写在前面

为什么要用R进行数据清理？

我大概能想到的：

• 能方便、快捷地处理大样本数据（几小时甚至几分钟内完成数天的工作）；
• 方便对数据清理过程进行double check（数据清理过程有什么缺漏，可以直接通过看代码文件、跑代码来找出来，修改起来也很方便）以及修改（例如，你想要对另一个dataset进行类似的操作，只需要copy代码然后修改一些内容，无需进行重复的操作）；
• 如果我们知道怎么用R清理数据，那么肯定对R以及数据的内容有了一定的了解，接下来用R进行数据分析也会驾轻就熟。

当然，写代码也有缺陷，某些功能的实现其实不如Excel或者SPSS轻松，所以其实不必万事都指望用R来完成。我个人一直推崇“什么方便用什么”，学R就是为了图方便，不要拘泥于一定要全部的数据分析都通过R来完成。

关于本文

我没有经过专业的R语言的训练（例如，没有接触过这方面的workshop或课程），基本上都是边学边做（例如自己从网上找来的或自己琢磨出来的），如果大家有更方便的方法，欢迎交流、分享。

本文假定大家已经有了一定的R基础。

主要针对心理学领域的数据的清理，不过或许也适用于其他研究领域的数据。

数据导入

一些R语言教学书籍或者使用R进行数据分析的文献的supplemental materials会提供数据导入的R代码。但有个问题是，他们使用的R包（package）可能比较旧或者不适用于我们自己的数据格式。

因此，无论是对于新手，还是对于熟悉R代码的老手，个人觉得最稳妥的方式都是通过RStudio的Import Dataset按钮进行数据导入。见下图，如果是txt或者csv格式的数据，可以选择From Text的选项，另外可以导入Excel、SPSS、SAS、Stata的数据。

以Excel格式的数据为例。我们可以通过Data Preview区域查看数据是否正确（例如header是否作为变量名），同时在Code Preview区域还会显示对应的R包和代码，个人推荐大家将这些代码复制到R文件中，这样就不需要每次都点击Import Dataset按钮进行导入，直接跑代码就好。

标注缺省值的方法

可以在导入数据时指定某个特定的值（例如-3）作为缺省值。如果没有在数据导入时这么做，也可以通过以下代码实现。

data[data == -3] = NA

去掉某一个column的方法

如下。

data$itemX <- NULL

计算某个量表的总分或均分

例如某个量表有三道题目（Q01、Q02、Q03），我们想计算每个被试在这个量表的总分/均分，并记录到QuestionnaireX这一列中。

计算总分：

data$QuestionnaireX <- data$Q01 + data$Q02 + data$Q03

计算均分：

data$QuestionnaireX <- (data$Q01 + data$Q02 + data$Q03)/3

以上两个都是笨方法，但好处是一看便会用。如果题目较多，计算总分可以用rowSums函数，计算均值可以用rowMeans函数。

反向计分

可以通过psych包的reverse.code函数来实现。

例如某个5点量表有三道题目（Q01、Q02、Q03），其中第二道题应当反向计分。因为是5点量表，所以最小值为1，最大值为5。

代码如下（先取subset，再进行操作）。

data$QuestionnaireX <- subset(data, select=c(Q01, Q02, Q03))
data$QuestionnaireX_new <- reverse.code(keys=c(1,-1,1), data$QuestionnaireX, mini=1, maxi=5)

说明：参数keys用于指定需要反向计分的题目，1表示正向计分，-1表示反向计分。参数mini和maxi是指定计分的范围。

对变量进行重新编码其一：cut函数

如下。这个方法也可以用于对测谎题进行编码，并进而依据作答情况筛选被试。

data$newX <- cut(data$itemX, 
                 breaks=c(0, 3,  6, 9),
                 labels=c("low", "medium", "high"))

说明：在这个例子中，我们根据data$itemX的值进行编码，breaks和labels的意思就是，如果data$itemX这一列的某个单元格的值在(0, 3]，则编码为“low”，如果在(3, 6]，则编码为“medium”，如果在(6, 9]，则编码为“high”。编码的结果赋值到data$newX这一列中。

对变量进行重新编码其二：mutate函数

来自dplyr包的mutate函数可以将数值编码为二分变量。

例如，某道单选题itemX的选项有1、2、3、4、5，其中1是正确答案，我们想将这道题的值重新编码为1和0，1是回答正确，0是回答错误。代码如下。

data <- data %>% mutate(newX = case_when(itemX == 1 ~ 1, TRUE ~ 0))

说明：这里主要通过一个简单的逻辑判断（if……else……）来对题目进行编码。如果data$itemX的值为1，则编码为1，否则编码为0（TRUE在这里的意思相当于else）。编码的结果赋值到data$newX这一列中。

根据测谎题的情况筛选被试

这里提供我的思路，欢迎交流。

思路一：

data <- data[data$itemLIE1 + data$itemLIE2 + data$itemLIE3 + data$itemLIE4 == 4,]

说明：先将所有测谎题编码为二分变量（1=回答正确，0=错误），然后通过一个简单的逻辑判断来筛选特定的row，例如这里有4道测谎题，所以我筛选了所有四道题都回答正确的被试的row。

也可以设置其他判断要求，例如“>=3”代表筛选回答正确三道题目以上的被试；也可以设置为正确率。

思路2:

如何只保留全部回答正确的被试，也可以用subset函数。

data <- subset(data, itemLIE1 == 1 & itemLIE2 == 1 & itemLIE3 == 1 & itemLIE4 == 1)

注意这里也需要先将测谎题编码为二分变量（1=回答正确，0=错误）。

根据某个特定的题目筛选被试

思路一：我们想找出itemX的回答不为1的被试。可以用subset函数：

data <- subset(data, data$itemX != 1)

思路2：我们想找出itemX的回答为2、3或4的被试。可以用dplyr包的filter函数：

data <- filter(data, itemX %in% c(2, 3, 4))

分组

例如，itemX为分类变量，我们想将其作为分组变了，则可以：

data$groupX <- as.factor(data$groupX)

这样做的好处是你可以立刻通过summary函数来查看每组的人数。

匹配两个dataset的被试

例如，你在做一个纵向研究/追踪研究/队列研究，现在手上有两个time point的数据dataT1、dataT2。你希望根据某个独一无二的编号（可能是身份证号、学生/工作证号、被试编号，这里我们称为subID），找出同时完成了两次调查的被试，以便进行后续的分析。

代码如下。

dataT1_matched <- dataT1[dataT1$subID %in% dataT2$subID,]
dataT2_matched <- dataT2[dataT2$subID %in% dataT1$subID,]

筛选后每一行的顺序不一定一一对应（例如某个被试在T1可能在第1行，但在T2可能在第19行），可以通过sort函数基于subID重新排个序。

简单的描述统计其一：快速查看符合特定条件的被试的数量

用nrow函数，代码如下。

nrow(data[data$condition1 == "0" & data$condition2 == "0",])

说明：查看data中condition1的值为0且condition2的值也为0的被试的数量。

简单的描述统计其二：连续变量和分类变量的描述统计

可以用一些函数来快速查看你感兴趣的变量的描述统计结果。连续变量用psych包的describe，分类变量用summarytools包的freq函数。另外stargazer等第三方包可以生成很漂亮的描述统计表。具体就不展开了。

数据导出

推荐导出为csv格式的文件。

可以使用tidyverse包的write_excel_csv2()函数来避免中文字符乱码的问题（该函数默认的编码格式为utf-8）。

write_excel_csv(x=data, file="/Users/weiziqian/Desktop/data_test.csv")

注：数据导入、导出过程中的过程中可能出现中文字符乱码的问题，解决问题的关键在于使用正确的函数，并且参数encoding='utf-8'。

 
----------2022.11.09更新----------
添加了反向计分