长到宽，具有自动虚拟创建和多个值列答案

【问题标题】：Long to wide with automatic dummy creation and multiple value columns长到宽，具有自动虚拟创建和多个值列
【发布时间】：2017-06-05 14:49:52
【问题描述】：

我正坐在一个如下所示的数据框前：

      country year Indicator         a         b        c
48996      US 2003      var1        NA        NA       NA
16953      FR 1988      var2        NA 10664.920       NA
22973      FR 1943      var3        NA  5774.334       NA
8760       CN 1995      var4  8804.565        NA 12750.31
47795      US 2012      var5        NA        NA       NA
30033      GB 1969      var6        NA 29631.362       NA
25796      FR 1921      var7        NA 14004.520       NA
39534      NL 1941      var8        NA        NA       NA
42255      NZ 1969      var8        NA        NA       NA
7249       CN 1995      var9 50635.862        NA 75260.56

我想要做的基本上是以Indicator 作为关键变量进行长到宽的转换。我通常会使用tidyr 包中的spread()。但是，spread() 不幸的是不接受多个值列（在本例中为 a、b 和 c），它并没有完全实现我想要实现的目标：

将Indicator 的条目设为新列
将国家/地区/年份组合保留为行
为来自a、b 和c 的每个旧值创建一个唯一的行
为每个“旧”值列名称创建一个虚拟变量（即， b, c)

所以最后，我的例子的中文观察应该变成

country year var1 [...] var4       [...]   var9       dummy.a dummy.b dummy.c 
CN      1995 NA         8804.565           50635.862        1       0       0
CN      1995 NA         12750.31           75260.56         0       0       1

由于我的原始数据帧是 58.162x119，因此我会很感激不包含大量手动工作的东西 :-)

我希望我清楚自己想要实现的目标。感谢您的帮助！

可以使用以下代码复制上述数据帧：

structure(list(country = c("US", "FR", "FR", "CN", "US", "GB", 
"FR", "NL", "NZ", "CN"), year = c(2003L, 1988L, 1943L, 1995L, 
2012L, 1969L, 1921L, 1941L, 1969L, 1995L), Indicator = structure(c(1L, 
2L, 3L, 4L, 5L, 6L, 7L, 8L, 8L, 9L), .Label = c("var1", "var2", 
"var3", "var4", "var5", "var6", "var7", "var8", "var9", "var10", 
"var11", "var12", "var13", "var14", "var15", "var16", "var17", 
"var18"), class = "factor"), a = c(NA, NA, NA, 8804.56480733, 
NA, NA, NA, NA, NA, 50635.8621327), b = c(NA, 10664.9199219, 
5774.33398438, NA, NA, 29631.3618614, 14004.5195312, NA, NA, 
NA), c = c(NA, NA, NA, 12750.3056855, NA, NA, NA, NA, NA, 75260.555946
)), .Names = c("country", "year", "Indicator", "a", "b", "c"), row.names = c(48996L, 
16953L, 22973L, 8760L, 47795L, 30033L, 25796L, 39534L, 42255L, 
7249L), class = "data.frame")

【问题讨论】：

Imo，这是一种非常糟糕的数据格式，但您可以像 library(data.table); melt(setDT(DF, keep.rownames = TRUE), id=c("rn", "country", "year", "Indicator"))[!is.na(value), dcast(.SD, country + year + variable ~ Indicator)][, dcast(.SD, ... ~ variable, value.var="variable", fun=length)] 一样到达那里
我认为您基于输入的预期不正确。例如，'year' 1983 的 Var4 应该是 8804.565 和 12750.306
您使用dput 提供的数据集与您的示例不同。例如，在第 4 行中，年份是 1983 还是 1995？
我的错，修好了。我确实手动更改了一年以更清楚地说明我想要实现的目标并忘记在示例代码中进行更改。对不起！
感谢更新数据集。你能解释一下为什么在虚拟变量a to c 中第一行CN 是1, 0, 0 而第二行是0, 0, 1？因为根据您的原始数据框，a 和 c 都具有这两行的值。

标签： r dataframe dplyr tidyr tidyverse

【解决方案1】：

这是我的解决方案：

require(tidyr)
mydf <- structure(list(country = c("US", "FR", "FR", "CN", "US", "GB", 
    "FR", "NL", "NZ", "CN"), year = c(2003L, 1988L, 1943L, 1995L, 
    2012L, 1969L, 1921L, 1941L, 1969L, 1995L), Indicator = structure(c(1L, 
    2L, 3L, 4L, 5L, 6L, 7L, 8L, 8L, 9L), .Label = c("var1", "var2", 
    "var3", "var4", "var5", "var6", "var7", "var8", "var9", "var10", 
    "var11", "var12", "var13", "var14", "var15", "var16", "var17", 
    "var18"), class = "factor"), a = c(NA, NA, NA, 8804.56480733, 
    NA, NA, NA, NA, NA, 50635.8621327), b = c(NA, 10664.9199219, 
    5774.33398438, NA, NA, 29631.3618614, 14004.5195312, NA, NA, 
    NA), c = c(NA, NA, NA, 12750.3056855, NA, NA, NA, NA, NA, 75260.555946
    )), .Names = c("country", "year", "Indicator", "a", "b", "c"), row.names = c(48996L, 
    16953L, 22973L, 8760L, 47795L, 30033L, 25796L, 39534L, 42255L, 
    7249L), class = "data.frame")

mydf %>% gather(key=newIndicator,value=values, a,b,c) %>% filter(!is.na(values)) %>% spread(key=Indicator,values) %>% mutate(indicatorValues=1) %>% spread(newIndicator,indicatorValues,fill=0)

输出

# country year     var2     var3      var4     var6     var7     var9 a b c
# 1      CN 1995       NA       NA  8804.565       NA       NA 50635.86 1 0 0
# 2      CN 1995       NA       NA 12750.306       NA       NA 75260.56 0 0 1
# 3      FR 1921       NA       NA        NA       NA 14004.52       NA 0 1 0
# 4      FR 1943       NA 5774.334        NA       NA       NA       NA 0 1 0
# 5      FR 1988 10664.92       NA        NA       NA       NA       NA 0 1 0
# 6      GB 1969       NA       NA        NA 29631.36       NA       NA 0 1 0

【讨论】：

【解决方案2】：

dt 将是您的原始数据。 dt2 是最终输出。

dt2 <- dt %>%
  gather(Parameter, Value, a:c) %>%
  spread(Indicator, Value) %>%
  mutate(Data = ifelse(rowSums(is.na(.[, paste0("var", 1:9)])) != 9, 1, 0)) %>%
  filter(Data != 0) %>%
  spread(Parameter, Data, fill = 0) %>%
  rename(dummy.a = a, dummy.b = b, dummy.c = c)

【讨论】：