r语言tidyverse教程：3数据重塑tidyr

R语言系列：

• 编程基础💎循环语句💎向量、矩阵和数组💎列表、数据帧
• 排序函数💎apply系列函数
• tidyverse：readr💎tibble💎tidyr

tidyr顾名思义就是让数据更整齐，而让数据变得整齐的方法，就是调整行列，在tidyr中，有下列4各函数用于行列转换

• gather：宽数据->长数据，聚行成列
• spread：长数据->宽数据，展列为行
• unite ：多列合并为一列
• separate：一列分离为多列

宽数据和长数据

为了理解这个包的意义，需要先学习两个概念：宽数据和长数据。

宽数据的特点是，每一列代表一个属性，每一行代表一个个体。例如下面这个表格就是宽数据

长数据则会把上面的表头和值做一个一一对应，然后罗列出来，每一行都是一对"变量-值"

但这样的转换过于粗暴，会导致属于相同个体的不同属性完全分开，无法恢复。所以一种更加安全的转换方式可以为

长宽数据转换

tidyr中的gather和spread用于长数据和宽数据之间的转换，为了测试这两个函数，先创建一个变量

test <- data.frame(姓名=c("张三", "李四", "王五"), 年龄=c(18,19,20), 性别=c("男", "女", "男"), 成绩=c(95,96,97))
test
"
  姓名 年龄 性别 成绩
1 张三   18   男   95
2 李四   19   女   96
3 王五   20   男   97
"

然后用gather函数，对其调整，可以发现gIris变成了长数据，其中-姓名表示不对姓名进行重排

library(tidyr)
gTest <- gather(test, key, value, -姓名)

其结果为

> gTest
  姓名  key value
1 张三 年龄    18
2 李四 年龄    19
3 王五 年龄    20
4 张三 性别    男
5 李四 性别    女
6 王五 性别    男
7 张三 成绩    95
8 李四 成绩    96
9 王五 成绩    97

接下来再用spread对gTest进行分割，果然又恢复了原样。

> sTest <- spread(gTest, key=key, value=value)
> 
> sTest
  姓名 成绩 年龄 性别
1 李四   96   19   女
2 王五   97   20   男
3 张三   95   18   男

合并和分割列

unit函数可以将数据框中的多列合并成一列，separate与之相反。

下面在test中新插入一列id

> test$id <- c(1,2,3)
> test
  姓名 年龄 性别 成绩 id
1 张三   18   男   95  1
2 李四   19   女   96  2
3 王五   20   男   97  3

由于id和名字是一一对应的，所以二者可以合并在一起

uTest <- unite(test, 人物, id, 姓名, sep='.')
uTest
"
    人物 年龄 性别 成绩
1 1.张三   18   男   95
2 2.李四   19   女   96
3 3.王五   20   男   97
"

可以看到，id和姓名这两列通过.连接，合并在了一起，并且得到了新的列名人物。

接下来，通过separate将这列再分开

# 这里有个坑，如果分隔符是英文句号，需要用双斜线转义
sepTest <- separate(uTest, 人物, c('id', '姓名'), sep='\\.')

结果为

> sepTest
  id 姓名 年龄 性别 成绩
1  1 张三   18   男   95
2  2 李四   19   女   96
3  3 王五   20   男   97

函数参数

最后，将这四个函数的声明列出来，来看一看其参数列表

gather(data=,key=,value=,...,na.rm=,convert=,factor_key=)
spread(data = ,key = ,value = ,fill = ,convert = ,drop = )
unite(data = ,col = ,... = ,sep = ,remove = )
separate(data = ,col = ,into = ,sep = ,remove = , convert = ,extra = ,fill = ,...)

其中，gather, spread中的data, key, value，以及unite, separate中的data, col, into, sep等均在前面演示过，其他参数含义如下

• 由于gather和spread涉及到长数据，而长数据是由键值对构成的，所以二者包含key和value的选项。
• na.rm 为布尔型，为T时将删除缺失值
• convert 为T时，进行数据类型转换
• factor_key 为F时，自动转为字符串，否则转为因子
• spread, separate都涉及到一列转为多列的操作，故而由fill参数，用于替换缺失值
• remove 为T时，保留参与组合的列