如何在R中构造和重新编码凌乱的分类数据？

Question

我正在努力解决如何最好地构建混乱的分类数据，并且来自dataset我需要清理。

编码方案

我正在分析大学科学课程考试的数据。我们正在研究模式 学生的反应，我们开发了一种编码方案来代表各种事物 学生正在回答他们的问题。编码方案的子集如下所示。

请注意，每个主要代码（1,2,3）都是嵌套的非唯一子代码（a，b，...）。

原始数据的样子

我已创建了实际数据的匿名原始子集，您可以查看here。 我的部分问题是编码数据的人注意到有些学生表现出来了 多种模式。编码员的解决方案是创建足够的列（reason1，reason2， ...）让学生拥有多种模式。这很重要，因为订单 （reason1，reason2）是任意的 - 两个学生（就像我的学生41和学生42） 正确应用“依赖”的dataset）应该在分析中注册，无论如何 3a列或reason列中是否显示reason2。

我如何才能最好地构建学生数据？

我的部分问题是在raw data中，并非所有学生都显示相同的内容 模式或它们的数量相同，顺序相同。有些学生可能只做一个 事情，其他人可能会做几件事。因此，示例学生的抽象表示可能 看起来像这样：

请注意，在上面的示例中，student002和student003都被编码为“1b”，尽管我故意将顺序显示为不同以反映my data的实际情况。< / p>

我的（实际）问题

1. 我应该将reason1，reason2，...连接到一列吗？
2. 我如何（重新）编码R中的reason以反映某些学生的多样性？

感谢

我意识到这个问题与良好的数据概念化有关，因为它与R的特定功能有关，但我认为在这里提出这个问题是合适的。如果您觉得我提出这个问题是不合适的，请在评论中告诉我，stackoverflow会自动使用sadface表情符号填充我的收件箱。如果我不够具体，请告诉我，我会尽力让自己更清楚。

Answer 1

让它“长”：

library(reshape)
dnow <- read.csv("~/Downloads/catsample20100504.csv")
dnow <- melt(dnow, id.vars=c("Student", "instructor"))
dnow$variable <- NULL ## since ordering does not matter
subset(dnow, Student%in%c(41,42)) ## see the results

下一步做什么将取决于您想要进行的分析类型。但是长格式对于像你这样的不规则数据很有用。

Answer 2

如果要考虑不同的原因，你应该使用plyr中的ddply并拆分所有列，如果你想忽略它们，请不要在拆分中使用这些列。你需要首先清理一些问号和额外的东西。

x <- ddply(data, c("split_column1", "split_column3" etc),
           summarize(result_df, stats you want from result_df))

Answer 3

你试图回答的（大图）问题是什么？为什么这些信息对你有意思？

您是否只是想找到一些模式，例如“如果学生这样做，那么他们也可能会这样做”？

如果是这种情况我会考虑的事情 - 将数据集拆分为较小的随机样本以进行分析，以降低误报的风险。

虽然有趣的问题！