R 數據幀組織

Question

我想分析 R 中的一系列賽艇比賽，其中每艘有 4 名賽艇運動員的船只成對比賽。 我想知道在數據框中表示它的最佳方式。 我目前有 12 個計時項目，其中 2 個這樣的項目構成了兩艘船之間的比賽。

     time race boat seat1 seat2 seat3 seat4
1  204.98    1    1     2     6     1     5
2  202.49    2    1     4     5     2     7
3  202.27    3    1     2     6     3     7
4  206.48    4    1     1     7     2     8
5  204.85    5    1     4     8     2     6
6  204.93    6    1     2     8     3     5
7  204.91    1    2     3     7     4     8
8  207.40    2    2     1     8     3     6
9  207.62    3    2     1     5     4     8
10 203.41    4    2     3     5     4     6
11 205.04    5    2     3     7     1     5
12 204.96    6    2     4     6     1     7

這里座位列中的數字是指划船者（因此有 8 個），但使用名稱或字母會更自然。 我需要提取一個 12x8 矩陣來捕獲哪個賽艇運動員參與了哪個事件。

下面的代碼構建了上面的數據框：

df <- data.frame ( 
                  time = c(204.98, 202.49, 202.27, 206.48, 204.85, 204.93,
                           204.91, 207.40, 207.62, 203.41, 205.04, 204.96),
                  race = append(1:6, 1:6),
                  boat = append(rep(1,6),rep(2,6)),
                  seat1 = c(2,4,2,1,4,2, 3,1,1,3,3,4),
                  seat2 = c(6,5,6,7,8,8, 7,8,5,5,7,6),
                  seat3 = c(1,2,3,2,2,3, 4,3,4,4,1,1),
                  seat4 = c(5,7,7,8,6,5, 8,6,8,6,5,7))

1. 為了提取賽艇運動員和賽事之間的關系，以不同的方式組織會更好嗎？
2. 在單獨的數據框中捕獲有關賽艇運動員的其他事實（例如他們的體重、年齡）是自然的，還是將所有內容保存在一個數據框中更好（如何？）。

冗余和便利之間似乎存在權衡。 雖然在關系數據庫中會使用多個關系，但 R 社區似乎更喜歡在單個數據框中共享數據。 我相信總有辦法讓它工作，但缺乏經驗我很好奇有經驗的 R 用戶將如何組織數據。

附錄：很多答案突出了問題的重要性。 以下是將數據轉換為矩陣形式的好處：賽艇運動員在比賽中花費的總時間：一個事件時間向量和一個連接前面提到的事件和賽艇運動員的 {0,1} 值矩陣。 結果可以通過將它們相乘來獲得。

Answer 1

這當然是一個見仁見智的問題（完全同意@MattB）。 數據框是許多統計分析的一種非常方便的方法，但很多時候您必須對其進行轉換以適應您的目的。

您的案例以“寬格式”顯示數據框。 我認為沒有方便的方法來添加更多關於賽艇運動員的事實。 我會將其轉換為“長格式”。 在寬式中，每個划船者都有自己的划船。 而且由於賽艇運動員似乎是您的“感興趣的對象”（您的案件），這可能會使事情變得更容易。 問題“4 號槳手參加了哪些比賽？” 可以很容易地用那種形式回答。

Answer 2

創建一個事件表與賽艇運動員將數據融合為長格式m ，然后再轉換為適當的寬格式。 沒有理由你不能擁有多個 forms 中的數據，因此實際上沒有必要選擇最好的 forms。 如果有新數據進入，您始終可以重新生成它們。感興趣的形式實際上取決於您想用它做什么，但下面的代碼為您提供了三個 forms：

1. 原始寬格式df ，

2. 長形m可用於回歸、箱線圖等。例如

   lm(time ~ factor(rower) + 0, m) boxplot(time ~ boat, m)

3. 修改后的寬格式df2 。

如果存在特定於划船器的屬性，則可以將這些屬性存儲在單獨的數據框中，每個划船器一行，每個屬性一列，如果您想在回歸中使用這些屬性，則可以使用merge與m合並， 說。

library(data.table)

m <- melt(as.data.table(df), id = 1:3, value.name = "rower")
df2 <- dcast(data = m, time + race + boat ~ rower, value.var = "rower")
setkey(df2, boat, race) # sort
df2

給予：

      time race boat  1  2  3  4  5  6  7  8
 1: 204.98    1    1  1  2 NA NA  5  6 NA NA
 2: 202.49    2    1 NA  2 NA  4  5 NA  7 NA
 3: 202.27    3    1 NA  2  3 NA NA  6  7 NA
 4: 206.48    4    1  1  2 NA NA NA NA  7  8
 5: 204.85    5    1 NA  2 NA  4 NA  6 NA  8
 6: 204.93    6    1 NA  2  3 NA  5 NA NA  8
 7: 204.91    1    2 NA NA  3  4 NA NA  7  8
 8: 207.40    2    2  1 NA  3 NA NA  6 NA  8
 9: 207.62    3    2  1 NA NA  4  5 NA NA  8
10: 203.41    4    2 NA NA  3  4  5  6 NA NA
11: 205.04    5    2  1 NA  3 NA  5 NA  7 NA
12: 204.96    6    2  1 NA NA  4 NA  6  7 NA

或者，使用 dplyr/tidyr：

library(dplyr)
library(tidyr)

m <- df %>%
  pivot_longer(-(1:3), names_to = "seat", values_to = "rower")
df2 <- m %>% 
  pivot_wider(1:3, names_from = rower, values_from = rower, names_sort = TRUE)

Answer 3

這將是一個見仁見智的問題，部分取決於您想對該數據集提出什么樣的問題。 例如，“4 號划手參加了哪些比賽？”這個問題。 上面的格式不容易回答。

出於這個原因，我傾向於：

• 一個比賽表，就像你有的一樣，但沒有座位*列；
• 一個賽艇運動員表，可以保存其他詳細信息（姓名、體重等）； 和
• 一張將兩者連接起來的桌子，每場比賽每個賽艇運動員一排。

這將避免大多數冗余並允許相對簡單地回答大多數問題（我能想到的）。您始終可以使用 function（例如，使用dcast ）來重新創建上面顯示的表單以供人類閱讀。

Answer 4

沒有異議，這取決於問題。 但我懷疑在你的情況下，很多東西都會從長格式中得到解答，這也使得在需要時附加額外的賽艇運動員信息變得容易。

library(dplyr)
library(tidyr)

my_way <- pivot_longer(df, starts_with("seat"), values_to = "rower", names_to = "seat")
my_way
#> # A tibble: 48 x 5
#>     time  race  boat seat  rower
#>    <dbl> <int> <dbl> <chr> <dbl>
#>  1  205.     1     1 seat1     2
#>  2  205.     1     1 seat2     6
#>  3  205.     1     1 seat3     1
#>  4  205.     1     1 seat4     5
#>  5  202.     2     1 seat1     4
#>  6  202.     2     1 seat2     5
#>  7  202.     2     1 seat3     2
#>  8  202.     2     1 seat4     7
#>  9  202.     3     1 seat1     2
#> 10  202.     3     1 seat2     6
#> # … with 38 more rows

my_way %>% group_by(rower) %>% summarise(mean(time))
#> # A tibble: 8 x 2
#>   rower `mean(time)`
#>   <dbl>        <dbl>
#> 1     1         206.
#> 2     2         204.
#> 3     3         205.
#> 4     4         205.
#> 5     5         205.
#> 6     6         205.
#> 7     7         204.
#> 8     8         206.

my_way %>% group_by(rower, seat) %>% summarise()
#> # A tibble: 16 x 2
#> # Groups:   rower [8]
#>    rower seat 
#>    <dbl> <chr>
#>  1     1 seat1
#>  2     1 seat3
#>  3     2 seat1
#>  4     2 seat3
#>  5     3 seat1
#>  6     3 seat3
#>  7     4 seat1
#>  8     4 seat3
#>  9     5 seat2
#> 10     5 seat4
#> 11     6 seat2
#> 12     6 seat4
#> 13     7 seat2
#> 14     7 seat4
#> 15     8 seat2
#> 16     8 seat4