【Rデータ整理】スコア “1+, 2+…” を数値 “1, 2…” に変換し、データ型を数値型に変更

相変わらず R でデータ整理中。

今回は、データベースに記載されている 1+, 2+ などのスコアを数値 1, 2... に変換し、データ型を数値型に変更する方法。

データベースから落としてきたときは、下記のようになっている。

これをそのまま R に取り込むと、文字列として認識される。

全ての文字列を数値化し、中央値とか出しておきたい。

データフレーム内の特定の文字列全てを数値に変換

まずは文字列を、下記のように変更したい（エクセルの検索→置換機能に該当）。

• Presumed 0 -> "0"
• Rare -> "0.5"
• 1+ -> "1"
• 2+ -> "2"
• 3+ -> "3"
• Not Done -> "NA"
• Not Avail -> "NA"

方法はいくつかあるけど、私は

dplyr::mutate_all

と

str_replace

の組み合わせで実行した。

# Get the data from database
Data <- readxl::read_xlsx("./Demographic_analysis/INQuery_Output-1.xlsx", range="A1:FK1998" ) %>%
# Change the score from character to number
    dplyr::mutate_all(~str_replace(., "\\+", "")) %>%
    dplyr::mutate_all(~str_replace(., "Rare", "0.5")) %>%
    dplyr::mutate_all(~str_replace(., "Presumed 0", "0")) %>%
    dplyr::mutate_all(~str_replace(., "Not Done", "NA")) %>%
    dplyr::mutate_all(~str_replace(., "Not Avail", "NA"))

解説：共通するパターンを変換

1+, 2+, 3+ は、共通する "+" を消したいので、

str_replace(x, pattern = " ", replacement = " ")

の "pattern" の部分に共通する "+" を入れる。

ここで注意すべきは、"+" は正規表現に使われるので、バックスラッシュ2個 "\\" でエスケープする必要がある。

正規表現については下記参照 ▼

 

gsub()

を使ってもOK。

その際も、正規表現記号にはエスケープが必要（下記も参照 ▼）。

文字列型を数値型等に変換

上述の操作を行うと、データ型が全て文字列型に変換されるので、必要に応じて数値型や因子型などに変換する。

Data <- Data %>%
mutate(BrainWeight = as.numeric(BrainWeight)) %>%
mutate(Braak03 = as.numeric(Braak03)) %>%
mutate(ABeta = as.numeric(ABeta)) %>%
mutate(Braak06 = as.numeric(Braak06)) %>%
mutate(CERAD = as.numeric(CERAD)) %>%
mutate(Age = as.numeric(Age)) %>%
mutate(GlobalAgeOnset = as.numeric(GlobalAgeOnset)) %>%
mutate(DiseaseDuration = Age - GlobalAgeOnset) %>%

mutate_at(vars(ends_with("Tau")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("ThioPlaques")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("AntibodyPlaques")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("aSyn")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("Gliosis")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("NeuronLoss")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("TDP43")), funs(as.numeric))

解説：特定の文字が含まれる列のデータ型を一気に変換する方法

11-17行目までのように、ひとつひとつのデータを

as.○○

で変換しても良いが、データが多くなると共通する文字で一気に変換したくなる。

今回の場合は、各脳部位のスコアを全て取り出していて、

• AmyTau
• DGTau
• CSTau
• ECTau …

のように、

• Tau
• ThioPlaques
• AntibodyPlaeues
• aSyn
• Gliosis
• NeuronLoss
• TDP43

の名前が入った項目が16ヶ所の脳部位の数だけ存在する。

これを一つ一つ変換していったらコードが長くなるので、

end_with

で任意の文字が含まれた全ての列を一気に変換した。

Data <- Data %>%
mutate_at(vars(ends_with("Tau")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("ThioPlaques")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("AntibodyPlaques")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("aSyn")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("Gliosis")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("NeuronLoss")), funs(as.numeric)) %>%
mutate_at(vars(ends_with("TDP43")), funs(as.numeric))

変換後、

str()

で確認すると、

無事に置換 → データ型変換が実行された。

因子型への変換

文字列から因子型への変換は

データ$列 <- factor(データ, levels=c( "レベル1" , "レベル2", ... ))

で OK だが、

# Change to factor
    Data$Sex <- factor(Data$Sex, levels=c(
    "Male" ,
    "Female"
    ))

数値型として認識されている列は、一度文字列に変換してから因子型に変換する必要がある。

データ$列 <- plyr::revalue(as.character(データ$列), c(レベル１, レベル２, ...)) ％＞％
factor(levels = c(レベル1, レベル2, ...)))

# Change to character then change to factor
Data$HS <- plyr::revalue(as.character(Data$HS), c(
    "No"="HS(-)" ,
    "Yes"="HS(+)"
    )) %>%
    factor(levels = c(
        "HS(-)" ,
        "HS(+)"
        ))

Data$LBDSubtype <- plyr::revalue(as.character(Data$LBDSubtype), c(
    "N/A" = "No Lewy pathology"
    )) %>%
    factor(levels = c(
        "No Lewy pathology" ,
        "Brainstem Predominant" ,
        "Amygdala Predominant" ,
        "Transitional or Limbic" ,
        "Diffuse or Neocortical"
        ))

Data$LATE <- plyr::revalue(as.character(Data$LATE), c(
    "No"="LATE(-)" ,
    "Yes"="LATE(+)"
    )) %>%
    factor(levels = c(
        "LATE(-)" ,
        "LATE(+)"
        ))

下記も参照 ▼