R语言进阶之4：数据整形

作者：课课家来源： www.kokojia.com点击数：880发布时间： 2015-10-30 09:56:04

恍惚恍惚又来到了文章的学习，想必大家又有很多问题吧!

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：

> (x
[,1] [,2]
[1,] 1 3
[2,] 2 4
> as.vector(x) Oracle培训
[1] 1 2 3 4
> (x
, , 1
[,1] [,2]
[1,] 1 3
[2,] 2 4
, , 2
[,1] [,2]
[1,] 5 7
[2,] 6 8
> as.vector(x)
[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：

> (x
$x
[1] 1 2 3
$y
[1] 5 6 7 8 9 10
> unlist(x)
x1 x2 x3 y1 y2 y3 y4 y5 y6
1 2 3 5 6 7 8 9 10
> x
> unlist(x)
x1 x2 x3 y1 y2 y3
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：

> head(airquality,2)
Ozone Solar.R Wind Temp Month Day
1 41 190 7.4 67 5 1
2 36 118 8.0 72 5 2
> aq
> head(airquality,2)
Ozone Solar.R Wind Temp Month Day
1 41 190 7.4 67 5 1
2 36 118 8.0 72 5 2
> head(aq,2)
Ozone Solar.R Wind Temp Month Day log.ozone
1 41 190 7.4 67 5 1 3.713572
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：

> aq
> head(aq,2)
Solar.R Wind Temp Month Day log.ozone
1 190 54.76 67 5 1 3.713572
2 118 64.00 72 5 2 3.583519
> aq
> head(aq,2)
Solar.R Wind Temp Day log.ozone
1 190 54.76 67 1 3.713572
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：

> aq
+ log.ozone
+ squared.wind
+ rm(Ozone, Wind)
+ } ) oracle视频
> head(aq,2)
Solar.R Temp Month Day squared.wind log.ozone
1 190 67 5 1 54.76 3.713572
2 118 72 5 2 64.00 3.583519
> (x
$a
[1] 1 2 3
$b
[1] "c" "d" "e" "f" "g" "h" "i" "j"
$c
[1] "I" "J" "K" "L" "M" "N"
> within(x, {log.a
$a
[1] 1 2 3
$c
[1] "I" "J" "K" "L" "M" "N"
$d
[1] "c:I" "d:J" "e:K" "f:L" "g:M" "h:N" "i:I" "j:J"
$log.a
[1] 0.0000000 0.6931472 1.0986123
> within(x, {log.a
$a
[1] 1 2 3
$b #为什么删除两个列表元素会得到这样的结果？
NULL
$c
NULL
$d
[1] "c:I" "d:J" "e:K" "f:L" "g:M" "h:N" "i:I" "j:J"
$log.a
[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：

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

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：

> x
> x
CK T1 T2
1 1.1 2.1 2.5
2 1.2 2.2 2.2
3 1.1 2.3 2.3
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：

> （xx oracle教程
values ind
1 1.1 CK
2 1.2 CK
3 1.1 CK
4 1.5 CK
5 2.1 T1
6 2.2 T1
7 2.3 T1
8 2.1 T1
9 2.5 T2
10 2.2 T2
11 2.3 T2
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：

> unstack(xx, values~ind)
CK T1 T2
1 1.1 2.1 2.5
2 1.2 2.2 2.2
3 1.1 2.3 2.3
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：

> datax
> melt(datax)
Var1 Var2 Var3 value
1 1 1 1 1
2 2 1 1 2
3 1 2 1 3
4 2 2 1 4
5 1 1 2 5
6 2 1 2 6
7 1 2 2 7
8 2 2 2 8
> melt(datax, varnames=LETTERS[24:26],value.name="Val")
X Y Z Val
1 1 1 1 1
2 2 1 1 2
3 1 2 1 3
4 2 2 1 4
5 1 1 2 5
6 2 1 2 6
7 1 2 2 7
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**的列表元素名称越靠后：

> datax
> melt(datax)
value L1
1 AT1G10000 agi
2 GO:1010 GO
3 GO:2020 GO
4 0100 KEGG
5 0200 KEGG
6 0300 KEGG
> melt(list(at_0100=datax))
value L2 L1
1 AT1G10000 agi at_0100
2 GO:1010 GO at_0100
3 GO:2020 GO at_0100
4 0100 KEGG at_0100
5 0200 KEGG at_0100
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：

melt(data, id.vars, measure.vars,
vaRIAoracle视频教程ble.name = "variable", ..., na.rm = FALSE,
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：

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

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

> str(melt(airquality, var.ids=c(1,5,6), measure.vars=c(2:4)))
'data.frame': 459 obs. of 5 variables:
$ Ozone : int 41 36 12 18 NA 28 23 19 8 NA ...
$ Month : int 5 5 5 5 5 5 5 5 5 5 ...
$ Day : int 1 2 3 4 5 6 7 8 9 10 ...
$ variable: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
$ value : num 190 118 149 313 NA NA 299 99 19 194 ...
> 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
'data.frame': 459 obs. of 5 variables:
$ Ozone : int 41 36 12 18 NA 28 23 19 8 NA ...
$ Month : int 5 5 5 5 5 5 5 5 5 5 ...
$ Day : int 1 2 3 4 5 6 7 8 9 10 ...
$ variable: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
$ value : num 190 118 149 313 NA NA 299 99 19 194 ...
> str(melt(airquality, var.ids=1)) #这样用更惨，结果不是我们要的吧？
Using as id variables
'data.frame': 918 obs. of 2 variables:
$ variable: Factor w/ 6 levels "Ozone","Solar.R",..: 1 1 1 1 1 1 1 1 1 1 ...
$ value : num 41 36 12 18 NA 28 23 19 8 NA ...
> str(melt(airquality, id=1)) #这样才行
'data.frame': 765 obs. of 3 variables:
$ Ozone : int 41 36 12 18 NA 28 23 19 8 NA ...
$ variable: Factor w/ 5 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...
$ 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：

library(ggplot2)
aq$Month
p
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。

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

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