     1     3
#>  8 3145111       5     5     5     1     5
#>  9 3149981       4     4     4     1     4
#> 10 3150048       1     1     1     1     1
#> # … with 412 more rows

    正如我们所看到的，甚至有五个“重复”的列表。

    应该应用哪个函数取决于您的数据的含义和您面临的目标。例如，您可以取这些值的平均值（只有首先您必须将最后一个变量从字符串转换为数字，例如，使用调用mutate()and as.numeric()）：

    таблица %>% mutate(criteria_answ = as.numeric(criteria_answ))
        %>% pivot_wider(id_cols = seance_id, names_from = ind_name,
                        values_from = criteria_answ, values_fn=mean)
#> # A tibble: 422 x 6
#>    seance_id name2 name1 name3 name5 name4
#>    <chr>     <dbl> <dbl> <dbl> <dbl> <dbl>
#>  1 3133688    6.5   6.5   6.5      5 NA   
#>  2 3145092    5.5   6     5.75     3  6   
#>  3 3143656   10    10    10       10 10   
#>  4 3145088    9     8.67  8.67     8  9.67
#>  5 3145117    5.67  7.33  7.33     6  8.33
#>  6 3148589    9     8.33  7.33     9  9   
#>  7 3135731    8.67  7.67  8        8  8.67
#>  8 3145111    7.6   9.2   8        4  8.4 
#>  9 3149981    8     8.25  8        9  8.5 
#> 10 3150048    9    10    10       10  9   
#> # … with 412 more rows

    由reprex 包（v0.3.0）于 2021-03-17 创建

    • 1

相关问题