基于其他数据some映射替换某些行中的值

Question

我有一张表(d.tab)，上面有来自一项调查的问答对.其中有些是单一选择的答案，有些是多项选择。我想从它的数值中查找单一选择答案的文本值。为此，我有一个查找表(d.lookup)。

我尝试过使用merge，但这有点难看，因为我现在必须过滤掉value != answer_id所在的所有行。是否有更好的方法来做到这一点，可能使用plyr、dplyr或tidyr

tab = '
question_id question_type   subject value
1   single-choice   1   1
2   multiple-choice 1   2
3   single-choice   1   2
1   single-choice   2   2
2   multiple-choice 2   3,4
3   single-choice   2   2
'

lookup = '
question_id answer_id   answer_text
1   1   female
1   2   male
3   1   no
3   2   yes
'

d.tab = read.table(text = tab, header = TRUE)
d.lookup = read.table(text = lookup, header = TRUE)

merge(d.tab, d.lookup, by = "question_id", all.x = TRUE)

我不想对multiple-choice行做任何事情，我只想更新原始的dataframe，以便在d.tab的answer_text与value匹配的情况下用实际的文本替换answer_id。

我知道我能做到：

merge(d.tab, d.lookup, by.x = c("question_id", "value"), by.y = c("question_id", "answer_id"), all.x = TRUE)

但是这给了我一个新的列answer_text，原来的value仍然存在，我不需要这样做。

Answer 1

在你的问题中，你得到了merge()的正确召唤。剩下的就是对具有单一选择答案的行进行筛选，并选择除value以外的所有列。使用dplyr，可以这样做：

library(dplyr)
filter(d.tab, question_type == "single-choice") %>%
  mutate(value = as.numeric(as.character(value))) %>%
  merge(d.lookup, by.x = c("question_id", "value"),
        by.y = c("question_id", "answer_id")) %>%
  select(-value)

第二行包含因子变量value到数值的显式转换。这一点很重要，因为将因素转换为数字可能会导致奇怪的结果。我将在下面添加几行关于这个主题的内容。

请注意，dplyr还附带了自己的函数来替换合并。如果您的表很大，您会注意到这些表更有效率。使用来自left_join的dplyr，解决方案如下：

library(dplyr)
filter(d.tab, question_type == "single-choice") %>%
  mutate(value = as.numeric(as.character(value))) %>%
  left_join(d.lookup,
            by = c("question_id" = "question_id",
                   "value" = "answer_id")) %>%
  select(-value)

因此，这是关于我承诺的因素的评论。因子的问题是它们实际上是整数，其中每个整数值都有一个与之关联的标签。当您天真地用as.numeric()将这些因素转换为数字时，您将得到与标签相关联的整数。您几乎肯定会在数据中遇到这个问题，原因如下。

我创建了一个模拟您的数据的因子变量：

values <- factor(c("1", "2", "3,4", "3", "4"))

现在，我丢弃第三个值("3,4")并转换为数字：

as.numeric(values[-3])
## [1] 1 2 3 5

这可能不是你所期望的。原因是数字1到5与我们前面定义的五个级别相关联。如果要获取与标签匹配的数字，首先需要转换为字符：

as.numeric(as.character(values[-3]))
## [1] 1 2 3 4

因此，即使merge()在某个地方将这些因素转换为数字，我也不会以您想要的方式来完成它。因此，您应该显式地进行转换。

Answer 2

一种使用data.table的替代解决方案

library(data.table)

# converting to datatables & setting the 'answer_id' to character
setDT(d.tab)
setDT(d.lookup)[, answer_id := as.character(answer_id)]

# join 'd.tab' with 'd.lookup' and update 'value' by reference
d.tab[d.lookup, value := answer_text, on = c("question_id", "value"="answer_id")]

这意味着：

   question_id   question_type subject  value
1:           1   single-choice       1 female
2:           2 multiple-choice       1      2
3:           3   single-choice       1    yes
4:           1   single-choice       2   male
5:           2 multiple-choice       2    3,4
6:           3   single-choice       2    yes

正如@Stibu已经提到的，使用多个值拆分行可能更好。使用splitstackshape包中的cSplit函数的一个示例：

library(splitstackshape)
cSplit(d.tab, "value", sep=",", 
       direction="long", 
       type.convert = FALSE)[d.lookup, 
                             value := answer_text, 
                             on = c("question_id", "value"="answer_id")]

# or everything in 'data.table'
d.tab[, lapply(.SD, function(x) unlist(tstrsplit(x, ','))), setdiff(names(d.tab),"value")
      ][d.lookup, value := answer_text, on = c("question_id", "value"="answer_id")][]

两者都赋予：

   question_id   question_type subject  value
1:           1   single-choice       1 female
2:           2 multiple-choice       1      2
3:           3   single-choice       1    yes
4:           1   single-choice       2   male
5:           2 multiple-choice       2      3
6:           2 multiple-choice       2      4
7:           3   single-choice       2    yes