6.17 长宽格式数据互换

6.17.1 问题

你想要把数据从宽格式转换为长格式。

R中许多函数希望输入的数据是长格式而不是宽格式。然而像 SPSS 软件经常使用宽格式数据。

6.17.2 方案

下面有两类方法：

  • tidyr 包的 gather() 和 spread() 函数。这 是reshape2 包的一个新接口。
  • reshape2包的 melt() 与 dcast() 函数。

这里不包含其他一些实现的方法，因为这些方法不是很好使用：

  • reshape() 函数比较让人迷惑，因为它是 R 基础包的一部分，而不是 reshape2 包的一部分。
  • stack() 和 unstack()

6.17.2.1 样例数据

这里使用的数据框包含同样数据的长、宽格式。它们接下来会被相互转换。

  1. olddata_wide <- read.table(header = TRUE, text = "
  2.  subject sex control cond1 cond2
  3.      1   M     7.9  12.3  10.7
  4.      2   F     6.3  10.6  11.1
  5.      3   F     9.5  13.1  13.8
  6.      4   M    11.5  13.4  12.9
  7. ")
  8. # 确保 subject 列是一个因子
  9. olddata_wide$subject <- factor(olddata_wide$subject)
  1. olddata_long <- read.table(header = TRUE, text = "
  2.  subject sex condition measurement
  3.      1   M   control         7.9
  4.      1   M     cond1        12.3
  5.      1   M     cond2        10.7
  6.      2   F   control         6.3
  7.      2   F     cond1        10.6
  8.      2   F     cond2        11.1
  9.      3   F   control         9.5
  10.      3   F     cond1        13.1
  11.      3   F     cond2        13.8
  12.      4   M   control        11.5
  13.      4   M     cond1        13.4
  14.      4   M     cond2        12.9
  15. ")
  16. # 确保 subject 列是一个因子
  17. olddata_long$subject <- factor(olddata_long$subject)

6.17.2.2 tidyr

6.17.2.2.1 从宽格式到长格式

使用 gather():

  1. olddata_wide
  2. #>   subject sex control cond1 cond2
  3. #> 1       1   M     7.9  12.3  10.7
  4. #> 2       2   F     6.3  10.6  11.1
  5. #> 3       3   F     9.5  13.1  13.8
  6. #> 4       4   M    11.5  13.4  12.9
  8. library(tidyr)
  10. # gather() 的主要参数: - data: 输入数据 - key:
  11. # 分类key的列名 - value: 包含值的列名 - ...:
  12. # 包换需要转换值的列名 - factor_key:
  13. # 把新的合成列设置为因子
  14. data_long <- gather(olddata_wide, condition, measurement, 
  15.   control:cond2, factor_key = TRUE)
  16. data_long
  17. #>    subject sex condition measurement
  18. #> 1        1   M   control         7.9
  19. #> 2        2   F   control         6.3
  20. #> 3        3   F   control         9.5
  21. #> 4        4   M   control        11.5
  22. #> 5        1   M     cond1        12.3
  23. #> 6        2   F     cond1        10.6
  24. #> 7        3   F     cond1        13.1
  25. #> 8        4   M     cond1        13.4
  26. #> 9        1   M     cond2        10.7
  27. #> 10       2   F     cond2        11.1
  28. #> 11       3   F     cond2        13.8
  29. #> 12       4   M     cond2        12.9

在这个例子中，来源列通过 control:cond2 指定聚集到一起。这里的意思是使用位置上在 control 和 conda2 之间（包括 control 与 conda2 ）的所有列。另一种使用的方式是单独为每一列命名，如下：

  1. gather(olddata_wide, condition, measurement, control, cond1, 
  2.   cond2)
  3. #>    subject sex condition measurement
  4. #> 1        1   M   control         7.9
  5. #> 2        2   F   control         6.3
  6. #> 3        3   F   control         9.5
  7. #> 4        4   M   control        11.5
  8. #> 5        1   M     cond1        12.3
  9. #> 6        2   F     cond1        10.6
  10. #> 7        3   F     cond1        13.1
  11. #> 8        4   M     cond1        13.4
  12. #> 9        1   M     cond2        10.7
  13. #> 10       2   F     cond2        11.1
  14. #> 11       3   F     cond2        13.8
  15. #> 12       4   M     cond2        12.9

如果你需要编程化使用gather()函数，可能需要使用包含列名的变量。想要实现它的话，你需要使用 gather_() 函数，它会使用字符串而不是没加引号的列名。

  1. keycol <- "condition"
  2. valuecol <- "measurement"
  3. gathercols <- c("control", "cond1", "cond2")
  5. gather_(olddata_wide, keycol, valuecol, gathercols)
  6. #>    subject sex condition measurement
  7. #> 1        1   M   control         7.9
  8. #> 2        2   F   control         6.3
  9. #> 3        3   F   control         9.5
  10. #> 4        4   M   control        11.5
  11. #> 5        1   M     cond1        12.3
  12. #> 6        2   F     cond1        10.6
  13. #> 7        3   F     cond1        13.1
  14. #> 8        4   M     cond1        13.4
  15. #> 9        1   M     cond2        10.7
  16. #> 10       2   F     cond2        11.1
  17. #> 11       3   F     cond2        13.8
  18. #> 12       4   M     cond2        12.9

可选内容：重命名变量列的因子水平并排序。

  1. # 重命名因子水平
  2. levels(data_long$condition)[levels(data_long$condition) == 
  3.   "cond1"] <- "first"
  4. levels(data_long$condition)[levels(data_long$condition) == 
  5.   "cond2"] <- "second"
  7. # 首先按照 subject 排序，然后按 condition
  8. data_long <- data_long[order(data_long$subject, data_long$condition), 
  9.   ]
  10. data_long
  11. #>    subject sex condition measurement
  12. #> 1        1   M   control         7.9
  13. #> 5        1   M     first        12.3
  14. #> 9        1   M    second        10.7
  15. #> 2        2   F   control         6.3
  16. #> 6        2   F     first        10.6
  17. #> 10       2   F    second        11.1
  18. #> 3        3   F   control         9.5
  19. #> 7        3   F     first        13.1
  20. #> 11       3   F    second        13.8
  21. #> 4        4   M   control        11.5
  22. #> 8        4   M     first        13.4
  23. #> 12       4   M    second        12.9
6.17.2.2.2 从长格式到宽格式

使用 spread():

  1. olddata_long
  2. #>    subject sex condition measurement
  3. #> 1        1   M   control         7.9
  4. #> 2        1   M     cond1        12.3
  5. #> 3        1   M     cond2        10.7
  6. #> 4        2   F   control         6.3
  7. #> 5        2   F     cond1        10.6
  8. #> 6        2   F     cond2        11.1
  9. #> 7        3   F   control         9.5
  10. #> 8        3   F     cond1        13.1
  11. #> 9        3   F     cond2        13.8
  12. #> 10       4   M   control        11.5
  13. #> 11       4   M     cond1        13.4
  14. #> 12       4   M     cond2        12.9
  16. library(tidyr)
  18. # spread() 主要参数: - data: 数据对象 - key:
  19. # 包含新列名的列名 - value: 包含值得列名
  20. data_wide <- spread(olddata_long, condition, measurement)
  21. data_wide
  22. #>   subject sex cond1 cond2 control
  23. #> 1       1   M  12.3  10.7     7.9
  24. #> 2       2   F  10.6  11.1     6.3
  25. #> 3       3   F  13.1  13.8     9.5
  26. #> 4       4   M  13.4  12.9    11.5

可选项：一些可以使数据看起来更易读的操作。

  1. # 重命名
  2. names(data_wide)[names(data_wide) == "cond1"] <- "first"
  3. names(data_wide)[names(data_wide) == "cond2"] <- "second"
  5. # 排序
  6. data_wide <- data_wide[, c(1, 2, 5, 3, 4)]
  7. data_wide
  8. #>   subject sex control first second
  9. #> 1       1   M     7.9  12.3   10.7
  10. #> 2       2   F     6.3  10.6   11.1
  11. #> 3       3   F     9.5  13.1   13.8
  12. #> 4       4   M    11.5  13.4   12.9

因子水平的顺序决定了列的顺序。水平次序能够在重塑之前被改变，或者列也可以在之后重新排序。

6.17.2.3 reshape2

6.17.2.3.1 从宽格式到长格式

使用 melt():

  1. olddata_wide
  2. #>   subject sex control cond1 cond2
  3. #> 1       1   M     7.9  12.3  10.7
  4. #> 2       2   F     6.3  10.6  11.1
  5. #> 3       3   F     9.5  13.1  13.8
  6. #> 4       4   M    11.5  13.4  12.9
  8. library(reshape2)
  9. #> 
  10. #> Attaching package: 'reshape2'
  11. #> The following object is masked from 'package:tidyr':
  12. #> 
  13. #>     smiths
  15. # 指定id.vars：需要保持的变量名
  16. melt(olddata_wide, id.vars = c("subject", "sex"))
  17. #>    subject sex variable value
  18. #> 1        1   M  control   7.9
  19. #> 2        2   F  control   6.3
  20. #> 3        3   F  control   9.5
  21. #> 4        4   M  control  11.5
  22. #> 5        1   M    cond1  12.3
  23. #> 6        2   F    cond1  10.6
  24. #> 7        3   F    cond1  13.1
  25. #> 8        4   M    cond1  13.4
  26. #> 9        1   M    cond2  10.7
  27. #> 10       2   F    cond2  11.1
  28. #> 11       3   F    cond2  13.8
  29. #> 12       4   M    cond2  12.9

melt() 的一些选项可以使得输出更好处理：

  1. data_long <- melt(olddata_wide,
  2.         # 变量ID，需要保持的变量名
  3.     id.vars=c("subject", "sex"),
  4.         # 来源列（被转换的）
  5.     measure.vars=c("control", "cond1", "cond2" ),
  6.         # 目的列的名字可以确定测量列数值的来自的原始列（变量）
  7.         # 这里 measurement 是数值，condition 指定了其来源
  8.     variable.name="condition",
  9.     value.name="measurement"
  10. )
  11. data_long
  12. #>    subject sex condition measurement
  13. #> 1        1   M   control         7.9
  14. #> 2        2   F   control         6.3
  15. #> 3        3   F   control         9.5
  16. #> 4        4   M   control        11.5
  17. #> 5        1   M     cond1        12.3
  18. #> 6        2   F     cond1        10.6
  19. #> 7        3   F     cond1        13.1
  20. #> 8        4   M     cond1        13.4
  21. #> 9        1   M     cond2        10.7
  22. #> 10       2   F     cond2        11.1
  23. #> 11       3   F     cond2        13.8
  24. #> 12       4   M     cond2        12.9

如果你不设定 measure.vars，melt() 函数会自动使用除 id.vars 的所有其他变量。反之亦然。

如果你不指定 variable.name，它会把那列命名为"variable"，如果你不使用 value.name 变量，它会将它命名为 "measurement"。

可选项：重命名变量列的因子水平。

  1. # 重命名因子
  2. levels(data_long$condition)[levels(data_long$condition) == 
  3.   "cond1"] <- "first"
  4. levels(data_long$condition)[levels(data_long$condition) == 
  5.   "cond2"] <- "second"
  7. # 首先按 subject 排序，然后按 condition 排序
  8. data_long <- data_long[order(data_long$subject, data_long$condition), 
  9.   ]
  10. data_long
  11. #>    subject sex condition measurement
  12. #> 1        1   M   control         7.9
  13. #> 5        1   M     first        12.3
  14. #> 9        1   M    second        10.7
  15. #> 2        2   F   control         6.3
  16. #> 6        2   F     first        10.6
  17. #> 10       2   F    second        11.1
  18. #> 3        3   F   control         9.5
  19. #> 7        3   F     first        13.1
  20. #> 11       3   F    second        13.8
  21. #> 4        4   M   control        11.5
  22. #> 8        4   M     first        13.4
  23. #> 12       4   M    second        12.9
6.17.2.3.2 从长格式到宽格式

下面代码使用 dcast() 函数重塑数据。这个函数用于数据框，如果你处理数组或矩阵，替换使用 acast()。

  1. olddata_long
  2. #>    subject sex condition measurement
  3. #> 1        1   M   control         7.9
  4. #> 2        1   M     cond1        12.3
  5. #> 3        1   M     cond2        10.7
  6. #> 4        2   F   control         6.3
  7. #> 5        2   F     cond1        10.6
  8. #> 6        2   F     cond2        11.1
  9. #> 7        3   F   control         9.5
  10. #> 8        3   F     cond1        13.1
  11. #> 9        3   F     cond2        13.8
  12. #> 10       4   M   control        11.5
  13. #> 11       4   M     cond1        13.4
  14. #> 12       4   M     cond2        12.9
  16. # 信息: 'subject' 和 'sex' 是我们想要保留的列
  17. # 'condition' 是我们想要放入新列名的列 'measurement'
  18. # 包含数值
  20. library(reshape2)
  22. data_wide <- dcast(olddata_long, subject + sex ~ condition, 
  23.   value.var = "measurement")
  24. data_wide
  25. #>   subject sex cond1 cond2 control
  26. #> 1       1   M  12.3  10.7     7.9
  27. #> 2       2   F  10.6  11.1     6.3
  28. #> 3       3   F  13.1  13.8     9.5
  29. #> 4       4   M  13.4  12.9    11.5

可选项：一些可以使数据看起来更易读的操作。

  1. # 重命名
  2. names(data_wide)[names(data_wide) == "cond1"] <- "first"
  3. names(data_wide)[names(data_wide) == "cond2"] <- "second"
  5. # 重排序
  6. data_wide <- data_wide[, c(1, 2, 5, 3, 4)]
  7. data_wide
  8. #>   subject sex control first second
  9. #> 1       1   M     7.9  12.3   10.7
  10. #> 2       2   F     6.3  10.6   11.1
  11. #> 3       3   F     9.5  13.1   13.8
  12. #> 4       4   M    11.5  13.4   12.9

因子水平的顺序决定了列的顺序。水平次序能够在重塑之前被改变，或者列也可以在之后重新排序。