R实战 第八篇：重塑数据(reshape2)

数据重塑通常使用reshape2包，reshape2包用于实现对宽数据及长数据之间的相互转换，由于reshape2包不在R的默认安装包列表中，在第一次使用之前，需要安装和引用：

install.packages("reshape2")
library(reshape2)

重塑数据，首先把宽数据融合（melt），以使每一行都只表示一个变量，然后把数据重塑（cast）为想要的任何形状。在重塑过程中，可以使用任何函数对数据进行整合，也可以把长格式转换为宽格式，这种操作类似于Excel的透视和逆透视。

一，认识宽数据

在同一行，标识变量（一列或多列）能够唯一标识两个或多个变量的值，这种数据显示叫做数据的宽格式，也叫做宽数据：

创建示例数据，ID和Time的组合是唯一的，X1和X2是该行的观测变量值，

> ID <- c(1,1,2,2)
> Time <- c(1,2,1,2)
> X1 <- c(5,3,6,2)
> X2 <-c(6,5,1,4)
> mydata <- data.frame(ID,Time,X1,X2)

如下所示宽格式的数据，ID和Time的组合是唯一的，同一行有两个变量X1和X2，通过ID和Time能够唯一确定变量X1和X2的值：

  ID Time X1 X2

二，融合数据

数据的融合是指把数据集重塑为特定的格式，使得每个观测变量独占一行，每行都有唯一确定每个观测变量所需要的标识变量。融合之后的数据，称作长格式，也叫作长数据。

原始数据中，主键列唯一确定variable1和variable2的值，在融合之后，如下图所示，主键列和variable列（变量名）唯一确定value列的值。

在R语言中，使用melt()函数来融合数据：

melt(data,id.vars,measure.vars,variable.name='variable',...,na.rm=FALSE,value.name='value',factorAsStrings=TRUE)

参数注释：

• data：融合的数据框
• id.vars：由标识变量构成的向量，用于标识观测的变量
• measure.vars ：由观测变量构成的向量
• variable.name：用于保存原始变量名的变量的名称
• value.name：用于保存原始值的名称

示例，标识变量是ID和Time，X1和X2作为观测变量：

md <- melt(mydata,id=c("ID","Time"),measure=c("X1","X2"))

数据融合之后，变成长数据，长数据的特征是 ID列（多列或单列）+ 变量名 唯一确定变量的值，并且每一行只能确定一个变量的值。

  ID Time variable value
             X1
             X1
             X1
             X1
             X2
             X2
             X2
             X2     

注意：必须指定唯一确定每个观测所需的变量（ID和Time），而表示观测变量名的变量（X1和X2）由程序自动创建，从结果中可以看出，函数自动创建了两个变量：variable和value，这两个变量名称是默认的，这可以在melt()函数中，通过参数 variable.name="new_variable_name"和 value.name="new_value_name"来自定义。

md <- melt(mydata,id=c("ID","Time"),measure=c("X1","X2"),variable.name = "MeasuredVariable",value.name = "IntValue")

三，重塑数据

dcast()函数用于读取已融合的数据框（d是指data frame），并使用formula和用于整合数据的函数把数据集重塑成任意形状：

dcast(data, formula, fun.aggregate = NULL, ..., margins = NULL,
  subset = NULL, fill = NULL, drop = TRUE, value.var = guess_value(data))

参数注释：

• data：已融合的数据框
• formula：用于指定输出的结果集格式
• fun.aggregate：用于指定聚合函数，对已聚合的数据执行聚合运算
• margins：相当于透视表中的行总计和列总计
• subset：选取满足一些特定值的数据，相当于Excel透视表的筛选。例如， subset =.（variable ==“length”)
• fill：用于填充结构缺失的值，默认为将fun.aggregate应用于0长度向量的值
• value：value列的名称

参数formula的格式是：

rowvar1 + rowvar2 +...  ~  colvar1 + colvar2 +...

在该公式中，rowvar 定义了保留的变量名，以唯一确定各行的内容；colvar定义了需要重塑的变量名，以确定各列的值。重塑的含义是：按照rowvar，展开colvar，对value进行聚合运算（当fun.aggregate为聚合函数时）。

1，展开colvar

展开colvar的过程，实际上是把列值转换为列名称的过程，这种展开操作是由formula参数决定的。

重塑操作中的特例是数据融合的逆操作，把数据的长格式转化为数据的宽格式，即，把已融合的数据转换为原始数据格式，对于这种操作，formula参数的格式是固定的：标识变量~variable。

> dcast(md,ID+Time~variable)
  ID Time X1 X2
1  1    1  5  6
2  1    2  3  5
3  2    1  6  1
4  2    2  2  4

2，对观测变量进行聚合运算

按照ID，计算观测变量的平均值：

> dcast(md,ID~variable,mean)
  ID X1  X2
1  1  4 5.5
2  2  4 2.5

这种操作，类似于分组聚合：按照ID进行分组，分别计算变量X1和X2的聚合值。

3，添加总计列

计算按照ID分组的X1和X2的均值，并对重塑的结果按照ID计算各列均值，按照X1和X2计算各行的均值。

> dcast(md,ID~variable,mean,margins = c("ID","variable"))
     ID X1  X2 (all)
        5.5  4.75
        2.5  3.25
 (all)   4.0  4.00

计算的过程是：

按照ID计算各列的均值： X1的值是(5.5+2.5)/2=4

按照变量计算各行的均值：第一行的均值是 (4+5.5)/2=4.75

示例图：

参考文档：

利用reshape2包进行数据逆透视和数据透视