R包reshape2，轻松实现长、宽数据表格转换

生物_医药_科研 2018-12-17

展开全文

本文翻译自外文博客，原文链接：https:///2013/10/19/reshape/

一、reshape2 简介

reshape2是由Hadley Wickham编写的R包，可以轻松地在宽格式（wide-format）和长格式（long-format）之间转换数据。

reshape2R包主要有两个主要的功能：melt和cast

melt：将wide-format数据“熔化”成long-format数据；
cast：获取long-format数据“重铸”成wide-format数据。

这两个命名十分形象，方便记忆，你可以想象成你在处理金属。当你熔化金属成液体滴下时，金属会被拉长（long-format）。如果你把金属它铸成一个模子，它就会变宽（wide-format）。

二、什么是宽表格和长表格

示例数据说明：例子使用内置于R中的空气质量数据集（airquality）。

每个变量单独成一列的为宽数据，例如：

##      ozone      wind     temp## 1 23.61538 11.622581 65.54839## 2 29.44444 10.266667 79.10000## 3 59.11538  8.941935 83.90323## 4 59.96154  8.793548 83.96774

而长数据中变量的ID没有单独列成一列，而是整合在同一列。

长数据矩阵中一列代表变量类型，另外一列表示对用的变量值。例如：

##    variable     value## 1     ozone 23.615385## 2     ozone 29.444444## 3     ozone 59.115385## 4     ozone 59.961538## 5      wind 11.622581## 6      wind 10.266667## 7      wind  8.941935## 8      wind  8.793548## 9      temp 65.548387## 10     temp 79.100000## 11     temp 83.903226## 12     temp 83.967742

这并不表示长数据只有两列，比如我们会记录下每个月每天每个空气指标的值，而每个月的天数不一定相等，所以就会出现第三列记录日期。

一般我们实验记录的数据格式（大多习惯用宽表格记录数据）和我们后期用R绘图所用到的数据格式往往不一样，例如ggplot2、plyr，还有大多数建模函数lm()、glm()、gam()等经常会使用长表格数据来作图，这时用reshape2包来转换实验记录的宽表格数据会十分方便。

Wide- to long-format data: the melt function

例子使用内置于R中的空气质量数据集（airquality）。首先，我们将列名更改为小写方便使用。然后查看一下数据：

names(airquality) <->

##   ozone solar.r wind temp month day## 1    41     190  7.4   67     5   1## 2    36     118  8.0   72     5   2## 3    12     149 12.6   74     5   3## 4    18     313 11.5   62     5   4## 5    NA      NA 14.3   56     5   5## 6    28      NA 14.9   66     5   6

如果我们使用所有默认参数运行melt会发生什么呢？

library(reshape2)     #  首先加载一下reshape2包aql <- melt(airquality)="" #="" 命名取首字母：[a]ir="" [q]uality="" [l]ong="" formathead(aql)=""  #="" 查看数据前6列tail(aql)=""  ="" #="">

每一步返回的结果：

## No id variables; using all as measure variables## head(aql)##   variable value## 1    ozone    41## 2    ozone    36## 3    ozone    12## 4    ozone    18## 5    ozone    NA## 6    ozone    28## tail(aql)##     variable value## 913      day    25## 914      day    26## 915      day    27## 916      day    28## 917      day    29## 918      day    30

默认情况下melt会认为全部为数值的每一列都是带有变量的值，包括月份和日期，都合并在了一起，标题行置于variable列，数值置于value列。但是有的时候我们想知道每月里面每一天空气指标臭氧、太阳、风和温度的值，这个时候我们可以设置id.vars=c('')来去除指定的列，只将其他数据做变形。

aql <- melt(airquality,="" id.vars="c('month',">

##   month day variable value## 1     5   1    ozone    41## 2     5   2    ozone    36## 3     5   3    ozone    12## 4     5   4    ozone    18## 5     5   5    ozone    NA## 6     5   6    ozone    28

如果我们想控制长数据中的列名怎么办呢？

aql <- melt(airquality,="" id.vars="c('month'," 'day'),=""  variable.name='climate_variable' ,=""  value.name='climate_value'>

##   month day climate_variable climate_value## 1     5   1            ozone            41## 2     5   2            ozone            36## 3     5   3            ozone            12## 4     5   4            ozone            18## 5     5   5            ozone            NA## 6     5   6            ozone            28

Long- to wide-format data: the cast functions

首先使用dcast函数将上面转换后的宽数据转换成长数据。用month + day ~ variable告诉dcast月份和日期是变量，转换成的长数据与原始数据除了变量列的序号不一样，其他都一致。

aql <- melt(airquality,="" id.vars="c('month'," 'day'))aqw=""><- dcast(aql,="" month="" +="" day="" ~="" variable)head(aqw)head(airquality)="" #="" original="">

##   month day ozone solar.r wind temp## 1     5   1    41     190  7.4   67## 2     5   2    36     118  8.0   72## 3     5   3    12     149 12.6   74## 4     5   4    18     313 11.5   62## 5     5   5    NA      NA 14.3   56## 6     5   6    28      NA 14.9   66## original data##   ozone solar.r wind temp month day## 1    41     190  7.4   67     5   1## 2    36     118  8.0   72     5   2## 3    12     149 12.6   74     5   3## 4    18     313 11.5   62     5   4## 5    NA      NA 14.3   56     5   5## 6    28      NA 14.9   66     5   6

如果你还不明白上面发生了什么，下面我们使用一张图解来展示：

蓝色阴影表示我们想要表示的各个行的ID变量，红色表示想要转换成列名的变量名，灰色表示要在单元格中填充的数据。

易错点

当每个单元格有多个值时（比如我们想以月而不是天来查看空气指标值，而每个月有多个数据），我们可能会犯一个错。

下面来一个错误示范，这次我们不再将day作为变量：

dcast(aql, month ~ variable)

##   month ozone solar.r wind temp## 1     5    31      31   31   31## 2     6    30      30   30   30## 3     7    31      31   31   31## 4     8    31      31   31   31## 5     9    30      30   30   30

当我们在R运行上面的命令时，会返回一条提示信息：

## Aggregation function missing: defaulting to length

查看输出数据时发现，每个单元格填充的数据为每个月的记录天数，并非每个测量指标值。当我们转换数据并且每个单元格有多个值时，还需要使用fun.aggregate=告知dcast以什么方式重新组合数据，是平均值（mean）、中位数（median）还是总和（sum）。

下面我们试试以平均值来重新组合数据，并使用参数na.rm=TRUE来删除空值NA。

dcast(aql, month ~ variable, fun.aggregate = mean, na.rm = TRUE)

##   month    ozone  solar.r      wind     temp## 1     5 23.61538 181.2963 11.622581 65.54839## 2     6 29.44444 190.1667 10.266667 79.10000## 3     7 59.11538 216.4839  8.941935 83.90323## 4     8 59.96154 171.8571  8.793548 83.96774## 5     9 31.44828 167.4333 10.180000 76.90000