Преобразование данных из длинного формата в широкоформатный с несколькими столбцами измерения
У меня возникли проблемы с выяснением наиболее элегантного и гибкого способа переключения данных с длинного формата на широкий формат, когда у меня есть более одной переменной измерения, которую я хочу взять с собой.
Например, вот простой фрейм данных в длинном формате. ID - субъект, TIME - временная переменная, а X и Y - измерения, сделанные из ID в TIME:
> my.df <- data.frame(ID=rep(c("A","B","C"), 5), TIME=rep(1:5, each=3), X=1:15, Y=16:30)
> my.df
ID TIME X Y
1 A 1 1 16
2 B 1 2 17
3 C 1 3 18
4 A 2 4 19
5 B 2 5 20
6 C 2 6 21
7 A 3 7 22
8 B 3 8 23
9 C 3 9 24
10 A 4 10 25
11 B 4 11 26
12 C 4 12 27
13 A 5 13 28
14 B 5 14 29
15 C 5 15 30
Если бы я просто хотел повернуть значения TIME в заголовки столбцов, содержащие include X, я знаю, что могу использовать листинг из пакета reshape (или dcast из reshape2):
> cast(my.df, ID ~ TIME, value="X")
ID 1 2 3 4 5
1 A 1 4 7 10 13
2 B 2 5 8 11 14
3 C 3 6 9 12 15
Но то, что я действительно хочу сделать, также приводит к Y как другую переменную меры, и имена столбцов отражают как имя переменной меры, так и значение времени:
ID X_1 X_2 X_3 X_4 X_5 Y_1 Y_2 Y_3 Y_4 Y_5
1 A 1 4 7 10 13 16 19 22 25 28
2 B 2 5 8 11 14 17 20 23 26 29
3 C 3 6 9 12 15 18 21 24 27 30
(FWIW, мне все равно, если сначала все X будут сопровождаться Y, или если они чередуются как X_1, Y_1, X_2, Y_2 и т.д.)
Я могу приблизиться к этому, дважды вставляя длинные данные и объединяя результаты, хотя имена столбцов требуют некоторой работы, и мне нужно будет настроить его, если мне нужно добавить третью или четвертую переменную в дополнение к X и Y:
merge(
cast(my.df, ID ~ TIME, value="X"),
cast(my.df, ID ~ TIME, value="Y"),
by="ID", suffixes=c("_X","_Y")
)
Кажется, что некоторая комбинация функций в reshape2 и/или plyr должна быть в состоянии сделать это более элегантно, что моя попытка, а также обработка нескольких переменных измерения более чисто. Что-то вроде cast (my.df, ID ~ TIME, value = c ( "X", "Y" )), что недопустимо. Но я не смог понять это.
Могут ли какие-нибудь R-мастера помочь мне? Спасибо.
Ответы
Ответ 1
Чтобы обрабатывать несколько переменных, как вы хотите, вам нужно melt данные, которые у вас есть перед тем, как выставить их.
library("reshape2")
dcast(melt(my.df, id.vars=c("ID", "TIME")), ID~variable+TIME)
который дает
ID X_1 X_2 X_3 X_4 X_5 Y_1 Y_2 Y_3 Y_4 Y_5
1 A 1 4 7 10 13 16 19 22 25 28
2 B 2 5 8 11 14 17 20 23 26 29
3 C 3 6 9 12 15 18 21 24 27 30
EDIT на основе комментария:
Кадр данных
num.id = 10
num.time=10
my.df <- data.frame(ID=rep(LETTERS[1:num.id], num.time),
TIME=rep(1:num.time, each=num.id),
X=1:(num.id*num.time),
Y=(num.id*num.time)+1:(2*length(1:(num.id*num.time))))
дает другой результат (все записи равны 2), потому что комбинация ID/TIME не указывает уникальную строку. На самом деле, есть две строки с каждой комбинацией ID/TIME. reshape2 принимает одно значение для каждой возможной комбинации переменных и будет применять итоговую функцию для создания одной переменной, так как существует несколько записей. Вот почему есть предупреждение
Aggregation function missing: defaulting to length
Вы можете получить что-то, что работает, если вы добавите другую переменную, которая нарушит эту избыточность.
my.df$cycle <- rep(1:2, each=num.id*num.time)
dcast(melt(my.df, id.vars=c("cycle", "ID", "TIME")), cycle+ID~variable+TIME)
Это работает, потому что cycle/ID/TIME теперь однозначно определяет строку в my.df.
Ответ 2
reshape(my.df, idvar = "ID", timevar = "TIME", direction = "wide")
дает
ID X.1 Y.1 X.2 Y.2 X.3 Y.3 X.4 Y.4 X.5 Y.5
1 A 1 16 4 19 7 22 10 25 13 28
2 B 2 17 5 20 8 23 11 26 14 29
3 C 3 18 6 21 9 24 12 27 15 30
Ответ 3
Используя data.table_1.9.5, это можно сделать без melt, поскольку он может обрабатывать несколько столбцов value.var. Вы можете установить его из here
library(data.table)
dcast(setDT(my.df), ID~TIME, value.var=c('X', 'Y'))
# ID 1_X 2_X 3_X 4_X 5_X 1_Y 2_Y 3_Y 4_Y 5_Y
#1: A 1 4 7 10 13 16 19 22 25 28
#2: B 2 5 8 11 14 17 20 23 26 29
#3: C 3 6 9 12 15 18 21 24 27 30
Ответ 4
Здесь решение с пакетом tidyr, которое существенно заменило изменение и изменение2. Как и в случае с этими двумя пакетами, стратегия состоит в том, чтобы сначала взять набор данных, а затем шире.
library(magrittr); requireNamespace("tidyr"); requireNamespace("dplyr")
my.df %>%
tidyr::gather_(key="variable", value="value", c("X", "Y")) %>% # Make it even longer.
dplyr::mutate( # Create the spread key.
time_by_variable = paste0(variable, "_", TIME)
) %>%
dplyr::select(ID, time_by_variable, value) %>% # Retain these three.
tidyr::spread(key=time_by_variable, value=value) # Spread/widen.
После вызова tidyr::gather() промежуточный набор данных:
ID TIME variable value
1 A 1 X 1
2 B 1 X 2
3 C 1 X 3
...
28 A 5 Y 28
29 B 5 Y 29
30 C 5 Y 30
В конечном итоге результат:
ID X_1 X_2 X_3 X_4 X_5 Y_1 Y_2 Y_3 Y_4 Y_5
1 A 1 4 7 10 13 16 19 22 25 28
2 B 2 5 8 11 14 17 20 23 26 29
3 C 3 6 9 12 15 18 21 24 27 30
