R包reshape2,轻松实现长、宽数据表格转换

爱职场
爱职场
爱职场
358
文章
0
评论
2020-04-1802:05:00 评论 640 3648字
摘要

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。

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) <- 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

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)   # 查看数据后6列

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", "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")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

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 data
##   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:

R包reshape2,轻松实现长、宽数据表格转换

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

help

  • 阅读帮助文档:help(package="reshape2")

  • 查看reshape2官方网站:http://had.co.nz/reshape/

  • 帮助视频:http://had.co.nz/reshape/french-fries-demo.html

注:视频为.mov格式,可以用QuickTime打开观看

End

作者:lingludi

原文链接:https://seananderson.ca/2013/10/19/reshape/

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: