数据处理--reshape2包（长宽数据）

宽数据

ozone wind temp
1 23.62 11.623 65.55
2 29.44 10.267 79.10
3 59.12 8.942 83.90
4 59.96 8.794 83.97

长数据

variable  value

1 ozone 23.615
2 ozone 29.444
3 ozone 59.115
4 ozone 59.962
5 wind 11.623
6 wind 10.267
7 wind 8.942
8 wind 8.794
9 temp 65.548
10 temp 79.100
11 temp 83.903
12 temp 83.968

长数据有一列数据是变量的类型，有一列是变量的值。长数据不一定只有两列。ggplot2需要长类型的数据，plyr也需要长类型的数据，大多数的模型(比如lm(), glm()以及gam())也需要长数据。
2. reshape2 包

reshape2 用得比较多的是melt和cast两个函数。

melt函数对宽数据进行处理，得到长数据；cast函数对长数据进行处理，得到宽数据；

2.1 melt函数

此处用R内置的airquality数据集，首先将列名改成小写，然后查看相应的数据

names(airquality) <- tolower(names(airquality))
head(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

先看看直接用metl函数处理上述的数据，会有什么结果。

aql <- melt(airquality) # [a]ir [q]uality [l]ong format
head(aql)

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

然后再看看末尾的几个数据

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认为所有数值列的变量均有值。很多情况下，这都是我们想要的情况。在这里，我们想知道每个月(month)以及每天(day)的ozone, solar.r, wind以及temp的值。因此，我们需要告诉melt，month和day是”ID variables”。ID variables就是那些能够区分不同行数据的变量，个人感觉类似于数据库中的主键。

aql <- melt(airquality, id.vars = c(“month”, “day”))
head(aql)

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

如果我们想修改长数据中的列名，该如何操作呢?

aql <- melt(airquality, id.vars = c(“month”, “day”),
variable.name = “climate_variable”,
value.name = “climate_value”)
head(aql)

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

2.2 cast函数

从宽格式数据变换到长格式的数据比较直观，然后反过来则需要一些二外的功夫。

在reshape2中有好几个cast版本的函数。若你经常使用data.frame，就需要使用dcast函数。acast函数返回向量、矩阵或者数组。

dcast借助于公式来描述数据的形状，左边参数表示”ID variables”，而右边的参数表示measured variables。可能需要几次尝试，才能找到合适的公式。

这里，我们需要告知dcast，month和day是ID variables，variable则表示measured variables。

aql <- melt(airquality, id.vars = c(“month”, “day”))
aqw <- dcast(aql, month + day ~ variable)
head(aqw)

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

head(airquality) # 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

除了需要调整下列变量的顺序，我们已经恢复出原始数据。下图将有助解释所发生的情况。

here is the dcast illustration

蓝色阴影块是能够表示每一行数据的ID variables；红色阴影块包含了将待生成数据的列名；而灰色的数据表示用于填充相关区域的数据。

令人产生疑惑的情况往往是，一个数据单元有一个以上的数据。比如，我们的ID variables不包含day，

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

同时还有以下的警告信息

Aggregation function missing: defaulting to length

再次查看dcast的输出数据，可以看到每个单元是month与climate组合的个数。所得到数据是month对应的day的记录数。当每个单元有多个数据是，需要告诉dcast如何聚合(aggregate)这些数据，比如取均值(mean)，计算中位数(median)，或者简单的求和(sum)。比如，在这里，我们简单的计算下均值，同时通过na.rm = TRUE删除NA值。

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

作者：leengsmile
链接：http://www.jianshu.com/p/31d4512ed97f
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。