RStudioでGoogle Formsのデータを分析するための下処理

必要なパッケージ

今回必要となるパッケージです。

library(tidyverse) 
library(purrr)

Rにデータを読みこむ

csvファイルとしてGoogle Formsからダウンロードした前提で進めます。

data <- read_csv("questionnaire.csv")

（おまけ）ランダムなIDを追加する

新しいデータを追加するのに便利なのは、mutate関数です。以下のコードでは、IDという新しい列に、1~200の中のランダムな数値を、データの数だけ生成し（ID = sample(1:200, nrow(data))）、3列目（名前）の前に（before = 3 ）挿入するという処理をしています。

追記（2024/01/23）：
今回使用しているsample関数ですが、引数のreplaceをTRUEにしてしまうと、重複するIDを生成してしまいます。初期値はFALSEになっていますので、よほどのことがない限りIDを生成する場合はFALSEのままにしておく方がよいです。

data2 <- data %>% 
  mutate(ID = sample(1:200, nrow(data)), .before = 3)

同じ回答を削除する

例えば、回答を修正するため、別の回答を送ったりなど、全く同じ人が回答を二回送信しているということもあり得ます。

同一人物の回答がないか確認

回答数が多い回答者ごとに降順に並び変えています。
山内一豊さんが回答を二回送信していることが分かります。

data2 %>%
  group_by(名前) %>%
  summarize(Responses = n()) %>%
  arrange(desc(Responses))

回答の削除

今回は、二回目の回答のデータを残す処理を紹介します。
Google Formsには、タイムスタンプと呼ばれるデータが必ず1列目に入っています。これは何かと便利な変数なので、削除せずにデータに残しておきましょう。

タイムスタンプを日時型に変換

現在、タイムスタンプは文字型のデータとなっています。これを、日時のデータ（POSIXctオブジェクト）に変更します。
引数のformatは、タイムスタンプに合わせて変更してください。

data2$タイムスタンプ <- as.POSIXct(data2$タイムスタンプ, format = "%Y/%m/%d %H:%M")

# タイムスタンプに秒まで記録されている場合
# data2$タイムスタンプ <- as.POSIXct(data2$タイムスタンプ, format = "%Y/%m/%d %H:%M:%S")

一つ目の回答を削除

各参加者のデータを、タイムスタンプが早い順に並び替えます。

data2 %>%
  group_by(名前) %>%
  arrange(タイムスタンプ)

二つ目の山内一豊のデータ（回答が二回目）をslice関数で削除します。以下のコードは、一つ目のデータを削除するコードですので、もし他にも複数回答者がいた場合も、一つ目のデータが削除されます。処理を一つずつ解説すると、まずgroup_by(名前)で回答者ごとに回答をまとめる。次にarrange(desc(タイムスタンプ))でタイムスタンプを降順に並べ替えます。つまり、回答が新しい順に並び替えます。slice(1)で各回答者の最初の行を選択します。つまり、各回答者の最新の回答のみを選択し残します。最後に、ungroup()でグループ化を解除します。

data3 <- data2 %>%
  group_by(名前) %>%
  arrange(desc(タイムスタンプ))%>%
  slice(1) %>%
  ungroup()

データを縦型に変形

現在のデータは、いわゆる横型のデータで、人間は解釈しやすいかもしれませんが、コンピュータには優しくないそうです。これを縦型のデータ、いわゆるtidyなデータに変換します。以下のコードでは、data2の5から11列までを（cols = 5:11）、questionsという新しい列に設問を格納し（names_to = "questions"）、それらの回答を、answerという新しい列に格納しています（values_to = "answer"）。

data3_long <- data3 %>%
  pivot_longer(
    cols = 5:11,
    names_to = "questions",
    values_to = "answer"
  )

データの整形をする

欠損値（NA）の処理

まず。欠損値がいくつあるか数えます。

data3_long %>% 
  map_dbl(~ sum(is.na(.)))

answerの列に7つ欠損値があることが分かります。

欠損値を任意の値に置き換える

answerの列に7つあることが分かりました。よって、これらのセルは、「無回答」という単語で埋めることにします。replace_na(list(answer = "無回答"))では、replace_na関数を使用して、欠損値（NA）を「無回答」という文字列に置き換えます。

data3_long2 <- data3_long  %>%
  replace_na(list(answer = "無回答"))  

再度欠損値の数を調べると、answerの列の欠損値の数が0になっています。

余計な値を削除

いくら指定をしていても、必ず回答者がそのように回答するかはわかりません。例えば、豊臣秀吉は数値ではなく「34歳」と入力しています。この「歳」を削除しましょう。

今回は正規表現を使います。mutate関数を使用して「年齢」列内のテキストから数値だけを抽出し、その結果を元のデータフレームに上書きしています。

data3_long3 <- data3_long2 %>%
  mutate(`年齢（数値のみ記入してください）` = as.numeric(gsub("[^0-9]+", "", `年齢（数値のみ記入してください）`)))

（おまけ）全角を半角に変換

あらかじめ、Google Formsで、数値入力を半角にするのが一番いいですが、忘れていた時のために書いておきます。
例えば、以下のデータのように、年齢のデータがすべて全角文字で入力されていると仮定します。このデータに先ほど説明した正規表現を使った方法で「歳」をとると、数値も全角なのでデータが消えてしまいます。
参考：https://qiita.com/tex_owleyes/items/5d795f40f0ce67730c93

データの作成

data_frame <- data.frame(
  ID = 1:5,
  名前 = c("田中", "山田", "鈴木", "佐藤", "高橋"),
  年齢 = c("２５歳", "３０歳", "２８歳", "２２歳", "３５歳"),
)

実行

まず、「歳」を削除します。そのあとで、残った全角数字をstri_trans_general関数で変換します【1】。今回はわかりやすいように、年齢_tmpという新しい列に追加しています。

data_frame <- data_frame %>%
  mutate(年齢 = str_replace(年齢, "歳", "")) %>%
  mutate(年齢_tmp = stri_trans_general(年齢 , "Fullwidth-Halfwidth"))

データを横型に戻す

　横型で分析をやるように求められることもあります。縦型から横型に戻すときはpivot_wider関数を使います【2】。

data3_long4 <- data3_long3 %>%
  pivot_wider(names_from = questions, values_from = answer)

最後に

修正点や、もっと便利な方法がある場合は、コメント等で教えてください！

参考記事

1 R言語でデータフレームの全角半角変換、記号削除、大文字小文字変換など ※「chartr」追加
2 Rのtidyrのpivot_longerとpivot_widerの使い方メモ