R语言中数据整形

前言

  从不同途径得到的数据的组织方式是多种多样的，很多数据都要经过整理才能进行有效的分析，数据整形不仅仅是为了改善数据的外观，也是进行一些统计分析和作图前必要的步骤。数据整形和数据凝练/汇总往往密不可分，这是门学问，是R语言数据处理的内容之一。

目录

 1. 通过重新构建数据进行整形

 2. transform 和 within 函数

 3. stack 和 unstack 函数

1. 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。

2. 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, log.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, log.ozone=log(Ozone), Ozone=NULL, Wind=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, log.ozone=log(Ozone), Ozone=NULL, Month=NULL, Wind=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 

3. stack 和 unstack 函数

  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 

参考资料

• R语言：数据整形（reshape）