在R中嵌入data.frames的嵌套列表

设置：

我有一个带有嵌入的data.frames列表的TIBLE（命名数据）

df1 <- data.frame(name = c("columnName1","columnName2","columnName3"),
                  value = c("yes", 1L, 0L),
                  stringsAsFactors = F)

df2 <- data.frame(name = c("columnName1","columnName2","columnName3"),
                  value = c("no", 1L, 1L),
                  stringsAsFactors = F)

df3 <- data.frame(name = c("columnName1","columnName2","columnName3"),
                  value = c("yes", 0L, 0L),
                  stringsAsFactors = F)

responses = list(df1,
                 df2,
                 df3)

data <- tibble(ids = c(23L, 42L, 84L),
               responses = responses)

我不雅观的解决方案：

使用

dplyr:：bind_rows（）

和

tidyr:：spread（）

：

rdf%
tidyr:：spread（key=“name”，-id）
目标2%
as.tibble（）

将我的解决方案与目标进行比较：

# produced tibble
> goal2
# A tibble: 3 x 4
    ids columnName1 columnName2 columnName3
* <int> <chr>       <chr>       <chr>      
1    23 yes         1           0          
2    42 no          1           1          
3    84 yes         0           0          

#生成的TIBLE
>目标2
#一个tibble:3x4
ids columnName1 columnName2 columnName3
*                      
123是10
2 42 no 1 1
3 84是0 0

总体而言，我的解决方案可行，但存在一些问题：

我不知道如何通过

bind_rows（）

传递唯一的id，这迫使我创建一个与原始id（“id”）不匹配的虚拟id（“id”）。这迫使我使用

cbind（）

（我不喜欢），并手动删除虚拟id（在

rdf

上使用-1切片）

当我的方法将整数列转换为字符时，列的格式将丢失

---

关于如何改进我的解决方案（特别是使用基于tidyverse的软件包，如tidyjson或tidyr）的任何建议？

我们可以使用

映射
将“responses”列循环，然后使用
convert=TRUE
将其扩展为“wide”，这样列类型，使用
transmute
将其创建为一列，然后使用
unest

library(tidyverse)
data %>% 
     transmute(ids, ind = map(responses, ~.x %>% 
                                  spread(name, value, convert = TRUE)))  %>%
     unnest
# A tibble: 3 x 4
#    ids columnName1 columnName2 columnName3
#   <int> <chr>             <int>       <int>
#1    23 yes                   1           0
#2    42 no                    1           1
#3    84 yes                   0           0

执行
c（'yes'，0，0）
时，数据类型信息从一开始就丢失了。也许您可以显示json文件的外观。应该有更好的方法来阅读它们。
# produced tibble
> goal2
# A tibble: 3 x 4
    ids columnName1 columnName2 columnName3
* <int> <chr>       <chr>       <chr>      
1    23 yes         1           0          
2    42 no          1           1          
3    84 yes         0           0          

library(tidyverse)
data %>% 
     transmute(ids, ind = map(responses, ~.x %>% 
                                  spread(name, value, convert = TRUE)))  %>%
     unnest
# A tibble: 3 x 4
#    ids columnName1 columnName2 columnName3
#   <int> <chr>             <int>       <int>
#1    23 yes                   1           0
#2    42 no                    1           1
#3    84 yes                   0           0

bind_rows(setNames(data$responses, data$ids), .id = 'ids') %>% 
            spread(name, value, convert = TRUE)