R中的数据：长格式和宽格式

本文概述

• 数据
• 长与宽
• 从宽格式到长格式
• 从R中的长数据到宽数据
• 总结

本文带你了解为什么要将数据从长格式转换为宽格式，反之亦然，并探索如何使用melt()和dcast()在R中实现这一点

有时候人们需要将长格式的数据(你称其为”长格式”, 以后会清楚说明)转换为宽格式, 反之亦然。现实生活中的数据有各种各样的格式, 但是大多数R函数都是为一种特定形式设计的。

例如, 对于长格式, 将设计用于混合线性建模的lme4 :: lmer(), 用于可视化的ggplot2 :: ggplot()。但是还有其他针对宽格式设计的函数, 例如mosaicplot()。这意味着你需要转换表格以进行分析或可视化, 除非已经处理过数据且格式正确。

R中有几种用于格式转换的选项, 但是当你刚入门时, 它会变得非常混乱。

本教程将向你展示如何理解在长格式和宽格式之间转换数据的机制。你将探索以下主题：

• 你将了解有关长格式的更多信息。
• 然后, 你将了解广泛的形式。
• 你将回顾长格式和宽格式之间的差异；
• 之后, 你将看到从一种形式转换到另一种形式需要采取的步骤。
• 最后, 你将在R的帮助下实现所有这些功能。你将学习如何使用melt()和dcast()函数将长格式转换为宽格式。

数据

该表显示了一个小地方的婴儿身高。身高是从2011年到2015年的测量值。你可能已经知道, NA表示”不可用”。从NA的位置, 你可以算出婴儿的年龄, 但婴儿的确切年龄却不高可从表中获得。这张表看起来井井有条, 但是对于任何想研究婴儿成长的人来说, 都有一个问题：重要的信息不是测量婴儿的绝对时间, 而是测量婴儿的年龄。你可以将此信息插入表格吗？在下面, 你可以看到一种方法：

NA的数量有所增加。 ##宽格式数据但是, 如果你想传达一个婴儿多少个月的时间, 该怎么办？就像这样：

上表中有大量的NA。如果婴儿的相对测量时间不同, 那么宽的形式会浪费很多空间。另一种选择是包括2015年的婴儿年龄, 但这只有在绝对测量时间都相同的情况下才可能。如果婴儿的测量时间相差数月, 而你想知道以月为单位的年龄, 则该方法无效。那么这个例子似乎是唯一的方法。在这种情况下, 你可以考虑使用长格式。 ##长格式数据一位婴儿的所有测量结果均以宽格式显示在一行中, 而你只会看到一位婴儿的所有测量值以长格式显示。获取后者的最简单方法是在一行中显示孩子的名字, 测量时间和测量值(身高)。这正是该表显示的内容：

如果按名称对数据进行排序, 则会得到类似下表所示的内容。显然, 该表比上面的表3占用的空间要小！

长与宽

再次注意宽格式和长格式之间的根本区别：一个简单的区别是, 宽格式在一行中显示了一个人的许多测量结果, 而列名显示了这些测量结果。

下表连续显示了利亚姆·布朗(Liam Brown)在2011-2015年的身高：

在长形Liam Brown的身高中, 一栏显示：

如你所见, 你不知道什么是测量值。如果记下列名称, 则看起来像这样：

但是, 这有它自己的问题。索菲亚·约翰逊(Sophia Johnson)的身高未在2011-2014年进行测量。因此, 如你在下面看到的, 无法轻松设置列名：

从宽格式到长格式

可以将宽格式转换为长格式是逐步的过程。在将一行中的度量转换为一列之前, 你可以使表的制作方式使其每行中仅包含一个度量。让我们对此表进行操作：

结果如下表所示：

在将分散在各列中的度量收集到一列之前, 你需要再创建一列以说明度量是什么, 如下所示：

列名称通常是”度量”或”键”。你可以在上表中注意到, 列名和一列中分别有” age0″, ” age1″, ” age2″, ” age3″, ” age4″, ” age5″。如果省略列名, 则表如下所示。

由于每一行只有一个度量, 因此你可以将它们收集到一列中, 结果将如下所示：

让我们为所有度量创建新的列名称。通常, 它被命名为”值”：

让我们看看上表。你是否注意到”年龄”在重复？你可以省略重复的实体, 这将为你提供以下结果：

在每一行中重复的年龄现在是列名。上表中的列名值可以更具体。你将其替换为高度, 这更具有启发性。你可以在下表中看到结果：

让我们将表15与表17进行比较。值(表15的列名称之一)可以表示任何含义, 但是表17的高度具有非常特殊的含义：它只能指定高度, 而表15中的值可以是任何值, 例如身高, 体重, 速度或颜色。另一种方式如下所示：

让我们考虑一下其中的度量是多种多样的情况。如果测量的是身高, 体重和体重指数, 则如下表所示。但是在这种情况下, 列值具有不同比例的数值, 因此读取它们可能会造成混淆。在此表中, 身高以厘米为单位, 体重以千克为单位：

因此, 在将宽格式转换为长格式时, 需要确定将哪些值收集到一列中。之后, 你可以确定列名称。

让我们总结一下到目前为止所讲的内容：要将width- from从long转换为long-form, 需要确定要修改的列是否位于一列中。这样做时, 许多列被合并为一列。因此, 你需要该列的列名, 你可以在下表中看到它：

让我们看一下上表中的ID1和ID2列。 id2没有指定个人, 但它是个人的属性(性别)。换句话说, 你可以说这是一个度量。因此, 你可以将其转换为较长格式。最长格式由三列组成, 分别是id, key和value。

上表显示了表25中最长的格式。但是不同的人可以使用相同的名字。

在这种情况下, 长格式可能会造成混淆, 因为id不能指定一个人。你可以在名称后面加上数字以区分人员(例如, 使用R函数make.unique()), 但是你无法将更改后的名称与原始名称与数字区分开。想想一个真正的名字叫” John.2″的人！

解决此问题的明显方法是为其他人分配不同的号码ID。在这种情况下, 名称是另一个度量。

下表显示, 即使名称也被视为度量。从某种意义上说, 这是真正的最长格式。

最长的形式是制作宽格式的最简单形式。如果将表20至表25中所示的将宽格式转换为长格式的过程反向进行, 则可以进入宽格式。下表显示了此过程：

将宽格式转换为长格式的关键因素是决定将哪些列收集为一列。

但这不必只是一栏。如有必要, 你可以使用两列, 如下表所示：

你能把它做成长形吗？

h2011, h2012, w2011, w2012列是2011年和2012年的平均身高和体重。身高和体重的测量单位为厘米, 公斤。因此, 高度和重量都只能使用一列, 也可以在此表中使用两列：

这是长格式还是宽格式？

从R中的长数据到宽数据

让我们用R进行长形和宽形之间的覆盖。有许多功能和软件包可用于此任务。

在这里, 我将解释如何使用reshape2包的melt()和dcast()函数。原因是stack()和unstack()是基本函数, 因此需要对它们的结果进行后处理。请注意, gather()和spread()是tidyr函数, 它们也非常流行, 但本教程将不介绍它们。

你可能可以使用的另一个功能是stats包随附的reshape()。实际上, 不要为此功能感到困惑, 因为还有一个名为reshape的软件包！该软件包与reshape2一起为那些为reshape()苦苦挣扎的人而开发。另外, 函数reshape()似乎假设数据是纵向的, 这意味着测量会随时间重复。

让我们将表35中的数据转换为长格式。假设下表存储了一个名为dat的data.frame。

婴儿= data.frame(name = c(” Jackson Smith”, ” Emma Williams”, ” Liam Brown”, ” Ava Wilson”), 性别= c(” M”, ” F”, ” M”, ” F” ), year2011 = c(74.69, NA, 88.24, 88.77), year2012 = c(84.99, NA, NA, 96.45), year2013 = c(91.73, 75.74, 101.83, NA))婴儿

##            name gender year2011 year2012 year2013
## 1 Jackson Smith      M    74.69    84.99    91.73
## 2 Emma Williams      F       NA       NA    75.74
## 3    Liam Brown      M    88.24       NA   101.83
## 4    Ava Wilson      F    88.77    96.45       NA

你要问的问题是：”哪些列合并为一个列？”。

分别是2011年, 2012年和2013年。当你使用函数melt()时, 应为measure.vars列出这些列：

melt(babies, measure.vars = c("year2011", "year2012", "year2013"))

##             name gender variable  value
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA

year2011, year2012, year2013是位于第3、4、5th的列, 因此你可以使用：

melt(babies, measure.vars = 3:5)

##             name gender variable  value
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA

结果在上表中。注意列名变量和值。表23和表24显示需要新的列名。函数melt()具有新列的默认名称-变量和值。你可以使用variable.name =和value.name =争论覆盖默认值。让我们在下面做这个：

melt(babies, measure.vars=3:5, variable.name="year", value.name="height")

##             name gender     year height
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA

在上面的示例中指定了测量值。对于你要处理的那些设置, Id可以间接指定测量值。因此, 你可以选择ID列而不是度量。

两者的结果相同。第一个选择ID的列, 第二个选择要收集的列：

melt(babies, id.vars=c("name", "gender"))

melt(babies, measure.vars = c("year2011", "year2012", "year2013"))

##             name gender variable  value
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA

如果你同时指定id.vars和measure.vars, 则其中任何未包含的列将从结果中排除。例如, 查看下面的代码块：

melt(babies, id.vars=c("name"), measure.vars=c("year2011", "year2012"))

##            name variable value
## 1 Jackson Smith year2011 74.69
## 2 Emma Williams year2011    NA
## 3    Liam Brown year2011 88.24
## 4    Ava Wilson year2011 88.77
## 5 Jackson Smith year2012 84.99
## 6 Emma Williams year2012    NA
## 7    Liam Brown year2012    NA
## 8    Ava Wilson year2012 96.45

另外, na.rm = T可以消除NA：

melt(babies, id.vars=c("name"), measure.vars=c("year2011", "year2012"), na.rm=T)

##            name variable value
## 1 Jackson Smith year2011 74.69
## 3    Liam Brown year2011 88.24
## 4    Ava Wilson year2011 88.77
## 5 Jackson Smith year2012 84.99
## 8    Ava Wilson year2012 96.45

dcast()函数执行与melt()相反的操作。 id, variable和value是最长格式的列。 dcast(data, id〜variable, value.var =” value”)将最长格式转换为宽格式。

babiesLong <- melt(babies, id.vars=c("name"), measure.vars=c("year2011", "year2012"), na.rm=T)
babiesLong

##            name variable value
## 1 Jackson Smith year2011 74.69
## 3    Liam Brown year2011 88.24
## 4    Ava Wilson year2011 88.77
## 5 Jackson Smith year2012 84.99
## 8    Ava Wilson year2012 96.45

babiesLong的名称是id, 变量是变量, 值是值。因此, 你可以使用dcast()将其转换为长格式：

dcast(babiesLong, name ~ variable, value.var="value")

##            name year2011 year2012
## 1    Ava Wilson    88.77    96.45
## 2 Jackson Smith    74.69    84.99
## 3    Liam Brown    88.24       NA

总结

似乎就是这样。在本教程中, 你专注于理解重塑数据的逻辑和过程。通常, 长格式是首选分析方法, 但也有执行方法。适当时, 宽格式的数据呈现可以节省空间, 但是随着缺失值数量的增加, 你最好转换为长格式。

对于格式转换, 你需要专注于度量值。长格式的座右铭是每行一次测量, 而宽格式的一行则有很多测量。当你对收集在一列中的所有列进行测量时, 原始列名需要保留在另一列中。当你在分散到整个列的一列中进行测量时, 你需要从可变列中找出列名称。

一旦了解了该过程, 就可以轻松使用dcast()和melt()之类的功能！