1

tengo una base de datos de respuestas a una encuesta. Sucede que existen varias respuestas de las mismas personas, cada respuesta está enlazada a un identificador como número único (DNI, por ejemplo) por lo cual se puede filtrar según ID duplicado. El problema es que existen casos donde personas respondieron 3 veces y de esas respuestas me interesa la que tenga más cantidad de columnas completadas (lo que equivale a respuestas completas).

Estoy analizando en R esta base, por lo cual agradecería si me pudieran orientar para obtener el resultado que busco o ver como identificar de forma clara las filas que deseo para quedarme. Este df sirve de ejemplo:

df <- tribble(
    ~a,~b,  ~c,  ~d,  ~e,
    "a", 2,  3,  NA,   1, 
    "a", 2,  3,  "SI", 4, 
    "a", 1,  NA, "NO", NA, 
    "b", NA, 2,  "SI", NA, 
    "b", NA, 3,  "NO", 2, 
    "b", NA, 2,  NA,   2, 
    "c", 1,  2,  "SI", NA, 
    "c", NA, NA, NA,   2
     )

Quisiera saber como identificar y quedarme con la b(index 5), a (index 2) y c (index 7) teniendo en cuenta el criterio de que son las alternativas con mayor numero de respuestas completas de las mismas personas (suponiendo que la letra es el identificador)

# A tibble: 8 × 5
  a         b     c     d     e
  <chr> <dbl> <dbl> <dbl> <dbl>
1 a         2     3     NA     1
2 a         2     3    "SI"    4
3 a         1    NA    "NO"    NA
4 b        NA     2    "SI"    NA
5 b        NA     3    "NO"    2
6 b        NA     2     NA     2
7 c         1     2    "SI"    NA
8 c        NA    NA     NA     2
```

1 respuesta 1

1

Una solución con tidyverse seria así:

df %>%
  mutate(n_respuestas = rowSums(!is.na(select(.,!a)))) %>% 
  arrange(a, desc(n_respuestas)) %>%
  distinct(a, .keep_all = T) 
  1. Crear la variable n_respuestas para contar el numero de columnas distintas a la columna "a" que no sean NA, es decir, contengan respuesta.

  2. Ordenar por el identificar, en este caso "a" y el numero de respuestas de mayor a menor.

  3. Eliminar duplicados, ya que al tener ordenados los datos, preservaremos la fila con mayor cantidad de respuestas

Finalmente puedes eliminar la columna auxiliar n_respuestas añadiendo un

select(-n_respuestas)

Output:

# A tibble: 3 x 5
  a         b     c d         e
  <chr> <dbl> <dbl> <chr> <dbl>
1 a         2     3 SI        4
2 b        NA     3 NO        2
3 c         1     2 SI       NA
1
  • Muchas gracias! funcionó!
    – Beto
    Commented el 1 jul. 2022 a las 14:33

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.