R语言进阶之4：数据整形（reshape）

一、通过重新构建数据进行整形

数据整形最直接的思路就把数据全部向量化，然后按要求用向量构建其他类型的数据。这样是不是会产生大量的中间变量、占用大量内存？没错。R语言的任何函数（包括赋值）操作都会有同样的问题，因为R函数的参数传递方式是传值不传址，变量不可能原地址修改后再放回原地址。

矩阵和多维数组的向量化有直接的类型转换函数： as.vector，向量化后的结果顺序是先列后行再其他：

1. > (x <- matrix(1:4, ncol=2))  #为节省空间，下面的结果省略了一些空行
2. [,1] [,2]
3. [1,]    1    3
4. [2,]    2    4
5. > as.vector(x)
6. [1] 1 2 3 4
7. > (x <- array(1:8, dim=c(2,2,2)))
8. , , 1
9. [,1] [,2]
10. [1,]    1    3
11. [2,]    2    4
12. , , 2
13. [,1] [,2]
14. [1,]    5    7
15. [2,]    6    8
16. > as.vector(x)
17. [1] 1 2 3 4 5 6 7 8

列表向量化可以用unlist，数据框本质是元素长度相同的列表，所以也用unlist：

1. > (x <- list(x=1:3, y=5:10))
2. $x
3. [1] 1 2 3
4. $y
5. [1]  5  6  7  8  9 10
6. > unlist(x)
7. x1 x2 x3 y1 y2 y3 y4 y5 y6
8. 1  2  3  5  6  7  8  9 10
9. > x <- data.frame(x=1:3, y=5:7)
10. > unlist(x)
11. x1 x2 x3 y1 y2 y3
12. 1  2  3  5  6  7

其他类型的数据一般都可以通过数组、矩阵或列表转成向量。一些软件包有自定义的数据类型，如果考虑周到的话应该会有合适的类型转换函数。

二、transform 和 within函数

transform 函数对数据框进行操作，作用是为原数据框增加新的列变量。但应该注意的是“原数据框”根本不是原来的那个数据框，而是一个它的拷贝。下面代码为airquality数据框增加了一列log.ozone，但因为没有把结果赋值给原变量名，所以原数据是不变的：

1. > head(airquality,2)
2. Ozone Solar.R Wind Temp Month Day
3. 1    41     190  7.4   67     5   1
4. 2    36     118  8.0   72     5   2
5. > aq <- transform(airquality, loglog.ozone=log(Ozone))
6. > head(airquality,2)
7. Ozone Solar.R Wind Temp Month Day
8. 1    41     190  7.4   67     5   1
9. 2    36     118  8.0   72     5   2
10. > head(aq,2)
11. Ozone Solar.R Wind Temp Month Day log.ozone
12. 1    41     190  7.4   67     5   1  3.713572
13. 2    36     118  8.0   72     5   2  3.583519

transform可以增加新列变量，可以改变列变量的值，也可以通过NULL赋值的方式删除列变量：

1. > aq <- transform(airquality, loglog.ozone=log(Ozone), Ozone=NULL, WindWind=Wind^2)
2. > head(aq,2)
3. Solar.R  Wind Temp Month Day log.ozone
4. 1     190 54.76   67     5   1  3.713572
5. 2     118 64.00   72     5   2  3.583519
6. > aq <- transform(airquality, loglog.ozone=log(Ozone), Ozone=NULL, Month=NULL, WindWind=Wind^2)
7. > head(aq,2)
8. Solar.R  Wind Temp Day log.ozone
9. 1     190 54.76   67   1  3.713572
10. 2     118 64.00   72   2  3.583519

within 比 transform 灵活些，除数据框外还可以使用其他类型数据，但用法不大一样，而且函数似乎也不够完善：

1. > aq <- within(airquality, {
2. + log.ozone <- log(Ozone)
3. + squared.wind <- Wind^2
4. + rm(Ozone, Wind)
5. + } )
6. > head(aq,2)
7. Solar.R Temp Month Day squared.wind log.ozone
8. 1     190   67     5   1        54.76  3.713572
9. 2     118   72     5   2        64.00  3.583519
10. > (x <- list(a=1:3, b=letters[3:10], c=LETTERS[9:14]))
11. $a
12. [1] 1 2 3
13. $b
14. [1] "c" "d" "e" "f" "g" "h" "i" "j"
15. $c
16. [1] "I" "J" "K" "L" "M" "N"
17. > within(x, {log.a <- log(a); d <- paste(b, c, sep=':'); rm(b)})
18. $a
19. [1] 1 2 3
20. $c
21. [1] "I" "J" "K" "L" "M" "N"
22. $d
23. [1] "c:I" "d:J" "e:K" "f:L" "g:M" "h:N" "i:I" "j:J"
24. $log.a
25. [1] 0.0000000 0.6931472 1.0986123
26. > within(x, {log.a <- log(a); d <- paste(b, c, sep=':'); rm(b,c)})
27. $a
28. [1] 1 2 3
29. $b   #为什么删除两个列表元素会得到这样的结果？
30. NULL
31. $c
32. NULL
33. $d
34. [1] "c:I" "d:J" "e:K" "f:L" "g:M" "h:N" "i:I" "j:J"
35. $log.a
36. [1] 0.0000000 0.6931472 1.0986123

三、reshape、stack和unstack 函数

reshape是R base/stats的函数，主要用于数据框长格式和宽格式之间的转换。reshape函数的参数很多，不容易记，牛人Hadley Wickham搞出reshape和reshape2包以后这个函数几乎被人遗忘：

1. reshape(data, varying = NULL, v.names = NULL, timevar = "time",
2. idvar = "id", ids = 1:NROW(data),
3. times = seq_along(varying[[1]]),
4. drop = NULL, direction, new.row.names = NULL,
5. sep = ".",
6. split = if (sep == "") {
7. list(regexp = "[A-Za-z][0-9]", include = TRUE)
8. } else {
9. list(regexp = sep, include = FALSE, fixed = TRUE)}
10. )

既然可以被遗忘，那就等你走投无路的时候（估计不会有这样的情况发生）再去了解它吧。

stack 和 unstack 的作用和reshape类似，用于数据框/列表的长、宽格式之间转换。数据框宽格式是我们记录原始数据常用的格式，类似这样：

1. > x <- data.frame(CK=c(1.1, 1.2, 1.1, 1.5), T1=c(2.1, 2.2, 2.3, 2.1), T2=c(2.5, 2.2, 2.3, 2.1))
2. > x
3. CK  T1  T2
4. 1 1.1 2.1 2.5
5. 2 1.2 2.2 2.2
6. 3 1.1 2.3 2.3
7. 4 1.5 2.1 2.1

一般统计和作图用的是长格式，stack可以做这个：

1. > （xx <- stack(x))
2. values ind
3. 1     1.1  CK
4. 2     1.2  CK
5. 3     1.1  CK
6. 4     1.5  CK
7. 5     2.1  T1
8. 6     2.2  T1
9. 7     2.3  T1
10. 8     2.1  T1
11. 9     2.5  T2
12. 10    2.2  T2
13. 11    2.3  T2
14. 12    2.1  T2

而unstack的作用正好和stack相反，但是要注意它的第二个参数是公式类型：公式左边的变量是值，右边的变量会被当成因子类型，它的每个水平都会形成一列：

1. > unstack(xx, values~ind)
2. CK  T1  T2
3. 1 1.1 2.1 2.5
4. 2 1.2 2.2 2.2
5. 3 1.1 2.3 2.3
6. 4 1.5 2.1 2.1

四、reshape/reshape2 包

Hadley Wickham，牛人，很牛X的一个人，写了很多R语言包，著名的有ggplot2, plyr, reshape/reshape2等。reshape2包是reshape包的重写版，用reshape2就行，都在CRAN源中，用install.packages函数就可以安装。reshape/reshape2的函数很少，一般用户直接使用的是melt, acast 和 dcast 函数。

melt是溶解/分解的意思，即拆分数据。reshape/reshape2的melt函数是个S3通用函数，它会根据数据类型（数据框，数组或列表）选择melt.data.frame, melt.array 或 melt.list函数进行实际操作。

如果是数组（array）类型，melt的用法就很简单，它依次对各维度的名称进行组合将数据进行线性/向量化。如果数组有n维，那么得到的结果共有n+1列，前n列记录数组的位置信息，最后一列才是观测值：

1. > datax <- array(1:8, dim=c(2,2,2))
2. > melt(datax)
3. Var1 Var2 Var3 value
4. 1    1    1    1     1
5. 2    2    1    1     2
6. 3    1    2    1     3
7. 4    2    2    1     4
8. 5    1    1    2     5
9. 6    2    1    2     6
10. 7    1    2    2     7
11. 8    2    2    2     8
12. > melt(datax, varnames=LETTERS[24:26],value.name="Val")
13. X Y Z Val
14. 1 1 1 1   1
15. 2 2 1 1   2
16. 3 1 2 1   3
17. 4 2 2 1   4
18. 5 1 1 2   5
19. 6 2 1 2   6
20. 7 1 2 2   7
21. 8 2 2 2   8

如果是列表数据，melt 函数将列表中的数据拉成两列，一列记录列表元素的值，另一列记录列表元素的名称；如果列表中的元素是列表，则增加列变量存储元素名称。元素值排列在前，名称在后，越是顶级的列表元素名称越靠后：

1. > datax <- list(agi="AT1G10000", GO=c("GO:1010","GO:2020"), KEGG=c("0100", "0200", "0300"))
2. > melt(datax)
3. value   L1
4. 1 AT1G10000  agi
5. 2   GO:1010   GO
6. 3   GO:2020   GO
7. 4      0100 KEGG
8. 5      0200 KEGG
9. 6      0300 KEGG
10. > melt(list(at_0100=datax))
11. value   L2      L1
12. 1 AT1G10000  agi at_0100
13. 2   GO:1010   GO at_0100
14. 3   GO:2020   GO at_0100
15. 4      0100 KEGG at_0100
16. 5      0200 KEGG at_0100
17. 6      0300 KEGG at_0100

如果数据是数据框类型，melt的参数就稍微复杂些：

1. melt(data, id.vars, measure.vars,
2. variable.name = "variable", ..., na.rm = FALSE,
3. value.name = "value")

其中 id.vars 是被当做维度的列变量，每个变量在结果中占一列；measure.vars 是被当成观测值的列变量，它们的列变量名称和值分别组成 variable 和 value两列，列变量名称用variable.name 和 value.name来指定。我们用airquality数据来看看：

1. > str(airquality)
2. 'data.frame':   153 obs. of  6 variables:
3. $ Ozone  : int  41 36 12 18 NA 28 23 19 8 NA ...
4. $ Solar.R: int  190 118 149 313 NA NA 299 99 19 194 ...
5. $ Wind   : num  7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
6. $ Temp   : int  67 72 74 62 56 66 65 59 61 69 ...
7. $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...
8. $ Day    : int  1 2 3 4 5 6 7 8 9 10 ...

如果打算按月份分析臭氧和太阳辐射、风速、温度三者（列2:4）的关系，我们把它转成长格式数据框：

1. > aq <- melt(airquality, var.ids=c("Ozone", "Month", "Day"),
2. + measure.vars=c(2:4), variable.name="V.type", value.name="value")
3. > str(aq)
4. 'data.frame':   459 obs. of  5 variables:
5. $ Ozone : int  41 36 12 18 NA 28 23 19 8 NA ...
6. $ Month : int  5 5 5 5 5 5 5 5 5 5 ...
7. $ Day   : int  1 2 3 4 5 6 7 8 9 10 ...
8. $ V.type: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
9. $ value : num  190 118 149 313 NA NA 299 99 19 194 ...

var.ids 可以写成id，measure.vars可以写成measure。id（即var.ids）和 观测值（即measure.vars）这两个参数可以只指定其中一个，剩余的列被当成另外一个参数的值；如果两个都省略，数值型的列被看成观测值，其他的被当成id。如果想省略参数或者去掉部分数据，参数名最好用 id/measure，否则得到的结果很可能不是你要的：

1. > str(melt(airquality, var.ids=c(1,5,6), measure.vars=c(2:4)))
2. 'data.frame':   459 obs. of  5 variables:
3. $ Ozone   : int  41 36 12 18 NA 28 23 19 8 NA ...
4. $ Month   : int  5 5 5 5 5 5 5 5 5 5 ...
5. $ Day     : int  1 2 3 4 5 6 7 8 9 10 ...
6. $ variable: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
7. $ value   : num  190 118 149 313 NA NA 299 99 19 194 ...
8. > str(melt(airquality, var.ids=1, measure.vars=c(2:4)))   #看这里，虽然id只引用了一列，但结果却不是这样
9. 'data.frame':   459 obs. of  5 variables:
10. $ Ozone   : int  41 36 12 18 NA 28 23 19 8 NA ...
11. $ Month   : int  5 5 5 5 5 5 5 5 5 5 ...
12. $ Day     : int  1 2 3 4 5 6 7 8 9 10 ...
13. $ variable: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
14. $ value   : num  190 118 149 313 NA NA 299 99 19 194 ...
15. > str(melt(airquality, var.ids=1))  #这样用更惨，结果不是我们要的吧？
16. Using  as id variables
17. 'data.frame':   918 obs. of  2 variables:
18. $ variable: Factor w/ 6 levels "Ozone","Solar.R",..: 1 1 1 1 1 1 1 1 1 1 ...
19. $ value   : num  41 36 12 18 NA 28 23 19 8 NA ...
20. > str(melt(airquality, id=1))  #这样才行
21. 'data.frame':   765 obs. of  3 variables:
22. $ Ozone   : int  41 36 12 18 NA 28 23 19 8 NA ...
23. $ variable: Factor w/ 5 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
24. $ value   : num  190 118 149 313 NA NA 299 99 19 194 ...

数据整容有什么用？当然有。别忘了reshape2和ggplot2都是Hadley Wickham的作品，melt 以后的数据（称为molten数据）用ggplot2做统计图就很方便了，可以快速做出我们需要的图形：

1. library(ggplot2)
2. aq$Month <- factor(aq$Month)
3. p <- ggplot(data=aq, aes(x=Ozone, y=value, color=Month)) + theme_bw()
4. p + geom_point(shape=20, size=4) + geom_smooth(aes(group=1), fill="gray80") + facet_wrap(~V.type, scales="free_y")

melt获得的数据（molten data）可以用 acast 或 dcast 还原。acast获得数组，dcast获得数据框。和unstack函数一样，cast函数使用公式参数。公式的左边每个变量都会作为结果中的一列，而右边的变量被当成因子类型，每个水平都会在结果中产生一列。

1. > head(dcast(aq, Ozone+Month+Day~V.type))
2. Ozone Month Day Solar.R Wind Temp
3. 1     1     5  21       8  9.7   59
4. 2     4     5  23      25  9.7   61
5. 3     6     5  18      78 18.4   57
6. 4     7     5  11      NA  6.9   74
7. 5     7     7  15      48 14.3   80
8. 6     7     9  24      49 10.3   69

cast函数的作用不只是还原数据，还可以使用函数对数据进行汇总（aggregate）。事实上，melt函数是为cast服务的，目的是使用cast函数对数据进行aggregate：

1. > dcast(aq, Month~V.type, fun.aggregate=mean, na.rm=TRUE)
2. Month  Solar.R      Wind     Temp
3. 1     5 181.2963 11.622581 65.54839
4. 2     6 190.1667 10.266667 79.10000
5. 3     7 216.4839  8.941935 83.90323
6. 4     8 171.8571  8.793548 83.96774
7. 5     9 167.4333 10.180000 76.90000

五、plyr 包

plyr 的功能已经远远超出数据整容的范围，Hadley在plyr中应用了split-apply-combine的数据处理哲学，即：先将数据分离，然后应用某些处理函数，最后将结果重新组合成所需的形式返回。某些人士喜欢用“揉”来表述这样的数据处理；“揉”，把数据当面团捣来捣去，很哲，砖家们的砖头落下来，拍死人绝不偿命。

先别哲了，来点实际的：plyr的函数命名方式比较规律，很容易记忆和使用。比如 a开头的函数aaply, adply 和 alply 将数组（array）分别转成数组、数据框和列表；daply, ddply 和 dlply 将数据框分别转成数组、数据框和列表；而laply, ldaply, llply将列表（list）分别转成数组、数据框和列表。

下面我们看看如何使用ldply函数将ath1121501.db包中的KEGG列表数据转成数据框：

1. > library(ath1121501.db)
2. > keggs <- as.list(ath1121501PATH[mappedkeys(ath1121501PATH)])
3. > head(ldply(keggs, paste, collapse='; '))
4. .id                                              V1
5. 1 261579_at                                           00190
6. 2 261569_at                                           04712
7. 3 261583_at 00010; 00020; 00290; 00620; 00650; 01100; 01110
8. 4 261574_at                      00903; 00945; 01100; 01110
9. 5 261043_at                             00051; 00520; 01100
10. 6 261044_at                                           04122

plyr包的函数较多，不再一一介绍，更多用法请参考它的在线帮助，Hadley 也写了很详细的tutorial：http://plyr.had.co.nz/09-user/

原文链接：http://helloxxxxxx.blog.163.com/blog/static/21601509520133343821837/?latestBlog