数据管理—reshape2包

我就在这里等你关注，不离不弃

——A·May

R-50T-50

「序 言

」

不知不觉，已经写了半百的R语言了，感觉等数据准备这个大阶段结束，有必要将数据理解和数据准备这两阶段进行下系统的融合，然后再重新看选模型和建模型的问题。

今天，May带来数据管理常用的工具reshape2，这个包的作用在于可以对数据进行变形，然后组成自己想要的数据内容。包含两个主要的函数，一个是melt融合函数，即把原来“宽型”数据变成一种“长型”；一个是dcast组合函数，即把“长型”的数据变回“宽型”的数据。

下面可以开始来了解reshape2的应用过程。

「

melt

」

了解melt

melt对数据的融合，也就是ddply中对数据进行拆分，但是melt的融合是有其固定的格式与要求的，即把数据集分成标识变量、测量变量和测量值三个部分，我们要做的工作主要是根据需求选择适当的标识变量和测量变量。对于概念的理解可以不用急，在看完全文之后，相信你会有深刻的体悟。

melt的函数结构如下：

melt(data,id.vars,measure.vars,na.rm=TRUE/FALSE)

#data是数据框

#id.vars识别变量，可以标识测量变量的唯一测量值

#measure你要进行融合的变量

#na.rm是否排除缺失值

问题1：判别识别变量

首先，请注意，如果标识变量的设置，不能得出测量唯一测量值，那么这个融合过程就会出现问题。可以理解为如果我在下面的实验中选择的识别变量X中存在两个值都是1，那么变量X就不可以作为识别变量，因为如果这样，即使可以进行融合，但是在进行重铸的时候就会发现重铸的数据是计数而不是数据值，这在问题2中有所体现。

其次，如果你的融合结果不是识别变量+variables(测量变量）+value(测量值）的形式，请自检标识变量的选取是否可以得出唯一的变量值。

最后是对id.vars的设置，通常只设置一个id.vars的时候，表中其余变量都作为测量变量，我们可以输入位置确定，也可以输入变量名，这是R的常用形式，比如下图的id.vars=1也可以得出相同的结果。

我们以tbl数据为例，变量X可以单独作为标识变量，其余变量可以作为X的测量变量，因为变量X=1对应测量变量time有唯一确定的值2013-12，对应测量变量AQI的唯一确定值是100。下面将以X作为标识变量，做正确例子。

#因为分出来的行数太多，出现了waring

问题2：measure.vars的使用和defaulting to length的出现

关于melt的分组还是要有目的性，个人不建议所有的数据都是选择一个标识变量，然后其余都是测量变量，这样做可不是一个细致的人。

此外，我们在重组表数据的时候也并非完全会保留所有的变量，所以，用id.vars与mearsure.vars也是一个筛选、应用和组合变量的过程，这和ddply的作用大致相同。

下图中，我选取AQI作为标识变量，PM2.5等指标作为测量变量。

这里，我们先示例一下利用dcast进行重建表。如下图所示，我们建立了新的数据集包含变量AQI和PM2.5等五个指标，我们的基本目的达到了。这里注意测量变量一旦选取，下面重铸的时候必须使用这个选取的测量变量，不能变换，如果要变化，就要重新设置measure.vars。

但是，我们发现输出结果并非是变量值，而且有提示defaulting to length，这里表示默认应用功能是计数。

小伙伴们请注意，如果你也是这样的结果，原因是因为AQI并非是能够识别测量变量的唯一值，我们在选中id.vars的时候出现问题，下列输入中我们可以观察到AQI=84时对应的各项指标计数都是2，表明AQI=84案例有两个，我们需要额外的变量作为识别变量，或者重新选取一个，或者在id.vars中添加其他变量作为识别变量的组合。

同时，上述的情况也并非error，这恰恰是我们利用dcast进行计算的一个方法，如下，我们可以使用简单的sum函数，汇总不同AQI中五项指标的值。

#如图所示，我们计算出汇总不同AQI中五项指标的和。

「

dcast

」

了解dcast

对于dcast的重铸和应用功能，小伙伴通过上面的例子应该已经有了大致的了解，所以，我们现在来了解一下dcast函数的构成：

dcast(meltdata,id.vars1+id.vars2~varible1+varbile2,fun)

#meltdata是融合后的数据

#id.vars与varible中间用~区分连接

#fun是应用功能

问题3：建立不同时间段的五项指标在不同污染等级下的数据表

> d

> q

#由图，我们可以得知2013年12月PM2.5在空气质量为良是不存在的，在轻度污染的情况下PM2.5的数值是73，其他以此类推。

我们可以就此输出一个文件，如下：

「结语

」

有小伙伴问，数据准备和数据管理有什么区别了，为什么在看文的时候会有不同的标题。其实，数据管理的含义要比数据准备更大一些，基本上与数据有关的所有操作都可以视为一种数据管理行为，而数据准备更具有针对性，包括更具需求创建新变量、筛选变量、数据清洗和合并数据等系列操作。所以，用于数据准备工作的函数都是数据管理的一部分，两者没有太大差异。

由于考试季来临，不想G科的我还是打算好好复习，毕竟我们的及格分不是60了，所以对于发文而言，May决定每天尽力吧，能把学到的写出来多少就写多少。

同时，祝小伙伴们科科成绩高，做的全会，蒙的全对，顺利过关。

喜欢本文的小伙伴请多多转发，谢谢大家！

学习数据挖掘交流平台