1

Voy a redefinir esta pregunta de forma más completa, ya que me parece tiene un problema interesante. El escenario es el siguiente: imaginemos que tenemos un data.frame con múltiples variables, estas son categóricas, por ejemplo:

cat1 <- c("A", "B", "C", "D")
cat2 <- c("R1", "S2", "T3")
casos <- 10    
df <- data.frame(Col1 = c(sample(cat2, casos, replace = T)),
                 Col2 = c(sample(cat1, casos, replace = T)),
                 Col3 = c(sample(cat1[-1], casos, replace = T)),
                 Col4 = c(sample(cat2, casos, replace = T))
)
df

Es decir:

   Col1 Col2 Col3 Col4
1    R1    B    D   S2
2    R1    C    D   S2
3    S2    A    B   R1
4    T3    D    D   S2
5    R1    D    C   R1
6    T3    B    B   R1
7    T3    D    C   T3
8    R1    A    B   T3
9    S2    B    B   S2
10   S2    B    C   T3

Y ahora lo que queremos es contar las ocurrencias de cada categoría en cada columna generando una tabla sumarizada como la siguiente:

  categorias Col1 Col2 Col3 Col4
1          A    0    2    0    0
2          B    0    4    4    0
3          C    0    1    3    0
4          D    0    3    3    0
5         R1    4    0    0    3
6         S2    3    0    0    4
7         T3    3    0    0    3

Con R base, sin duda table() podría ser una forma, el tema es como aplicarla a cada columna y además contemplar que eventualmente alguna categoría no aparezca en una columna (en cuyo caso la cantidad será 0), también me gustaría ver la posibilidad de resolverlo con dplyr si fuera posible.

2 respuestas 2

1

Si no hay problemas con importar dplyr:: y tidyr:: se puede hacer en tres líneas muy legibles.

library(tidyr)  #importa gather() y spread()
library(dplyr)  #importa count

cat1 <- c("A", "B", "C", "D")
cat2 <- c("R1", "S2", "T3")
casos <- 10 
set.seed(123)    #Para test de resultados
df <- data.frame(Col1 = c(sample(cat2, casos, replace = T)),
                 Col2 = c(sample(cat1, casos, replace = T)),
                 Col3 = c(sample(cat1[-1], casos, replace = T)),
                 Col4 = c(sample(cat2, casos, replace = T))
)


gather(df, clave, valor) %>%     #A formato largo, clave = valor
  count(clave, valor) %>%        #Conteos de todas con todas
  spread(clave, n, fill = 0)     #Abrir por columna y conteo, imputar na a 0.

Esta paquetería ofrece una vía muy directa para reestructurar datos, que es el problema de este problema.

2
  • Excelente! me van a terminar convirtiendo a la secta de tidyverse/dplyr! Commented el 10 ago. 2018 a las 16:12
  • Lo que más me gusta es el estilo declarativo más que imperativo que tiene el paquete. Eso ayuda a pensar las soluciones sin hacer micromagement de las estructuras de datos. Es sí, la evaluación no estándar es un dolor de cabeza y escribir funciones da mucho más trabajo que con R base.
    – mpaladino
    Commented el 10 ago. 2018 a las 19:30
0

Lo que se me ocurrió básicamente es usar table() por cada columna e integrar todas en un único data.frame. No me convence mucho, son demasiadas líneas de código, pero al menos hace lo que se espera.

categorias <- sort(as.character(unique(unlist(df))))

m <- apply(df, MARGIN = 2, FUN = function(col) {
    tb <- table(col)
    v <- as.vector(tb[match(categorias, names(tb))])
    v[is.na(v)] <- 0
    return(v)
})

data.frame(categorias, m)

  categorias Col1 Col2 Col3 Col4
1          A    0    2    0    0
2          B    0    4    4    0
3          C    0    1    3    0
4          D    0    3    3    0
5         R1    4    0    0    3
6         S2    3    0    0    4
7         T3    3    0    0    3

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.