基于R軟件的一組多選題判分與數(shù)據(jù)編碼轉(zhuǎn)換

江蘇省灌南縣疾病預(yù)防控制中心(222500) 封永昌 劉阿玲 丁夢(mèng)秋

多選題(multiple response)數(shù)據(jù)錄入常用的編碼方法有二分法編碼、分類法編碼和原始編碼，多分類編碼和原始編碼錄入比較簡(jiǎn)便，二分法編碼符合統(tǒng)計(jì)分析原則[1-2]。目前國(guó)內(nèi)學(xué)者對(duì)多選題數(shù)據(jù)轉(zhuǎn)換與統(tǒng)計(jì)分析，多以單個(gè)多選題為例，使用excel、SPSS或SAS軟件實(shí)現(xiàn)變量編碼轉(zhuǎn)換和統(tǒng)計(jì)分析[1-5]，對(duì)于問(wèn)卷設(shè)計(jì)為多個(gè)多選題的情況并使用R軟件實(shí)現(xiàn)的討論較少。R作為一款功能卓越的免費(fèi)軟件，近年來(lái)在衛(wèi)生領(lǐng)域的應(yīng)用明顯增多[6]。本文主要介紹問(wèn)卷中一組多個(gè)多選題的判分以及原始編碼數(shù)據(jù)轉(zhuǎn)換為二分法編碼的R軟件實(shí)現(xiàn)。

實(shí)例及R軟件實(shí)現(xiàn)方法

設(shè)計(jì)思想?yún)⒄瘴墨I(xiàn)[1-2]，此處不贅述。

1.實(shí)例：全國(guó)居民健康素養(yǎng)監(jiān)測(cè)調(diào)查問(wèn)卷(2016年江蘇版)，該問(wèn)卷的主體有判斷題、單選題、多選題、情景題等4模塊共56題，其中多選題模塊有16題(未包含情景題模塊多選題)，每題配置5個(gè)選項(xiàng)，作答的所選項(xiàng)按其編號(hào)從小到大順序形成數(shù)字字符串錄入到Epidata數(shù)據(jù)文件中。問(wèn)卷整理需要根據(jù)正確答案對(duì)每份調(diào)查問(wèn)卷的每一題進(jìn)行判分，再根據(jù)總分和各維度得分情況判定是否具備健康素養(yǎng)；現(xiàn)為進(jìn)一步挖掘問(wèn)卷更多信息，對(duì)多選題選項(xiàng)按二分法編碼[6-7]。16個(gè)多選題的標(biāo)準(zhǔn)答案依次為{123,14,123,123,34,1234,123,123,1234,1234,13,23,23,124,124,23}，使用軟件R i386 3.3.2 for Windows和R Studio V1.0.44 (下載地址https://cran.r-project.org 和https://www.rstudio.com)。

2.數(shù)據(jù)導(dǎo)入：原始數(shù)據(jù)在EpiData軟件下輸出為文本文件sy.txt，用R軟件的read.csv2()函數(shù)導(dǎo)入，在R中建立數(shù)據(jù)表對(duì)象sy，sy中16個(gè)多選題的變量名為C01～C16，語(yǔ)句為(#號(hào)后為注釋內(nèi)容，下同)：

sy<-read.csv2("sy.txt",header = TRUE,sep = ";")

#此處sy.txt文件在R的當(dāng)前工作路徑。

3.多選題判分：根據(jù)正確答案構(gòu)建向量XC，對(duì)每題判分，“完全正確”賦2分，“錯(cuò)誤”賦0分；在sy中建立后綴為-s的16個(gè)新變量即C01s、C02s、C03s、……、C16s，存放各題的賦分值。語(yǔ)句為：

XC<-c("123","14","123","123","34",

"1234","123","123","1234","1234","13",

"23","23","124","124","23")

#多選題判分標(biāo)準(zhǔn)答案。

ic<-c(paste0("0",1:9),10:16)

#建立序號(hào)向量01～16

t1<-paste0("sy$C",ic,"s<-ifelse((sy$C",ic,"==",XC,"),2,0)")

eval(parse(text=t1))

#粘合的判分字符串t1轉(zhuǎn)化為表達(dá)式并求解。

4.各題所選項(xiàng)轉(zhuǎn)換為二分法編碼，生成后綴為v1～v5的新變量，即C01v1、C01v2、…、C01v5，C02v1、C02v2、…、C02v5，…、C16v5等計(jì)80個(gè)新變量，賦值0或1。語(yǔ)句為：

t2<-paste0("sy$C",ic,"<-as.character(sy$C",ic,")");#各題所選項(xiàng)數(shù)值轉(zhuǎn)換為字符型

eval(parse(text=t2))

for (i in 1:5) {

t3<-paste0("sy$C",ic,"v",i,"<-as.numeric(regexpr(",i,",sy$C",ic,")>0)")

eval(parse(text=t3))

}

5.假如某一多選題選項(xiàng)數(shù)目超過(guò)9個(gè)，在錄入時(shí)可用單字母代替>9的選項(xiàng)編碼。例如，假設(shè)問(wèn)卷中某多選題的題號(hào)為C18，選項(xiàng)有12個(gè)，1～9的選項(xiàng)以所選項(xiàng)數(shù)字直接錄入，>9的選項(xiàng)以單字母a、b、c錄入代替其原編號(hào)10、11、12，錄入后轉(zhuǎn)換為二分法編碼，生成C18m1至C18mc共12個(gè)新變量，賦值0或1。不訪虛構(gòu)前5例的所選項(xiàng)編碼為“321c6ba”、“5428c”、“21a”、“123”、“256abc”，以便與命令語(yǔ)句及其后的注釋“#虛構(gòu)的所選項(xiàng)編碼”對(duì)應(yīng)。語(yǔ)句可用：

m<-c(1:9,"a","b","c")

sy$C18<-c ("321c6ba","5428c","21a",

"123","256abc")

#虛構(gòu)的所選項(xiàng)編碼

for (j in 1:length(m)) {

t5<-paste0("sy$C18m",m[j],"<-as.numeric(regexpr(?,m[j],?,sy$C18)>0)")

eval(parse(text=t5))

}

6.假如發(fā)現(xiàn)多選題的所選項(xiàng)編碼沒(méi)有按從小到大順序錄入，例如錄入編碼為“4231”，需要調(diào)整為“1234”方可在判分時(shí)不出錯(cuò)，轉(zhuǎn)換時(shí)可建立新變量C01a～C16a便于對(duì)照。語(yǔ)句為：

for (b in 1:nrow(sy)) {

cl<-paste0("sy$C",ic,"a[",b,"]<-")

cr<-paste0("paste0(sort(strsplit(sy$C",ic,"[",b,"],")[[1]]),collapse=")")

t4<-paste0(cl,cr)

eval(parse(text=t4))

}

討 論

調(diào)查問(wèn)卷中設(shè)計(jì)多選題是為了最大限度采集研究所需要的信息，研究多選題編碼錄入與轉(zhuǎn)換是為了最大可能提高錄入的效率和準(zhǔn)確性，盡可能對(duì)數(shù)據(jù)進(jìn)行深入的分析和挖掘。采用excel、SPSS、SAS等軟件對(duì)調(diào)查問(wèn)卷中一組多個(gè)多選題進(jìn)行判分和編碼轉(zhuǎn)換仍比較繁瑣，且存在商業(yè)軟件的使用版權(quán)問(wèn)題。本文使用完全開(kāi)源免費(fèi)的R軟件，以健康素養(yǎng)監(jiān)測(cè)調(diào)查問(wèn)卷中多選題為例，提供了一組多選題的判分及選項(xiàng)按二分法進(jìn)行編碼轉(zhuǎn)換的運(yùn)行語(yǔ)句，原理與方法簡(jiǎn)單，具有操作上的可復(fù)制性和功能上的可擴(kuò)展性，在保留原始編碼法錄入優(yōu)點(diǎn)的基礎(chǔ)上，為研究者對(duì)多選題數(shù)據(jù)進(jìn)行深度挖掘提供了方便[5-7]。

R軟件處理數(shù)據(jù)的強(qiáng)大優(yōu)勢(shì)在于向量化操作。本文在根據(jù)多選題標(biāo)準(zhǔn)答案進(jìn)行判分和所選項(xiàng)原始編碼轉(zhuǎn)換為二分法編碼時(shí)，使用ifelse()、regexpr()、strsplit()、sort()、paste0()等函數(shù)[8-9]與for循環(huán)，根據(jù)所選項(xiàng)編碼中是否包含多選題的某選項(xiàng)編號(hào)，返回給該選項(xiàng)的二分法變量值1或0。本文中R語(yǔ)句的巧妙在于，以向量化操作為基礎(chǔ)，利用paste0()函數(shù)拼接出執(zhí)行語(yǔ)句的文本字符串，用parse() 函數(shù)將字符串轉(zhuǎn)化為一組表達(dá)式，最后用 eval() 函數(shù)對(duì)表達(dá)式求解，使語(yǔ)句顯得十分簡(jiǎn)潔，又能提高運(yùn)行速度[9]。多選題選項(xiàng)個(gè)數(shù)>9的情況，本文建議將>9的選項(xiàng)編碼以單字母(即a、b、c、……)代替其原編碼(即10、11、12、……)進(jìn)行錄入，在R軟件下仍可輕松進(jìn)行二分法編碼轉(zhuǎn)換。需要注意的是，若問(wèn)卷中設(shè)計(jì)的每個(gè)多選題選項(xiàng)數(shù)目不一致(如有的是8個(gè)選項(xiàng)，有的是5個(gè)選項(xiàng)，有的是3個(gè)選項(xiàng))，可按最多的選項(xiàng)數(shù)目定義循環(huán)次數(shù)變量，語(yǔ)句執(zhí)行后僅在數(shù)據(jù)框?qū)ο笾性黾右恍o(wú)意義的多余新變量，不影響數(shù)據(jù)的進(jìn)一步分析，或?qū)Χ嘤嘈伦兞窟M(jìn)行刪除處理(如刪除數(shù)據(jù)表sy中變量C06v7的語(yǔ)句可用“sy$ C06v7<-NULL”)。 期望本文能為居民健康素養(yǎng)監(jiān)測(cè)以及其他社會(huì)調(diào)查領(lǐng)域的研究者在數(shù)據(jù)整理時(shí)提供參考。