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：

  (x  - matrix(1:4, ncol=2)) #为节省空间，下面的结果省略了一些空行 [,1] [,2] [1,] 1 3 [2,] 2 4   as.vector(x) [1] 1 2 3 4   (x  - array(1:8, dim=c(2,2,2))) , , 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  - list(x=1:3, y=5:10)) $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  - data.frame(x=1:3, y=5:7)   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  - transform(airquality, loglog.ozone=log(Ozone))   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  - transform(airquality, loglog.ozone=log(Ozone), Ozone=NULL, WindWind=Wind^2)   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  - transform(airquality, loglog.ozone=log(Ozone), Ozone=NULL, Month=NULL, WindWind=Wind^2)   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  - within(airquality, { + log.ozone  - log(Ozone) + squared.wind  - Wind^2 + rm(Ozone, Wind) + } )   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  - list(a=1:3, b=letters[3:10], c=LETTERS[9:14])) $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  - log(a); d  - paste(b, c, sep=':'); rm(b)}) $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  - log(a); d  - paste(b, c, sep=':'); rm(b,c)}) $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  - 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))   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  - stack(x)) 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  - array(1:8, dim=c(2,2,2))   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，越是顶级的列表元素名称越靠后：

  datax  - list(agi="AT1G10000", GO=c("GO:1010","GO:2020"), KEGG=c("0100", "0200", "0300"))   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, variable.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  - melt(airquality, var.ids=c("Ozone", "Month", "Day"), + 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$Month  - factor(aq$Month) p  - ggplot(data=aq, aes(x=Ozone, y=value, color=Month)) + theme_bw() 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：

  library(ath1121501.db)   keggs  - as.list(ath1121501PATH[mappedkeys(ath1121501PATH)])   head(ldply(keggs, paste, collapse='; ')) .id V1 1 261579_at 00190 2 261569_at 04712 3 261583_at 00010; 00020; 00290; 00620; 00650; 01100; 01110 4 261574_at 00903; 00945; 01100; 01110 5 261043_at 00051; 00520; 01100 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：plyr.had.co.nz/09-user/

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

【编辑推荐】

1.R语言学习笔记(1)：R是什么

1.R语言学习笔记(2)：数据类型和数据结构

原文：R语言进阶之4：数据整形（reshape） 返回开发首页