【R】複数要素が1セルに格納されている時のダミー変数の作り方

動機

ダミー変数を作りたいけど、dfの一つのカラムにカンマ区切りでデータが入ってしまっていてそのままdummiesパッケージを使うことができなかったので作成しました。

実装

該当のデータdfはこんな感じです。
X_name:データ名, X_data:１セルにカンマ区切りで入っているカテゴリ名

> df
   X_name        X_data
1  place_A             T
2  place_B         I,C,E
3  place_C         G,O,D
4  place_D         P,O,T
5  place_E         D,O,G
6  place_F         C,A,T
7  place_G   G,U,N,D,A,M
8  place_H             O
9  place_I         I,N,F
10 place_J           A,I
...
16 place_P     U,R,B,A,N
17 place_Q     G,A,R,D,E
18 place_R       H,O,R,N
19 place_S     S,E,I,K,O
20 place_T       F,I,S,H
21 place_U       D,E,C,K
22 place_V           G,L
23 place_W       H,E,L,P
24 place_X           M,E
25 place_Y             S
26 place_Z           O,S

このままだとどうにも扱えないので、splitstackshapeパッケージという、一つのセルにデータが格納されているときに剥がしてくれるありがたいパッケージがあるので使います。

library(tidyverse)
library(dummies)
library(splitstackshape)

df.filtered <- df %>% 
  cSplit("X_data", ",", direction = "long") # ,区切りのデータを剥がして縦に格納

処理後のデータはこんな感じです。

> df.filtered
     X_name X_data
 1: place_A      T
 2: place_B      I
 3: place_B      C
 4: place_B      E
 5: place_C      G
 6: place_C      O
 7: place_C      D
 8: place_D      P
 9: place_D      O
10: place_D      T
...
74: place_V      G
75: place_V      L
76: place_W      H
77: place_W      E
78: place_W      L
79: place_W      P
80: place_X      M
81: place_X      E
82: place_Y      S
83: place_Z      O
84: place_Z      S

このdf.filteredをdummiesパッケージを利用してダミー変数にします。そしてそのダミー変数データフレームをX_dataに対してグルーピングし、足し合わせることで欲しい結果を得ることができます。

df.dummy <- df.filtered %>%
  select(c('X_data')) %>% 
  dummy.data.frame() %>% # ダミー変数を作成
  data.frame(X_name = df.filtered$X_name, .) %>% 
  group_by(X_name) %>% #　X_nameでグルーピング
  summarise_each(funs(sum)) #それぞれのcolumnに対してsumする

生成物

df.dummy
# A tibble: 26 x 22
   X_name  X_data.A X_data.B X_data.C X_data.D X_data.E X_data.F X_data.G X_data.H X_data.I
   <fct>      <int>    <int>    <int>    <int>    <int>    <int>    <int>    <int>    <int>
 1 place_A        0        0        0        0        0        0        0        0        0
 2 place_B        0        0        1        0        1        0        0        0        1
 3 place_C        0        0        0        1        0        0        1        0        0
 4 place_D        0        0        0        0        0        0        0        0        0
 5 place_E        0        0        0        1        0        0        1        0        0
 6 place_F        1        0        1        0        0        0        0        0        0
 7 place_G        1        0        0        1        0        0        1        0        0
 8 place_H        0        0        0        0        0        0        0        0        0
 9 place_I        0        0        0        0        0        1        0        0        1
10 place_J        1        0        0        0        0        0        0        0        1

おわりに

もっとマシな実装があったら教えてください。