本篇介绍的函数来自tidyr工具包，它也是tidyverse系列工具包的重要组成部分。

在之前的推文里，小编介绍了一些数据批量化处理的方法，如下（点击文字可直接跳转）：

• base | 使用apply族函数进行向量化运算

• purrr | 使用map族函数进行向量化运算

• 技巧 | 如何批量地将整型变量转换为因子变量

• dplyr | 提高数据处理效率！数据框的colwise和rowwise操作

在这些推文中，为了方便介绍向量化/批量化操作的特点，小编举的都是一些比较简单的例子，而在实际的数据处理中，通过结合数据的嵌套化操作，apply()族、map()族等函数可以实现更复杂场景的批量化运算。

数据嵌套化

nest()函数的语法结构如下：

nest(.data, ..., .names_sep = NULL)

• data：输入对象（数据框结构）；

• ...：嵌套语句。

数据嵌套化和数据分组的区别：

• 数据分组（dplyr::group_by()函数）：建立分组索引，但不会实际改变数据框的大小（行数和列数）；

• 数据嵌套（tidyr::nest()函数）：将同一分组对应的其他变量信息嵌套在一个list中，再作为数据框的一个元素，会改变数据框的大小。

以上介绍可能有些抽象，下面通过实例进行介绍它的两种用法。

单独使用

library(tidyverse)
data("iris")nested.iris <- iris %>%nest(petal = c(Petal.Length, Petal.Width), sepal = c(Sepal.Length, Sepal.Width))

• 通过以上代码，Petal.Length和Petal.Width变量就被嵌套成petal变量了，Sepal.Length和Sepal.Width变量则被嵌套成了sepal变量；

• 未参与嵌套的变量自动作为分组变量。

嵌套前：

嵌套后：

• 只有Species变量未参与嵌套操作，因此自动被作为分组变量。

通过点击上图中红色框内的按钮，可以查看被嵌套的数据，如下图：

• 可以看出，被嵌套的数据也是一个完整的数据框结构。

与group_by()函数连用

nest()函数还可以跟在group_by()函数之后使用，这种用法更为常用。示例如下：

nested.iris2 <- iris %>%group_by(Species) %>%nest()

输出对象如下：

嵌套后批量化运算

数据嵌套化使得每组数据独占一行，有利于进行批量化操作，这一点在介绍“线性模型之亚组模型”中已有介绍，这里再重复一下示例：

model <- mtcars%>%group_by(cyl) %>%nest() %>%mutate(model = map(data, ~lm(mpg ~ wt + qsec, data = .x)))

去嵌套化

同取消分组操作一样，也存在取消嵌套化操作，相应函数为unnest()：

unnest(data, cols, ...,keep_empty = FALSE,ptype = NULL,names_sep = NULL,names_repair = "check_unique")

该函数使用起来也非常简单，默认取消所有嵌套结构。示例如下：

unnested.iris <- unnest(nested.iris)

• 输出对象与嵌套前的对象一样。

仅取消部分嵌套结构，需指定cols参数。示例如下：

unnested.iris2 <- unnest(nested.iris, cols = c(petal))

与unnest()函数相关的还有另外两个函数：unnest_longer()、unnest_wider()，这两个函数必须指定col参数（注意参数名是col而不是cols）。

unnest_longer()函数输出对象与unnest()相似，但数据结构存在区别。示例如下：

unnested.iris3 <- unnest_longer(nested.iris, col = petal)

上图虽然看起来和unnest()函数的输出对象一样，但它实际上只有3个变量：

names(unnested.iris3)
## [1] "Species" "petal"   "sepal"

unnest_wider()函数生成的是“宽”数据。示例如下：

unnested.iris4 <- unnest_wider(nested.iris, col = petal)