从 Stata 导入的“带标签”tibble 列中提取标签属性

Question

Hadley Wickham 的

haven

包应用于 Stata 文件，返回一个包含许多“标记”类型列的 tibble。您可以使用 str() 查看这些，例如：

$ MSACMSZ    :Class 'labelled'  atomic [1:8491861] NA NA NA NA NA NA NA NA NA NA ...
  .. ..- attr(*, "label")= chr "metropolitan area size (cmsa/msa)"
  .. ..- attr(*, "labels")= Named int [1:7] 0 1 2 3 4 5 6
  .. .. ..- attr(*, "names")= chr [1:7] "not identified or nonmetropolitan" "100,000 - 249,999" "250,000 - 499,999" "500,000 - 999,999" ...

如果我可以简单地将所有这些标记向量提取为因子，那就太好了，但是我将标签属性的长度与每个向量中唯一值的数量进行了比较，它有时更长，有时更短。所以我认为我需要查看所有这些并决定如何单独处理每一个。

所以我想将 labels 属性的值提取到列表中。然而，这个功能：

labels93 <- lapply(cps_00093.df, function(x){attr(X, which="labels", exact=TRUE)})

对所有变量返回 NULL。

这是 tibble 与数据框问题吗？如何将这些属性从 tibble 列提取到列表中？

请注意，标签向量已命名，我需要标签和名称。

根据 @Hack-R 的请求，这里是由 dput （我以前从未使用过）转换的我的数据的一小段。我应用了这个代码：

filter(cps_00093.df, YEAR==2015) %>%
  sample_n(10)  %>%
  select(HHTENURE, HHINTYPE) -> tiny
dput(tiny, file = "tiny")

生成很小的文件。嘿！那很简单！我以为这么小的一块很难折断。

用Notepad++打开tiny，这是我发现的：

structure(list(HHTENURE = structure(c(2L, 1L, 1L, 2L, 1L, 1L, 
1L, 2L, 1L, 1L), labels = structure(c(0L, 1L, 2L, 3L, 6L, 7L), .Names = c("niu", 
"owned or being bought", "rented for cash", "occupied without payment of cash rent", 
"refused", "don't know")), class = "labelled"), HHINTYPE = structure(c(1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L), labels = structure(1:3, .Names = c("interview", 
"type a non-interview", "type b/c non-interview")), class = "labelled")), row.names = c(NA, 
-10L), class = c("tbl_df", "tbl", "data.frame"), .Names = c("HHTENURE", 
"HHINTYPE"))

我怀疑可以通过一点间距来使其更具可读性，但我不想弄乱它，因为担心意外破坏相关信息。

Answer 1

最初的问题询问如何“将标签属性的值提取到列表中”。主要问题的解决方案如下（假设

some_df

是通过

haven

导入的，并且具有

label

属性）。更新：我现在添加了一种使用包

sjlabelled

提取标签向量的方法。

library(purrr)
n <- ncol(some_df)
labels_list <- map(1:n, function(x) attr(some_df[[x]], "label") )

# if a vector of character strings is preferable
labels_vector <- map_chr(1:n, function(x) attr(some_df[[x]], "label") )

# to make a simple codebook
library(kable)
variable_name <- names(some_df)
data.frame(variable_name, description = labels_vector) %>%
  kable(format = 'markdown')

# UPDATE: another approach with package sjlabelled
library(sjlabelled)
sjlabelled::get_label(some_df)

Answer 2

我将尝试回答这个问题，尽管我的代码不是很漂亮。

首先，我创建一个函数来从单个列中提取命名属性。

ColAttr <- function(x, attrC, ifIsNull) {
# Returns column attribute named in attrC, if present, else isNullC.
  atr <- attr(x, attrC, exact = TRUE)
  atr <- if (is.null(atr)) {ifIsNull} else {atr}
  atr
}

然后是一个将其应用到所有列的函数：

AtribLst <- function(df, attrC, isNullC){
# Returns list of values of the col attribute attrC, if present, else isNullC
  lapply(df, ColAttr, attrC=attrC, ifIsNull=isNullC)
}

最后我对每个属性运行它。

stub93 <- AtribLst(cps_00093.df, attrC="label", isNullC=NA)

labels93 <- AtribLst(cps_00093.df, attrC="labels", isNullC=NA)
labels93 <- labels93[!is.na(labels93)]

所有列都有“label”属性，但只有一些列是“labeled”类型，因此有“labels”属性。标签属性被命名，其中标签与数据值匹配，并且名称告诉您这些值的含义。

Answer 3

跳出上面@omar-waslow的答案，但添加了

attr_getter

的使用。

如果使用

some_df

包中的

read_dta

导入数据 (

haven

)，则 tibble 中的每一列都有一个称为

attr

的

"label"

。因此，我们将数据框逐列拆分。这将创建一个两列数据框，可以将其连接回来（例如，在pivot_longer之后）。

library(tidyverse)
label_lookup_map <- tibble(
   col_name = some_df %>% names(),
   labels = some_df %>% map_chr(attr_getter("label"))
)