你能给数据做次整形手术吗：long型和wide型
-
- -
所谓数据整形，所简单点就是改变数据的摆放形式，下面我们要讲一个很重要的数据整形方式，它几乎和透视表一样重要，即long型和wide型数据表变换。之所以这么强调其重要性，首先在数据分析中经常用到，另外R的基础做图和ggpot2做图所需要的数据是不一样的，对于 base R 来说，wide型数据更适合，而对于 ggplot2，则long 型比较方便，为什么是这样？你可以私信 Hadley Wickham了解。
我们首先认识一下long 型和wide 型数据的区别。
wide型表
datawide <- read.csv("E:/业余/zimeiti/窥视数据背后的逻辑：基于R与python/bookwriting/第二章数据探索招招都是利器/data/datawide.csv",
header = T, sep = ",", stringsAsFactors = F)
head(datawide)上面产生的数据框即可称之为wide型数据，第一列省份，其实它的后4列可以合并成一列作为医院等级，然后再将数值合并成一列作为总收入就变成了long型数据。合并后结果如下：
long型表
datalong <- read.csv("E:/业余/zimeiti/窥视数据背后的逻辑：基于R与python/bookwriting/第二章数据探索招招都是利器/data/datalong.csv",
header = T, sep = ",", stringsAsFactors = F)
head(datalong)long型把wide型的最后4列的列名组成了一个新的列，作为医院级别，然后相应的数值组成了另一列，作为总收入，数据变长了。这就是long型与wide型的区别，这种数据之间的变换很常见，是数据整形的必备技能之一。我比较常用的转换包为reshape2，这个包里的两个函数melt函数和dcast函数分别对应以上任务。下面以上面两个数据框为例进行wide型与long型之间的转换。
wide型转化为long型
library(reshape2)
temp <- melt(data = datawide, id.vars = c("省份"),
measure.vars = c("二级", "三级", "未评级", "一级"),
variable.name = "医院级别", value.name = "总收入")
head(temp)
temp <- melt(datawide, id.vars = c("省份"), variable.name = "医院级别",
value.name = "总收入")查看一下数据框temp和我们之前的datalong就发现一模一样了，reshape2包中的melt函数就是将wide型数据转化为long型数据，顾名思义melt就是融合的意思。第一个参数为将要转化的数据框,参数id.vars用来指定id列，所谓id列就是保持原来的排列方式不改变的那些列，比如我们希望”省份”保持原来的位置，它可以是一个向量，需要保持更多列不变，在后面添加就是了；measure.vars指定要融合的列，variable.name用来指定融合后的分类变量列的名字，我们这里取名为医院级别；value.name用来指定融合后的数值列的名称，这里取名为总收入，这样一个函数就完成了这次从wide到long的整形；有时候我们会除了保留id列不变以外，其他列统统融合，这样在measure.vars一个一个的写出列名就比较麻烦，这种情况可以不指定measure.vars，默认表示去除id列以外数据框的其他列都参与融合，如4行。
long型转化为wide型
temp <- dcast(data = datalong, formula = 省份 ~ 医院级别, value.var = "总收入", fun.aggregate = sum)
head(temp)可以看到temp就由long型转化为和datawide一模一样的wide型数据了，dcast函数指的是data.frame casting的意思，即数据框转换，第一个参数data指定将要转化的数据框；第二个参数formula是一个表达式，前半部为id列，就是那些保持原来位置不变的列，如果需要添加多个id列就用加号隔开如“省份 + 城市”，后半部是要差分的分类列，一般只有一列，前后用表达式分割符~分割开；value.var参数指定要差分的数值列，fun.aggregate指定数据透视的函数，即指定如果出现分类变量相同的数据，其value值怎么计算，这样就完成了从long型到wide型的延展。
另外在进行long型转wide型时，可能会只选择一到两个id列，而不是选择所有的id列保持不变，数据有可能出现重复行，比如下面的数据：
dcastfun <- read.csv("E:/业余/zimeiti/窥视数据背后的逻辑：基于R与python/bookwriting/第二章数据探索招招都是利器/data/dcastfun.csv",
header = T, sep = ",", stringsAsFactors = F)
head(dcastfun)如果只选择省份这一列作为id列，那北京+二级就会出现两次，那dcast函数就要知道怎么计算这两条数据，是进行加减乘除等等哪一种？很多伙计写代码时包括我自己都会省略fun.aggregate参数的指定，但是这时你一定要保证数据没有出现上述重复现象，否则我们看一下它们的区别：
注意指定function
nofun <- dcast(dcastfun, 省份 ~ 医院级别, value.var = "总收入")
# Aggregation function missing: defaulting to length
head(nofun)
havefun <- dcast(dcastfun, 省份 ~ 医院级别, value.var = "总收入", fun.aggregate = sum)
head(havefun)我们发现上面两句的结果截然不同，所以当你指定的id列不能保证每一行都是独一无二的时，这时就存在一个透视表的问题，你是要计数，还是要求和，还是要求均值，需要通过fun.aggregate指定一个透视函数，如果不指定就默认为计数函数，即length，如第一句，它统计的不是北京医院二级医院的总收入，而是北京二级在表中出现的次数；3句我们制定了透视函数为sum，这样北京二级医院就按照求和的方式汇总了。
对于高级语言，如果你没有了解每一个参数的意义，那函数执行完了之后一定要检查结果是不是你要的。
数据连接：http://pan.baidu.com/s/1dEK2Hod
友情链接