当我想要携带多个度量变量时,我无法找出将数据从长格式转换为宽格式的最优雅和灵活的方法。
例如,这是一个长格式的简单数据框。 ID
是主题,TIME
是时间变量,X
和Y
是ID
的TIME
测量:
> my.df <- data.frame(ID=rep(c("A","B","C"), 5), TIME=rep(1:5, each=3), X=1:15, Y=16:30)
> my.df
ID TIME X Y
1 A 1 1 16
2 B 1 2 17
3 C 1 3 18
4 A 2 4 19
5 B 2 5 20
6 C 2 6 21
7 A 3 7 22
8 B 3 8 23
9 C 3 9 24
10 A 4 10 25
11 B 4 11 26
12 C 4 12 27
13 A 5 13 28
14 B 5 14 29
15 C 5 15 30
如果我只想将TIME
的值转换为包含X
的列标题,我知道我可以使用cast()
包中的reshape
(或dcast()
的reshape2
):
> cast(my.df, ID ~ TIME, value="X")
ID 1 2 3 4 5
1 A 1 4 7 10 13
2 B 2 5 8 11 14
3 C 3 6 9 12 15
但我真正想做的是将Y
作为另一个度量变量,并使列名反映度量变量名和时间值:
ID X_1 X_2 X_3 X_4 X_5 Y_1 Y_2 Y_3 Y_4 Y_5
1 A 1 4 7 10 13 16 19 22 25 28
2 B 2 5 8 11 14 17 20 23 26 29
3 C 3 6 9 12 15 18 21 24 27 30
(FWIW,我真的不在乎是否所有X
首先跟随Y
,或者它们是否交错为X_1
,Y_1
,X_2
,Y_2
等)
我可以通过两次输出长数据并合并结果来接近这一点,虽然列名需要一些工作,如果我需要添加除X
和Y
之外的第3或第4个变量,我需要调整它。 :
merge(
cast(my.df, ID ~ TIME, value="X"),
cast(my.df, ID ~ TIME, value="Y"),
by="ID", suffixes=c("_X","_Y")
)
看起来像reshape2
和/或plyr
中的某些函数组合应该能够更优雅地完成我的尝试,以及更干净地处理多个度量变量。有点像cast(my.df, ID ~ TIME, value=c("X","Y"))
,这是无效的。但我无法弄明白。
为了处理你想要的多个变量,你需要在投射之前melt
你拥有的数据。
library("reshape2")
dcast(melt(my.df, id.vars=c("ID", "TIME")), ID~variable+TIME)
这使
ID X_1 X_2 X_3 X_4 X_5 Y_1 Y_2 Y_3 Y_4 Y_5
1 A 1 4 7 10 13 16 19 22 25 28
2 B 2 5 8 11 14 17 20 23 26 29
3 C 3 6 9 12 15 18 21 24 27 30
根据评论编辑:
数据框
num.id = 10
num.time=10
my.df <- data.frame(ID=rep(LETTERS[1:num.id], num.time),
TIME=rep(1:num.time, each=num.id),
X=1:(num.id*num.time),
Y=(num.id*num.time)+1:(2*length(1:(num.id*num.time))))
给出不同的结果(所有条目都是2)因为ID
/ TIME
组合不表示唯一的行。事实上,每个ID
/ TIME
组合有两行。 reshape2
假定每个可能的变量组合都有一个值,并且如果有多个条目,则应用汇总函数来创建单个变量。这就是警告的原因
Aggregation function missing: defaulting to length
如果添加另一个打破冗余的变量,您可以获得一些有用的东西。
my.df$cycle <- rep(1:2, each=num.id*num.time)
dcast(melt(my.df, id.vars=c("cycle", "ID", "TIME")), cycle+ID~variable+TIME)
这是有效的,因为cycle
/ ID
/ time
现在唯一地定义了my.df
中的一行。
reshape(my.df,
idvar = "ID",
timevar = "TIME",
direction = "wide")
给
ID X.1 Y.1 X.2 Y.2 X.3 Y.3 X.4 Y.4 X.5 Y.5
1 A 1 16 4 19 7 22 10 25 13 28
2 B 2 17 5 20 8 23 11 26 14 29
3 C 3 18 6 21 9 24 12 27 15 30
使用data.table_1.9.5
,这可以在没有melt
的情况下完成,因为它可以处理多个value.var
列。你可以从here
安装它
library(data.table)
dcast(setDT(my.df), ID~TIME, value.var=c('X', 'Y'))
# ID 1_X 2_X 3_X 4_X 5_X 1_Y 2_Y 3_Y 4_Y 5_Y
#1: A 1 4 7 10 13 16 19 22 25 28
#2: B 2 5 8 11 14 17 20 23 26 29
#3: C 3 6 9 12 15 18 21 24 27 30
这是tidyr包的解决方案,它基本上取代了reshape和reshape2。与这两个软件包一样,它使数据集首先变长,然后变宽。
library(magrittr); requireNamespace("tidyr"); requireNamespace("dplyr")
my.df %>%
tidyr::gather_(key="variable", value="value", c("X", "Y")) %>% # Make it even longer.
dplyr::mutate( # Create the spread key.
time_by_variable = paste0(variable, "_", TIME)
) %>%
dplyr::select(ID, time_by_variable, value) %>% # Retain these three.
tidyr::spread(key=time_by_variable, value=value) # Spread/widen.
在tidyr::gather()
调用之后,中间数据集是:
ID TIME variable value
1 A 1 X 1
2 B 1 X 2
3 C 1 X 3
...
28 A 5 Y 28
29 B 5 Y 29
30 C 5 Y 30
最终的结果是:
ID X_1 X_2 X_3 X_4 X_5 Y_1 Y_2 Y_3 Y_4 Y_5
1 A 1 4 7 10 13 16 19 22 25 28
2 B 2 5 8 11 14 17 20 23 26 29
3 C 3 6 9 12 15 18 21 24 27 30
tidyr::unite()
是另一种选择,由@JWilliman建议。当dplyr::mutate()
参数为真(这是默认值)时,这在功能上等同于上面的dplyr::select()
和remove
组合。
如果你不习惯这种类型的操纵,那么tidyr::unite()
可能是一个小障碍,因为它是你必须学习和记忆的另一个功能。但是,它的好处包括(a)更简洁的代码(即,四行替换为一行)和(b)重复变量名称的位置更少(即,您不必在dplyr::select()
子句中重复/修改变量)。
my.df %>%
tidyr::gather_(key="variable", value="value", c("X", "Y")) %>% # Make it even longer.
tidyr::unite("time_by_variable", variable, TIME, remove=T) %>% # Create the spread key `time_by_variable` while simultaneously dropping `variable` and `TIME`.
tidyr::spread(key=time_by_variable, value=value) # Spread/widen.