Motifs pour la réorganisation dans R

Question

J'ai une image que je veux remodeler; mon code Reshape:

matchedlong <- reshape(matched, direction = 'long', 
         varying = c(29:33, 36:3943), 
         v.names = c("Math34", "TFCIn"), 
         times = 2006:2009, idvar = "schoolnum") 

dans matched colonnes 36 à 39 sont logiques (TRUEFALSE) mais matchedlong ils se sont transformés en chiffres en quelque sorte .... Aucun modèle clair pour les chiffres.

Quelle est la cause de cela?

données de l'échantillon:

example.data <- structure(list(Grade_Range_2008 = structure(c(14L, 14L, 40L, 
40L, 36L, 13L), .Label = c("3-5, UE", "4-5, UE", "4-8, UE, US", 
"5-10, UE, US", "5-8, 10, UE, US", "5-8, UE, US", "5-9, UE, US", 
"6-11, US", "6-12, UE, US", "6-7, UE, US", "6-8, 10, UE, US", 
"6-8, UE", "6-8, UE, US", "6-9, UE, US", "6, UE", "7-10, US", 
"7-8, US", "8-Jun", "8-May", "K-3", "K-3, UE", "K-4, UE", "K-5", 
"K-5, UE", "K-6, UE", "K-8", "K-8, UE", "K-8, UE, US", "K, 2-5, UE", 
"N/A", "PK-3, UE", "PK-4, UE", "PK-5, 10, UE", "PK-5, 7-9, UE, US", 
"PK-5, 8, UE", "PK-5, UE", "PK-6, 10, UE", "PK-6, UE", "PK-8, UE", 
"PK-8, UE, US"), class = "factor"), X__of_Yrs_in_school = c(0L, 
0L, 0L, 0L, 0L, 0L), Total_Enrollment_2008 = c(348L, 444L, 636L, 
495L, 319L, 410L), Free_Lunch_pct_2008 = c(75L, 89L, 94L, 89L, 
89L, 91L), Reduced_Lunch_pct_2008 = c(6L, 6L, 3L, 4L, 5L, 4L), 
    Stability_pct_2008 = c(89L, 93L, 100L, 98L, 92L, 81L), 
Limited_Eng__Prof__pct_2008 = c(8L, 
    20L, 8L, 10L, 19L, 19L), Am__Ind_pct_2008 = c(1L, 2L, 0L, 
    2L, 0L, 2L), Black_pct_2008 = c(41L, 39L, 28L, 33L, 32L, 
    38L), Hispanic_pct_2008 = c(55L, 59L, 70L, 61L, 65L, 57L), 
    Asian_pct_2008 = c(2L, 1L, 0L, 2L, 1L, 1L), White_pct_2008 = c(2L, 
    0L, 1L, 2L, 1L, 2L), Multi_pct_2008 = c(0L, 0L, 0L, 0L, 0L, 
    0L), w_o_Valid_Cert__N_2008 = c(4L, 0L, 1L, 0L, 1L, 1L), 
    w_o_Valid_Cert__pct_2008 = c(11L, 0L, 2L, 0L, 3L, 5L), 
Teaching_Out_of_Certification_N_ = c(7L, 
    7L, 2L, 13L, 3L, 4L), Teaching_Out_of_Certification_pc = c(20L, 
    15L, 4L, 25L, 9L, 18L), X_3_yrs__Exp_N_2008 = c(12L, 13L, 
    5L, 12L, 5L, 5L), X_3_yrs__Exp_pct_2008 = c(34L, 28L, 11L, 
    24L, 15L, 23L), Masters_Plus_N_2008 = c(6L, 11L, 15L, 10L, 
    16L, 8L), Masters_Plus___2008 = c(17L, 23L, 32L, 20L, 47L, 
    36L), Core_Classes_N_2008 = c(78L, 142L, 49L, 91L, 22L, 49L 
    ), Core_Not_Taught_by_HQ_Teachers_p = c(23L, 6L, 2L, 24L, 
    9L, 20L), Number_of_Classes_N_2008 = c(93L, 193L, 56L, 119L, 
    33L, 68L), Clases_Not_taught_by_App__Cert__ = c(18L, 18L, 
    2L, 37L, 3L, 13L), Clases_Not_taught_by_App__Cert_0 = c(19L, 
    9L, 4L, 31L, 9L, 19L), Turnover_Rate_of_Teachers_with__ = c(31L, 
    56L, 20L, 32L, 0L, 50L), Turnover_Rate_all_Teachers_pct_2 = c(42L, 
    29L, 17L, 30L, 14L, 49L), Math_Level_3_4_pct_2006 = c(5.1, 
    16.4, 58.2, 34.4, 48.9, 12.4), Math_Level_3_4_pct_2007 = c(15.2, 
    22.1, 65.7, 29.9, 70.5, 22.6), Math_Level_3_4_pct_2008 = c(29.9, 
    43.2, 69.8, 41.2, 78.9, 38.5), Math_Level_3_4_pct_2009 = c(50.7, 
    49.7, 80.7, 47.1, 83.9, 51.6), Att__pct_2005 = c(0.83, 0.86, 
    0.89, 0.9, 0.89, 0.87), Susp__pct_2005 = c(6L, 15L, 1L, 4L, 
    0L, 3L), schoolnum = c(4013, 4045, 4096, 4101, 4102, 4117 
    ), In_2006 = c(FALSE, FALSE, FALSE, FALSE, FALSE, FALSE), 
    In_2007 = c(FALSE, FALSE, FALSE, FALSE, FALSE, FALSE), In_2008 = c(FALSE, 
    FALSE, FALSE, FALSE, FALSE, FALSE), In_2009 = c(FALSE, FALSE, 
    FALSE, FALSE, FALSE, FALSE), weights = c(1, 1, 1, 1, 1, 1 
    )), .Names = c("Grade_Range_2008", "X__of_Yrs_in_school", 
"Total_Enrollment_2008", "Free_Lunch_pct_2008", "Reduced_Lunch_pct_2008", 
"Stability_pct_2008", "Limited_Eng__Prof__pct_2008", "Am__Ind_pct_2008", 
"Black_pct_2008", "Hispanic_pct_2008", "Asian_pct_2008", "White_pct_2008", 
"Multi_pct_2008", "w_o_Valid_Cert__N_2008", "w_o_Valid_Cert__pct_2008", 
"Teaching_Out_of_Certification_N_", "Teaching_Out_of_Certification_pc", 
"X_3_yrs__Exp_N_2008", "X_3_yrs__Exp_pct_2008", "Masters_Plus_N_2008", 
"Masters_Plus___2008", "Core_Classes_N_2008", 
"Core_Not_Taught_by_HQ_Teachers_p", 
"Number_of_Classes_N_2008", "Clases_Not_taught_by_App__Cert__", 
"Clases_Not_taught_by_App__Cert_0", "Turnover_Rate_of_Teachers_with__", 
"Turnover_Rate_all_Teachers_pct_2", "Math_Level_3_4_pct_2006", 
"Math_Level_3_4_pct_2007", "Math_Level_3_4_pct_2008", 
"Math_Level_3_4_pct_2009", 
"Att__pct_2005", "Susp__pct_2005", "schoolnum", "In_2006", "In_2007", 
"In_2008", "In_2009", "weights"), row.names = c(1L, 4L, 7L, 8L, 
11L, 12L), class = "data.frame") 

Answer 1

Une colonne doit être tout d'un type de données; vous ne pouvez pas mélanger logique et numérique.

Vous ne savez pas exactement comment effectuer une analyse "longue" sur plusieurs types de données différents, car il s'agit généralement des mêmes variables avec des regroupements différents. Si vous en avez besoin, essayez d'abord de convertir vos valeurs logiques en chiffres (avec as.numeric).

Pendant que vous n'êtes pas en utilisant le paquet reshape, Hadley a fait ce point dans sa discussion sur la fonction melt(), qui effectue la même tâche (voir this paper, for instance):

Dans la mise en œuvre actuelle [de la fonte ], il n'y a qu'une seule hypothèse que fait fondre: toutes les valeurs mesurées doivent être du même type, par exemple, numérique, facteur, date. Nous avons besoin de cette hypothèse car les données en fusion sont stockées dans une trame de données R, et la colonne de valeur peut être un seul type. La plupart du temps ce n'est pas un problème car il y a peu de cas où il est logique de combiner différents types de variables dans la sortie de cast.

Edit:

Je pense que vous pouvez essayer de faire deux choses à la fois. c'est ce que tu veux?

a <- reshape(example.data[,-c(36:39)], direction = 'long', varying = c(29:32), v.names = c("Math34"), times = 2006:2009, idvar = "schoolnum") 
b <- reshape(example.data[,-c(29:32)], direction = 'long', varying = c(36:39)-4, v.names = c("TFCIn"), times = 2006:2009, idvar = "schoolnum") 
c <- merge(a,b)