代码之家 › 专栏 › 技术社区 › rmahesh

在数据集中很难将宽格式转换为整齐格式

tidyr dplyr r

rmahesh · 技术社区 · 8 年前

我正在使用克格尔斯枪支暴力数据集。我的目标是使用Tableau为一些地区和与那里的枪支犯罪有关的细节提供交互式可视化。我的目标是将这个数据框架转换成整洁的格式。链接:.

https://www.kaggle.com/jameslko/gun violence-data/version/1

在这种情况下,有几个列的格式是这样的,我在R中遇到了一些问题。大约有20列,这4列的格式是这样的: img src=“https://i.stack.imgur.com/bcf9e.png“alt=”Enter image description here“/>”

一点背景知识:一个犯罪中可能有多把枪,以及多个参与者。因此,这些列包含按“”分隔的每个枪/参与者的信息。0:,1:…指示特定枪/参与者的详细信息。

我的目标是捕获每列中的唯一实例,忽略0:,1:,2:,……

这是到目前为止我的代码:

df=read.csv(“c:/users/rmahesh/desktop/gun-violence-data_01-2013_03-2018.csv”)。
df$incident_id=空
df$incident_url=空
df$source_url=空
df$参与者名称=空
df$参与者关系=空
df$sources=空
df$incident_url_fields_missing=空
df$参与者\状态=空
df$参与者年龄组=空
df$participant_type=空
df$事件\特征=空

#有格式问题的列的子集:
df2=df[,c('枪支被盗','枪支类型','参与者年龄','参与者性别')]
我还没有遇到这样的问题,希望能有人帮助我解决我的问题。任何帮助都将不胜感激!

edit1:我已经创建了问题列的前3行。格式或多或少相同,有时缺少一些列:

枪支被盗,枪支类型,参与者年龄,参与者性别
0::Unknown 1::Unknown,0::Unknown 1::Unknown,0::25 1::31 2::33 3::34 4::33,0::Male 1::Male 2::Male 3::Male 4::Male
0::Unknown 1::Unknown,0::22 lr 1::223 rem[ar-15],0::51 1::40 2::9 3::5 4::2 5::15,0::Male 1::Female 2::Male 3::Female 4::Female 5::Male
0::Unknown,0::Shotgun,3::78 4::48,0::Male 1::Male 2::Male 3::Male 4::Male


https://www.kaggle.com/jameslko/gun-violence-data/version/1

在这种情况下,有几个列的格式是这样的,我在R中遇到了一些问题。大约有20列,这4列的格式是这样的:


一点背景知识:一个犯罪中可能有多把枪,以及多个参与者。因此,这些列包含按“”分隔的每个枪/参与者的信息。0:,1:…指示特定枪/参与者的详细信息。

我的目标是捕获每列中的唯一实例,忽略0:,1:,2:,…

这是迄今为止我的代码:

df= read.csv("C:/Users/rmahesh/Desktop/gun-violence-data_01-2013_03-2018.csv")
df$incident_id = NULL
df$incident_url = NULL
df$source_url = NULL
df$participant_name = NULL
df$participant_relationship = NULL
df$sources = NULL
df$incident_url_fields_missing = NULL
df$participant_status = NULL
df$participant_age_group = NULL 
df$participant_type = NULL
df$incident_characteristics = NULL

#Subset of columns with formatting issues:
df2 = df[, c('gun_stolen', 'gun_type', 'participant_age', 'participant_gender')]


我还没有遇到这样的问题,希望能有人帮助我解决我的问题。任何帮助都将不胜感激!

edit1:我已经创建了问题列的前3行。格式或多或少相同,有时缺少一些列:

gun_stolen,gun_type,participant_age,participant_gender
0::Unknown||1::Unknown, 0::Unknown||1::Unknown, 0::25||1::31||2::33||3::34||4::33, 0::Male||1::Male||2::Male||3::Male||4::Male
0::Unknown||1::Unknown,0::22 LR||1::223 Rem [AR-15],0::51||1::40||2::9||3::5||4::2||5::15,0::Male||1::Female||2::Male||3::Female||4::Female||5::Male
0::Unknown,0::Shotgun,3::78||4::48,0::Male||1::Male||2::Male||3::Male||4::Male

2 回复 | 直到 8 年前

Aurèle 8 年前

正如弗兰克在评论中所说,“整洁”可能意味着不同的事情。在这里,我们只将所有指定的列转换为两列:一列使用原始列名称( "key" ,另一个在拆分字符串并删除前缀后具有单个值,每个值一行( "value" )

library(tidyr)
library(dplyr)
library(stringr)

myvars <- c('gun_stolen', 'gun_type', 'participant_age', 'participant_gender')

res <- as_tibble(df2) %>% 
  tibble::rowid_to_column() %>%
  # Split strings in selected columns at "||". This turns those columns in 
  # list-columns of character vectors
  mutate_at(myvars, str_split, pattern = fixed("||")) %>% 
  # Go from wide to long format: in the new 'key' column are the original column 
  # names, and 'value' is the one list-column of character vectors
  gather(key, value, one_of(myvars)) %>% 
  # unnest turns the 'value' list-column into a regular character column, with 
  # duplication of rows that contain a 'value' of length greater than 1
  unnest(value) %>% 
  filter(value != "") %>% 
  # Remove the "x::" prefixes
  mutate(value = str_split_fixed(value, fixed("::"), n = 2)[, 2]) %>% 
  # Deduplicate
  distinct() %>% 
  arrange(rowid, key, value)

# # A tibble: 732,017 x 3
#    rowid key                value  
#    <int> <chr>              <chr>  
#  1     1 participant_age    20     
#  2     1 participant_gender Female 
#  3     1 participant_gender Male   
#  4     2 participant_age    20     
#  5     2 participant_gender Male   
#  6     3 gun_stolen         Unknown
#  7     3 gun_type           Unknown
#  8     3 participant_age    25     
#  9     3 participant_age    31     
# 10     3 participant_age    33     
# # ... with 732,007 more rows

也在扩展@ben g的评论:

res %>% 
  count(key, value) %>% 
  arrange(key, desc(n))

# # A tibble: 141 x 3
#    key             value                n
#    <chr>           <chr>            <int>
#  1 gun_stolen      Unknown         132099
#  2 gun_stolen      Stolen            7350
#  3 gun_stolen      Not-stolen        1560
#  4 gun_stolen      ""                 355
#  5 gun_type        Unknown          98892
#  6 gun_type        Handgun          17609
#  7 gun_type        9mm               6040
#  8 gun_type        Shotgun           3560
#  9 gun_type        Rifle             3196
# 10 gun_type        22 LR             3093
# 11 gun_type        40 SW             2624
# 12 gun_type        380 Auto          2323
# 13 gun_type        45 Auto           2234
# 14 gun_type        38 Spl            1758
# 15 gun_type        223 Rem [AR-15]   1248
# 16 gun_type        12 gauge           975
# 17 gun_type        Other              892
# 18 gun_type        7.62 [AK-47]       854
# 19 gun_type        357 Mag            800
# 20 gun_type        25 Auto            601
# 21 gun_type        32 Auto            481
# 22 gun_type        ""                 356
# 23 gun_type        20 gauge           194
# 24 gun_type        44 Mag             192
# 25 gun_type        30-30 Win          105
# 26 gun_type        410 gauge           96
# 27 gun_type        308 Win             88
# 28 gun_type        30-06 Spr           71
# 29 gun_type        10mm                50
# 30 gun_type        16 gauge            30
# 31 gun_type        300 Win             23
# 32 gun_type        28 gauge             6
# 33 participant_age 19               10541
# 34 participant_age 20                9919
# 35 participant_age 18                9826
# 36 participant_age 21                9795
# 37 participant_age 22                9642
# 38 participant_age 23                9383
# 39 participant_age 24                9204
# 40 participant_age 25                8562
# 41 participant_age 26                7815
# 42 participant_age 17                7416
# 43 participant_age 27                7228
# 44 participant_age 28                6528
# 45 participant_age 29                6055
# 46 participant_age 30                5652
# 47 participant_age 31                5145
# 48 participant_age 32                5039
# 49 participant_age 16                4977
# 50 participant_age 33                4662
# # ... with 91 more rows

Nick Carruthers 8 年前

我认为整理是指将分隔列的内容拆分成行。可以获取第一个元素,也可以将每个元素作为自己的行。

df<-data.frame(instance=1:5, 
           gun_type=c("", "0::Unknown||1::Unknown", "", 
                      "0::Handgun||1::Handgun", ""), stringsAsFactors=FALSE)

df$first<-sapply(strsplit(df$gun_type, "\\|\\|"), '[', 1)
splitType<-strsplit(df$gun_type, "\\|\\|")
df.2<-df[rep(1:nrow(df), sapply(splitType, length)),]
df.2$splitType<-unlist(splitType)

如果只需要唯一的值,请使用:

splitTypeUnique<-sapply(splitType, unique)
df.2<-df[rep(1:nrow(df), sapply(splitTypeUnique, length)),]
df.2$splitType<-unlist(splitTypeUnique)

但是你要想让这个独特的部分发挥作用,就必须进行一些争论。