R语言宽型与长型数据转换tidyr包
R语言长型数据转换tidyr包
前言
之前我们详细的学习了reshape2包，在数据处理阶段，它帮助我们很容易的实现长宽格式数据之间的转换。而今天所要学习的tidyr包可以看作是reshape2包的进化版本，该包的作者依旧是Rstudio的首席科学家，R语言界的大神Hadley Wickham。tidyr包往往与dplyr包结合使用，目前渐有取代reshape2包之势, 是值得关注的一个R包。
在tidyr包中，有四个常用的函数，分别是：
- gather()：宽数据转换为长数据，将行聚集成列
- spread()：长数据转换为宽数据，将列展开为行
- unite()：多列合并为一列
- separate()：将一列分离为多列.
接下来我们主要对这四个函数进行详细学习，并在此基础上学习tidyr包其他的一些实用功能。
一、gather()函数
导入所用的包
> library(dplyr) > library(tidyr)
如前面所说，gather()函数是将宽数据转换为长数据，调用公式如下：
> gather(data=,key=,value=,...,na.rm=,convert=,factor_key=) # key：创建一个新的列名，原数据的旧列名成为新列名的观测值 # value：再创建一个新的列名，原数据的所有旧列名的观测值成为新列名的观测值 # ...：按照实际需要自行指定需要转换的列 # na.rm：逻辑值，是否删除缺失值 # convert：逻辑值，在key列是否进行数据类型转换 # factor_key:逻辑值，若是F，则key自动转换为字符串，反之则是因子（原始lever水平保持不变）
数据转换的示意图：
首先我们先查看原始数据：
> head(iris,3) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2 4.9 3.0 1.4 0.2 setosa 3 4.7 3.2 1.3 0.2 setosa
使用gather()函数进行数据重塑（代码中'%>%'为管道函数，这也是我们为什么要载入dplyr包的原因，关于管道函数，详见R Language Learning：dplyr包（十一））
> iris %>%
+ gather(key=var1,value = var2,...=1:4,na.rm = F) %>%
+ arrange(desc(var2)) %>%
+ head(3)
Species var1 var2
1 virginica Sepal.Length 7.9
2 virginica Sepal.Length 7.7
3 virginica Sepal.Length 7.7
二、spread()函数
spread()函数将长数据转为宽数据，即将列展开为行，调用公式如下：
> spread(data = ,key = ,value = ,fill = ,convert = ,drop = ) # key:指定转换的某列，其观测值作为转换后的列名 # value:其他列的观测值分散到相对应的各个单元 # fill:设定某个值，替换缺失值
我们使用R中的economics数据集来使用学习这一函数。
# 提取原数据集前三列
> data <- economics[1:3]
> head(data，3)
# A tibble: 3 × 3
date pce pop
<date> <dbl> <int>
1 1967-07-01 507.4 198712
2 1967-08-01 510.5 198911
3 1967-09-01 516.3 199113
# 由于手边没有合适的长数据，所以我们先使用gather函数生成一份新的长数据，并假定我们要对这一份长数据进行列转行
> data %>%
+ gather(key=var1,value = var2,-date) %>%
+ head(3)
# A tibble: 3 × 3
date var1 var2
<date> <chr> <dbl>
1 1967-07-01 pce 507.4
2 1967-08-01 pce 510.5
3 1967-09-01 pce 516.3
# -date:默认数据集中的date不做变化# 使用spread()函数进行了长数据向宽数据的转换
# 原有的var1变量作为转换后的列名，var2变量值作为相应的观测值分散到各列
> data %>%
+ gather(key = var1,value = var2,-date) %>%
+ spread(key = var1,value = var2) %>%
+ head(3)
# A tibble: 3 × 3
date pce pop
<date> <dbl> <dbl>
1 1967-07-01 507.4 198712
2 1967-08-01 510.5 198911
3 1967-09-01 516.3 199113
三、unit()函数
unite()函数是将数据框中多列合并为一列，调用公式如下：
> unite(data = ,col = ,... = ,sep = ,remove = ) # col:指定组合为新列的名字 # ...:指定数据中哪些列组合在一起 # sep：组合后新列中数据之间的分隔符 # remove:逻辑值，是否保留参与组合的列
# 数据准备
> date <- as.Date('2016-11-01') + 0:29
> hour <- sample(1:24,replace = TRUE,30)
> min <- sample(1:60,replace = TRUE,30)
> second <- sample(1:60,replace = TRUE,30)
> event <- sample(letters,30,replace = TRUE)
> data <- data.frame(date,hour,min,second,event)
> head(data,3)
date hour min second event
1 2016-11-01 23 59 11 y
2 2016-11-02 21 12 4 u
3 2016-11-03 2 55 42 i
在这里，我们使用unite()函数将日期和时间数值合并到一列上。
# date和hour用空格连接
# datehour与时间数值用':'连接
> data %>%
+ unite(datehour,date,hour,sep=' ') %>%
+ unite(datetime,datehour,min,second,sep=':') %>%
+ head(3)
datetime event
1 2016-11-01 23:59:1 y
2 2016-11-02 21:12:4 u
3 2016-11-03 2:55:42 i
四、separate()函数
在学习了unite()函数后，separate()函数就很好理解了，它的作用正好和unite相反，即将数据框中的某列按照分隔符拆分为多列，一般用于时间序列的拆分，调用公式如下：
> separate(data = ,col = ,into = ,sep = ,remove = , + convert = ,extra = ,fill = ,...) # col：待拆分的某列 # into:定义拆分后新的列名 # sep:分隔符 # remove:逻辑值，是否删除拆分后的列
我们使用上一节得到的时间数据集，定义为data_unite，并对它进行拆分
# 先拆分日期和时间，在对时间进行细拆分
> data_unite %>%
+ separate(datetime,c('date','time'),sep=' ') %>%
+ separate(time,c('hour','min','second'),sep=':') %>%
+ head(3)
date hour min second event
1 2016-11-01 23 59 1 y
2 2016-11-02 21 12 4 u
3 2016-11-03 2 55 42 i
五、缺失值的简单补齐
> library(readxl)
> data <- read_excel('data.xlsx')
> data
# A tibble: 8 × 2
type num
<chr> <dbl>
1 a 75
2 b 72
3 <NA> 66
4 a NA
5 c 69
6 b 65
7 a 72
8 c NA
从上面的数据中，我们可以看到类型与数值都存在缺失值。对于类型的缺失值，我们选择众数替换，对于数值型的缺失值，我们选择均值替换（也可选择中位数等，视具体情况而定）
> num_mean <- mean(data$num, na.rm = TRUE) > type_mode <- as.character(data$type[which.max(table(data$type))]) > data <- replace_na(data = data, replace = list(num = num_mean, + type = type_mode)) > data # A tibble: 8 × 2 type num <chr> <dbl> 1 a 75.00000 2 b 72.00000 3 a 66.00000 4 a 69.83333 5 c 69.00000 6 b 65.00000 7 a 72.00000 8 c 69.83333
附学习文档：
- 发表于 2021-05-20 22:15
- 阅读 ( 5402 )
- 分类：R
