r - 我应该如何处理多项选择/响应(检查所有适用的)数据？

Question

我正在处理一些我感兴趣的调查数据，但遇到了一个小问题。有一些问题要求受访者检查候选人中的前 3 名...

例如，

• 这是一个水果列表，您可以从中选择 3 种。1) 香蕉 2) 苹果 3) 葡萄柚 4) 桃子 5) 西瓜

• 随后，多名受访者对这个问题给出了不同的答案。

  • 受访者 a - 1、3、4(香蕉、柚子、桃子)
  • 受访者 b - 1、2、5
  • 受访者 c - 3, 4
  • (等等)

• 负责清理调查数据的人将其分为三列，每列代表受访者做出的三个选择之一。

     Q1_1  Q2_2  Q3_3
    a   1     3     4
    b   1     2     5
    c   3     4     NA

• 我的问题是...有什么办法可以将其合并为一栏吗？我知道我可以将它们虚拟化并根据上面的水果类型制作 5 列...

        Banana Apple Grapefruit Peach Watermelon
      a    1     0        1       1        0
      b    1     1        0       0        1
      c    0     0        1       1        0

• 但是，我担心这可能会损害我预计在后续研究中运行的预测模型的准确性。其中一个问题为受访者提供了大约 990 个可供选择的选项。如果我坚持模型化，数据的维度将显着增加......

有什么好的办法请告诉我!我也很想知道是否有任何 R 包指定用于此类问题。

Answer 1

我建议使用dplyr和gather()将三个水果变量转换为一个长变量。请注意，在我的玩具示例中，每个受访者可能都有来自 sample() 的重复水果响应，因此我删除了重复的行。

df <- data.frame(id=1:100,
                 fruit1=sample(c('banana','apple','grape','peach','watermelon'),100,T),
                 fruit2=sample(c('banana','apple','grape','peach','watermelon'),100,T),
                 fruit3=sample(c('banana','apple','grape','peach','watermelon'),100,T),
                 outcome=runif(100))

# find respondents with duplicated fruits (eg, putting apple twice)
dupl <- df %>% gather(k,v,-id,-outcome) %>% 
  count(id,v)

# only keep one of the duplicated rows
df1 <- df %>% gather(k,v,-id,-outcome) %>% left_join(dupl) %>% 
  group_by(id,v,n) %>% slice(1) %>% select(-n)

lm(outcome~v,df1)

Call:
lm(formula = outcome ~ v, data = df1)

Coefficients:
(Intercept)      vbanana       vgrape       vpeach  vwatermelon  
   0.482981    -0.023715     0.020129     0.008117    -0.053460