Kapitel 58 Wide oder Long so lang wie breit

Wir lieben weite Landschaften.

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyr)
library(kableExtra)

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

Dies ist eine sehr schwierige Übung; das Umformen von Daten macht mich in R wahnsinnig. Tun Sie dies nicht, wenn Sie gestresst sind.

Zuerst simulieren wir ein paar Daten

library(kableExtra)
id<-1:5
    pain_t1<-c(rnorm(5,5,2))
    pain_t2<-c(rnorm(5,5.2,2.2))
    pain_t3<-c(rnorm(5,6,2)) 
    
    df_pain_wide<-cbind.data.frame(id, pain_t1, pain_t2, pain_t3)
  kbl(df_pain_wide) %>% kable_styling()

id	pain_t1	pain_t2	pain_t3
1	4.477547	0.6891036	5.502578
2	5.778489	4.1823753	3.960967
3	3.714936	7.5441658	1.806426
4	1.100044	4.0373206	2.632779
5	4.646760	6.1326351	4.034842

library(tidyr)
    df_pain_long<-df_pain_wide %>% 
      pivot_longer(
        cols= 2:4, 
        names_to = "timepoint",
        names_prefix = "pain_t",
        values_to="pain"
      )
    
    kbl(df_pain_long) %>% kable_styling()

id	timepoint	pain
1	1	4.4775467
1	2	0.6891036
1	3	5.5025783
2	1	5.7784891
2	2	4.1823753
2	3	3.9609670
3	1	3.7149358
3	2	7.5441658
3	3	1.8064256
4	1	1.1000442
4	2	4.0373206
4	3	2.6327794
5	1	4.6467597
5	2	6.1326351
5	3	4.0348420

Um zu verstehen, was der Code macht, schauen Sie sich an, was passiert, wenn wir kein names_prefix setzen:

    df_pain_long<-df_pain_wide %>% 
      pivot_longer(
        cols= 2:4, 
        names_to = "timepoint",
        values_to="pain"
      )
    kbl(df_pain_long) %>% kable_styling()

id	timepoint	pain
1	pain_t1	4.4775467
1	pain_t2	0.6891036
1	pain_t3	5.5025783
2	pain_t1	5.7784891
2	pain_t2	4.1823753
2	pain_t3	3.9609670
3	pain_t1	3.7149358
3	pain_t2	7.5441658
3	pain_t3	1.8064256
4	pain_t1	1.1000442
4	pain_t2	4.0373206
4	pain_t3	2.6327794
5	pain_t1	4.6467597
5	pain_t2	6.1326351
5	pain_t3	4.0348420

rm(df_pain_wide) # for this exercise, we delete df_pain_wide, just to re-create it
    # https://tidyr.tidyverse.org/reference/pivot_wider.html 
    
    df_pain_wide<-df_pain_long %>% 
      pivot_wider(
      names_from = timepoint, 
      values_from=pain,
      )
    
    kbl(df_pain_wide) %>% kable_styling()

id	pain_t1	pain_t2	pain_t3
1	4.477547	0.6891036	5.502578
2	5.778489	4.1823753	3.960967
3	3.714936	7.5441658	1.806426
4	1.100044	4.0373206	2.632779
5	4.646760	6.1326351	4.034842

58.1 Jetzt erstellen wir ein etwas komplexeres Beispiel mit zwei Variablen:

id<-1:20
    pain_t1<-c(rnorm(20,5,0.8))
    pain_t2<-c(rnorm(20,5.2,1))
    pain_t3<-c(rnorm(20,6,1))        
    depression_t1<-rnorm(20,3,1.5)    
    depression_t2<-rnorm(20,2.3,1.2)    
    depression_t3<-rnorm(20,2,1)    

    df_wide<-cbind.data.frame(id, pain_t1, pain_t2, pain_t3, depression_t1,depression_t2, depression_t3)    
kbl(df_wide) %>% kable_styling()

id	pain_t1	pain_t2	pain_t3	depression_t1	depression_t2	depression_t3
1	5.656984	2.819316	5.815402	3.885715	2.0421460	1.5214934
2	6.165082	5.529996	7.583380	2.539429	2.0003762	2.5848875
3	5.531116	6.203559	4.263717	1.720150	3.7065487	2.5164596
4	5.871913	4.494053	5.098977	3.677762	3.0315677	0.4705033
5	4.130856	5.084113	5.002438	1.802936	1.1359716	0.5163920
6	5.698688	6.774785	5.631553	1.800300	3.5014509	4.0980196
7	4.103681	6.371349	7.105606	2.421270	2.2331449	3.9944306
8	5.061298	6.351247	4.317741	2.310692	2.0161379	3.3254441
9	5.497747	4.824040	6.524044	5.370380	2.5366711	1.4734719
10	4.564592	5.644271	5.227413	2.218900	1.4162920	2.1811705
11	3.352520	6.479761	6.433863	3.699441	0.7152843	1.8664987
12	5.539580	5.564063	5.544053	2.555122	3.9129574	2.3375691
13	6.307981	6.872753	6.468923	3.298944	2.0905369	1.9945405
14	4.775065	4.440590	6.859823	2.085893	1.8472488	2.6521203
15	4.927217	4.793689	6.320824	1.342637	2.3073442	0.7300040
16	7.297372	4.465633	7.419043	5.449281	3.4720211	2.8194853
17	4.240963	4.795546	6.239813	1.039829	1.6175661	1.0833755
18	4.599539	5.395504	6.049200	3.290007	0.0489657	2.0439870
19	5.612096	6.391864	5.371284	4.045980	3.7580677	2.1667151
20	5.599089	5.616377	7.023909	2.606809	5.4713226	2.8584734

58.2 Diese Daten sind im wide Format - Jetzt wollen wir sie in das long Format umwandeln.

• Bemerkung: bei der Zeile cols = 2:7, hätten wir auch folgendes schreiben können: cols = -id,

library(tidyr) 
    # https://tidyr.tidyverse.org/reference/pivot_longer.html 
    
df_long<-df_wide %>%
    pivot_longer(
        cols = 2:7,
        names_to = c(".value", "time"),
        names_sep = '_')

kbl(df_long) %>% kable_styling()

id	time	pain	depression
1	t1	5.656984	3.8857152
1	t2	2.819316	2.0421460
1	t3	5.815402	1.5214934
2	t1	6.165082	2.5394288
2	t2	5.529996	2.0003762
2	t3	7.583380	2.5848875
3	t1	5.531116	1.7201501
3	t2	6.203559	3.7065487
3	t3	4.263717	2.5164596
4	t1	5.871913	3.6777623
4	t2	4.494053	3.0315677
4	t3	5.098977	0.4705033
5	t1	4.130856	1.8029359
5	t2	5.084113	1.1359716
5	t3	5.002438	0.5163920
6	t1	5.698688	1.8003003
6	t2	6.774785	3.5014509
6	t3	5.631553	4.0980196
7	t1	4.103681	2.4212700
7	t2	6.371349	2.2331449
7	t3	7.105606	3.9944306
8	t1	5.061298	2.3106923
8	t2	6.351247	2.0161379
8	t3	4.317741	3.3254441
9	t1	5.497747	5.3703800
9	t2	4.824040	2.5366711
9	t3	6.524044	1.4734719
10	t1	4.564592	2.2189000
10	t2	5.644271	1.4162920
10	t3	5.227413	2.1811705
11	t1	3.352520	3.6994405
11	t2	6.479761	0.7152843
11	t3	6.433863	1.8664987
12	t1	5.539580	2.5551217
12	t2	5.564063	3.9129574
12	t3	5.544053	2.3375691
13	t1	6.307981	3.2989440
13	t2	6.872753	2.0905369
13	t3	6.468923	1.9945405
14	t1	4.775065	2.0858934
14	t2	4.440590	1.8472488
14	t3	6.859823	2.6521203
15	t1	4.927217	1.3426371
15	t2	4.793689	2.3073442
15	t3	6.320824	0.7300040
16	t1	7.297372	5.4492815
16	t2	4.465633	3.4720211
16	t3	7.419043	2.8194853
17	t1	4.240963	1.0398285
17	t2	4.795546	1.6175661
17	t3	6.239813	1.0833755
18	t1	4.599539	3.2900068
18	t2	5.395504	0.0489657
18	t3	6.049200	2.0439870
19	t1	5.612096	4.0459801
19	t2	6.391864	3.7580677
19	t3	5.371284	2.1667151
20	t1	5.599089	2.6068093
20	t2	5.616377	5.4713226
20	t3	7.023909	2.8584734

58.3 Für diese Übung löschen wir df_wide, nur um es neu zu erstellen (von long wieder zu wide umzustellen).

rm(df_wide) 
    # https://tidyr.tidyverse.org/reference/pivot_wider.html 
    
    df_wide<-df_long %>% 
      pivot_wider(
        names_from = "time", 
        values_from=c("pain","depression"))
    
kbl(df_wide) %>% kable_styling()

id	pain_t1	pain_t2	pain_t3	depression_t1	depression_t2	depression_t3
1	5.656984	2.819316	5.815402	3.885715	2.0421460	1.5214934
2	6.165082	5.529996	7.583380	2.539429	2.0003762	2.5848875
3	5.531116	6.203559	4.263717	1.720150	3.7065487	2.5164596
4	5.871913	4.494053	5.098977	3.677762	3.0315677	0.4705033
5	4.130856	5.084113	5.002438	1.802936	1.1359716	0.5163920
6	5.698688	6.774785	5.631553	1.800300	3.5014509	4.0980196
7	4.103681	6.371349	7.105606	2.421270	2.2331449	3.9944306
8	5.061298	6.351247	4.317741	2.310692	2.0161379	3.3254441
9	5.497747	4.824040	6.524044	5.370380	2.5366711	1.4734719
10	4.564592	5.644271	5.227413	2.218900	1.4162920	2.1811705
11	3.352520	6.479761	6.433863	3.699441	0.7152843	1.8664987
12	5.539580	5.564063	5.544053	2.555122	3.9129574	2.3375691
13	6.307981	6.872753	6.468923	3.298944	2.0905369	1.9945405
14	4.775065	4.440590	6.859823	2.085893	1.8472488	2.6521203
15	4.927217	4.793689	6.320824	1.342637	2.3073442	0.7300040
16	7.297372	4.465633	7.419043	5.449281	3.4720211	2.8194853
17	4.240963	4.795546	6.239813	1.039829	1.6175661	1.0833755
18	4.599539	5.395504	6.049200	3.290007	0.0489657	2.0439870
19	5.612096	6.391864	5.371284	4.045980	3.7580677	2.1667151
20	5.599089	5.616377	7.023909	2.606809	5.4713226	2.8584734

58.4 Manchmal führen Umwege zum Ziel: Von Wide to Long to Long-Wide

Wir schauen uns ein Beispiel an, bei dem wir zwei Variablen haben, die wir als long darstellen können: Einerseits der Ort der Probleme, hier Knie und Hüfte, anderseits die drei Messgrössen (“Outcomes”) Gehtest, Sit to Stand Test, und der Hop Test. So sehen die Daten aus: Die Daten sind schon zusammengefasst, das heisst, wir haben hier nicht die Werte einzelner Patient:innen, sondern schon zusammengefasste Werte (d.h. die prozentualen Veränderungen der Mittelwerte).Aber das Prinzip bleibt gleich bei Daten einzelner Patient:innen.
Wir könnten sagen, dass die Daten long-wide sind, da die Variable Gelenk als long formatiert ist (d.h. für jede Kategorie der Variable Gelenk eine Zeile), und die Variable Outcome ist hier als wide formatiert (d.h. es gibt keine Variable Outcome die für jede Kategorie eine Zeile hat, sondern bei der Variable perc_change ist jeweils das Outcome angehängt, also im wide Format).

data_long_wide<-rio::import("http://www.pt-wissen.ch/Statistik_BSc_Physiotherapie_Leukerbad/summary_walk_sit_hop.csv", encoding="UTF-8")
kbl(data_long_wide, caption='Daten im long-wide Format') %>% kable_styling()

Table 58.1: Daten im long-wide Format

Gelenk	perc_change_Geh_Test	perc_change_Sit_to_Stand_Test	perc_change_Hop_Test
Hüfte	8%	17%	6%
Knie	9%	18%	27%

Nun werden wir zuerst die Daten komplett ins long Format transformieren. In diesem Fall könnte man sagen, dass danach die Daten im long-long Format sind, da beide Variablen Gelenk und Outcome als long formatiert sind.

data_long_long<-data_long_wide %>% 
  pivot_longer(
        cols= starts_with("perc"), 
        names_to = "Outcome",
        names_prefix = "perc_change_",
        values_to="value"
      ) 
kbl(data_long_long, caption='Daten im long-long Format') %>% kable_styling()

Table 58.2: Daten im long-long Format

Gelenk	Outcome	value
Hüfte	Geh_Test	8%
Hüfte	Sit_to_Stand_Test	17%
Hüfte	Hop_Test	6%
Knie	Geh_Test	9%
Knie	Sit_to_Stand_Test	18%
Knie	Hop_Test	27%

Doch wir möchten nun eine Tabelle, in der die beiden Gelenke Knie und Hüfte je eine Spalte besetzen. Deshalb transformieren wir die long-long Daten in ein wide-long format.

data_wide_long<-data_long_long %>% 
   pivot_wider(
      names_from = Outcome, 
      values_from=value,
      )
kbl(data_wide_long, caption='Daten im wide-long Format') %>% kable_styling()

Table 58.3: Daten im wide-long Format

Gelenk	Geh_Test	Sit_to_Stand_Test	Hop_Test
Hüfte	8%	17%	6%
Knie	9%	18%	27%

Natürlich könnten wir es auch gerade umgekehrt darstellen.

data_wide_long2<-data_long_long %>% 
   pivot_wider(
      names_from = Gelenk, 
      values_from=value,
      )
kbl(data_wide_long2, caption='Daten im wide-long Format') %>% kable_styling()

Table 58.4: Daten im wide-long Format

Outcome	Hüfte	Knie
Geh_Test	8%	9%
Sit_to_Stand_Test	17%	18%
Hop_Test	6%	27%

58.5 Oh, ein Beispiel haben wir noch.

Wir haben drei Variablen mit den Antwortsoptionen für die STarTBack Risiko-Kategorien Low, Medium, High-Risk. Siehe hier.

set.seed(666)
id=1:200
Kategorie.t0=sample(c("Low-Risk", "Medium-Risk", "High-Risk"), size=200, replace=TRUE, prob=c(0.34, 0.42, 0.24))
Kategorie.t1=sample(c("Low-Risk", "Medium-Risk", "High-Risk", NA), size=200, replace=TRUE, prob=c(0.38, 0.39, 0.20,0.03))
Kategorie.t2=sample(c("Low-Risk", "Medium-Risk", "High-Risk", NA), size=200, replace=TRUE, prob=c(0.38, 0.37, 0.19,0.06))

data<-data.frame(id, Kategorie.t0, Kategorie.t1, Kategorie.t2)


head(data)

##   id Kategorie.t0 Kategorie.t1 Kategorie.t2
## 1  1    High-Risk  Medium-Risk         <NA>
## 2  2  Medium-Risk  Medium-Risk    High-Risk
## 3  3    High-Risk  Medium-Risk    High-Risk
## 4  4  Medium-Risk  Medium-Risk     Low-Risk
## 5  5  Medium-Risk         <NA>  Medium-Risk
## 6  6     Low-Risk     Low-Risk     Low-Risk

Wir möchten nun eine Tabelle erstellen, um die relative Häufigkeit der Kategorien zu berechnen. Das können wir zum Beispiel tun, indem wir die Tabelle zuerst in ein long Format umwandeln.

By the way, natürlich könnten wir dies mit summarytools::freq(data$Kategorie.t0) etc sehr einfach tun. Doch manchman möchten wir die Tabelle mit den Zusammenfassungen noch für weitere Analysen benutzen, wie zum Beispiel die Berechnungen der Veränderungen oder für ggplot Graphiken.

Hier das Beispiel mit summarytools::freq.

summarytools::freq(data$Kategorie.t0)

## Frequencies  
## data$Kategorie.t0  
## Type: Character  
## 
##                     Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ----------------- ------ --------- -------------- --------- --------------
##         High-Risk     49     24.50          24.50     24.50          24.50
##          Low-Risk     65     32.50          57.00     32.50          57.00
##       Medium-Risk     86     43.00         100.00     43.00         100.00
##              <NA>      0                               0.00         100.00
##             Total    200    100.00         100.00    100.00         100.00

Nun machen wir es aber auf die harte Tour:

data_long<-data %>% 
  pivot_longer(cols=-id, 
               names_pattern="(.+)\\.(.+)", 
                names_to=c(".value", "Zeitpunkt"))

head(data_long)

## # A tibble: 6 × 3
##      id Zeitpunkt Kategorie  
##   <int> <chr>     <chr>      
## 1     1 t0        High-Risk  
## 2     1 t1        Medium-Risk
## 3     1 t2        <NA>       
## 4     2 t0        Medium-Risk
## 5     2 t1        Medium-Risk
## 6     2 t2        High-Risk

Nun können mit der dplyr::summarise Funktion sehr einfach die Prozente berechnen.

In der Variante 1 berechnen wir die Prozente unter Berücksichtigung der fehlenden Werte (d.h. 100 bezieht sich auf den kompletten Datensatz von 200, und wir berechnen die Prozente der Missing Values auch).

summary_table_variante_1<-data_long %>% 
  group_by(Zeitpunkt, Kategorie) %>% 
  summarise(n=n()) %>% 
  mutate(Prozente=round(n/sum(n)*100,1))

## `summarise()` has grouped output by 'Zeitpunkt'. You can override using the
## `.groups` argument.

kbl(summary_table_variante_1, caption="Absolute und relative Häufigkeit berechnet auf 200 Personen.") %>% kable_styling()

Table 7.1: Absolute und relative Häufigkeit berechnet auf 200 Personen.

Zeitpunkt	Kategorie	n	Prozente
t0	High-Risk	49	24.5
t0	Low-Risk	65	32.5
t0	Medium-Risk	86	43.0
t1	High-Risk	45	22.5
t1	Low-Risk	77	38.5
t1	Medium-Risk	72	36.0
t1	NA	6	3.0
t2	High-Risk	40	20.0
t2	Low-Risk	75	37.5
t2	Medium-Risk	77	38.5
t2	NA	8	4.0

In der nächsten Variante berechnen wir die Prozente nur in Bezug auf die Personen, die keine Missing Values haben. Wir brauchen dazu wieder die length2 Funktion. Dank geht auch hier wieder an http://www.cookbook-r.com/Manipulating_data/Summarizing_data/. Damit wir in der Tabelle die Missing Values auch als Prozente sehen, müssen wir etwas tricksen. Die Prozente der Missing Values beziehen sich auf die 200 Personen. Die Prozente der nicht fehlenden Kategorien beziehen sich hier auf die Personen ohne Missing Values in der Variable Kategorie.

    # New version of length which can handle NA's: if na.rm==T, don't count them
    length2 <- function (x, na.rm=FALSE) {
        if (na.rm) sum(!is.na(x))
        else       length(x)
    }


summary_table_variante_2<-data_long %>% 
  group_by(Zeitpunkt, Kategorie) %>% 
  summarise(n=length2(Kategorie, na.rm=TRUE),
            total_incl_missing=n(),
            missing=sum(is.na(Kategorie))) %>% 
  mutate(Prozente=round(ifelse(is.na(Kategorie),missing/sum(total_incl_missing)*100, n/sum(n)*100),1)) %>% 
  mutate(n=ifelse(is.na(Kategorie), missing, n)) %>% 
  select(-missing,-total_incl_missing)

kbl(summary_table_variante_2, caption="Absolute und relative Häufigkeit berechnet auf Personen ohne Missing Values in der Variable Kategorie.") %>% kable_styling()

Table 54.2: Absolute und relative Häufigkeit berechnet auf Personen ohne Missing Values in der Variable Kategorie.

Zeitpunkt	Kategorie	n	Prozente
t0	High-Risk	49	24.5
t0	Low-Risk	65	32.5
t0	Medium-Risk	86	43.0
t1	High-Risk	45	23.2
t1	Low-Risk	77	39.7
t1	Medium-Risk	72	37.1
t1	NA	6	3.0
t2	High-Risk	40	20.8
t2	Low-Risk	75	39.1
t2	Medium-Risk	77	40.1
t2	NA	8	4.0

Das gleiche Ergebnis bekommen wir mit folgendem Code, ausser dass wir die Missing Values nicht ausgeben können.

summary_table_variante_3<-data_long %>% 
  filter(!is.na(Kategorie)) %>% 
  group_by(Zeitpunkt, Kategorie) %>% 
  summarise(n=n()) %>% 
  mutate(Prozente=round(n/sum(n)*100,1))
kbl(summary_table_variante_3, caption="Absolute und relative Häufigkeit berechnet auf 200 Personen.") %>% kable_styling()

Table 58.5: Absolute und relative Häufigkeit berechnet auf 200 Personen.

Zeitpunkt	Kategorie	n	Prozente
t0	High-Risk	49	24.5
t0	Low-Risk	65	32.5
t0	Medium-Risk	86	43.0
t1	High-Risk	45	23.2
t1	Low-Risk	77	39.7
t1	Medium-Risk	72	37.1
t2	High-Risk	40	20.8
t2	Low-Risk	75	39.1
t2	Medium-Risk	77	40.1

58.6 Häufigkeitstabellen mit mehr als einer Variable

Wenn wir mehr als eine Variable haben, müssen wir nach der ersten long umwandlung noch ein zweites Mal pivot_longer ausführen.

data<-rio::import("http://www.pt-wissen.ch/Statistik_BSc_Physiotherapie_Leukerbad/zufriedenheit.csv", encoding="UTF-8") 

data_long<-data%>% 
  pivot_longer(cols=everything(), 
               names_pattern = "(.+)\\.(.+)", 
               names_to=c(".value", "Zeitpunkt")) 
DT::datatable(data_long)

So wie die Daten jetzt sind, können wir noch nicht einfach eine Häufigkeitstabelle erstellen. Einfacher geht es, wenn wir noch einmal pivot_longer anwenden.

data_long_long<-data_long %>% 
    pivot_longer(cols=-Zeitpunkt, 
               names_to="Variable", 
               values_to="Zufriedenheit")
DT::datatable(data_long_long)

Jetzt können wir ganz einfach mit dplyr::sumarise eine Häufigkeitstabelle erstellen. Damit wir die Missing Values korrekt berücksichtigen, müssen wir die lehren Zellen mit NA ersetzen und wieder die length2 Funktion benutzen.

data_long_long[data_long_long==""]<-NA

length2 <- function (x, na.rm=FALSE) {
        if (na.rm) sum(!is.na(x))
        else       length(x)
    }
summary_table_Zufriedenheit<-data_long_long %>% 
  group_by(Zeitpunkt, Variable, Zufriedenheit) %>% 
  summarise(n=length2(Zufriedenheit, na.rm=TRUE),
            total_incl_missing=n(),
            missing=sum(is.na(Zufriedenheit))) %>% 
  mutate(Prozente=round(ifelse(is.na(Zufriedenheit),missing/sum(total_incl_missing)*100, n/sum(n)*100),1)) %>% 
  mutate(n=ifelse(is.na(Zufriedenheit), missing, n)) %>% 
  select(-missing,-total_incl_missing)

## `summarise()` has grouped output by 'Zeitpunkt', 'Variable'. You can override
## using the `.groups` argument.

kableExtra::kbl(summary_table_Zufriedenheit) %>% kableExtra::kable_styling()

Zeitpunkt	Variable	Zufriedenheit	n	Prozente
t1	Zufrieden_mit.Therapie	In hohem Masse	3	13.0
t1	Zufrieden_mit.Therapie	Mässi	2	8.7
t1	Zufrieden_mit.Therapie	Sehr	18	78.3
t1	Zufrieden_mit.Zustand	Ja	10	43.5
t1	Zufrieden_mit.Zustand	Nein	7	30.4
t1	Zufrieden_mit.Zustand	Sehr	6	26.1
t2	Zufrieden_mit.Therapie	Mässi	4	30.8
t2	Zufrieden_mit.Therapie	Sehr	9	69.2
t2	Zufrieden_mit.Therapie	NA	10	43.5
t2	Zufrieden_mit.Zustand	In hohem Masse	1	4.8
t2	Zufrieden_mit.Zustand	Ja	1	4.8
t2	Zufrieden_mit.Zustand	Mässi	6	28.6
t2	Zufrieden_mit.Zustand	Nein	4	19.0
t2	Zufrieden_mit.Zustand	Sehr	9	42.9
t2	Zufrieden_mit.Zustand	NA	2	8.7
t3	Zufrieden_mit.Therapie	Mässi	3	27.3
t3	Zufrieden_mit.Therapie	Nein	3	27.3
t3	Zufrieden_mit.Therapie	Sehr	5	45.5
t3	Zufrieden_mit.Therapie	NA	12	52.2
t3	Zufrieden_mit.Zustand	Mässi	2	18.2
t3	Zufrieden_mit.Zustand	Nein	2	18.2
t3	Zufrieden_mit.Zustand	Sehr	7	63.6
t3	Zufrieden_mit.Zustand	NA	12	52.2

Ob breit, ob lang, wir lieben alle Daten, sorry, Dackel.