加载中…
个人资料
微博
  • 博客等级：
  • 博客积分：
  • 博客访问：
  • 关注人气：
  • 获赠金笔：0支
  • 赠出金笔：0支
  • 荣誉徽章：
正文 字体大小：大 中 小

R语言：数据整形（reshape）

(2014-03-27 16:42:11)
分类： R
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。
一、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。
二、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
三、reshape、stack和unstack 函数
reshape是R base/stats的函数，主要用于数据框长格式和宽格式之间的转换。reshape函数的参数很多，不容易记，牛人Hadley Wickham搞出reshape和reshape2包以后这个函数几乎被人遗忘：
reshape(data, varying = NULL, v.names = NULL, timevar = "time",
        idvar = "id", ids = 1:NROW(data),
        times = seq_along(varying[[1]]),
        drop = NULL, direction, new.row.names = NULL,
        sep = ".",
        split = if (sep == "") {
            list(regexp = "[A-Za-z][0-9]", include = TRUE)
        } else {
            list(regexp = sep, include = FALSE, fixed = TRUE)}
        )
既然可以被遗忘，那就等你走投无路的时候（估计不会有这样的情况发生）再去了解它吧。
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
四、reshape/reshape2 包
Hadley Wickham，牛人，很牛X的一个人，写了很多R语言包，著名的有ggplot2, plyr, reshape/reshape2等。reshape2包是reshape包的重写版，用reshape2就行，都在CRAN源中，用 install.packages函数就可以安装。reshape/reshape2的函数很少，一般用户直接使用的是melt, acast 和 dcast 函数。
melt是溶解/分解的意思，即拆分数据。reshape/reshape2的melt函数是个S3泛型函数，它会根据数据类型（数据框，数组或列表）选择melt.data.frame, melt.array 或 melt.list函数进行实际操作。
如果是数组（array）类型，melt的用法就很简单，它依次对各维度的名称进行组合将数据进行线性/向量化。如果数组有n维，那么得到的结果共有n+1列，前n列记录数组的位置信息，最后一列才是观测值：


> datax <- array(1:8, dim=c(2,2,2))

> melt(datax)

  Var1 Var2 Var3 value

1    1    1    1     1

2    2    1    1     2

3    1    2    1     3

4    2    2    1     4

5    1    1    2     5

6    2    1    2     6

7    1    2    2     7

8    2    2    2     8

> melt(datax, varnames=LETTERS[24:26],value.name="Val")

  X Y Z Val

1 1 1 1   1

2 2 1 1   2

3 1 2 1   3

4 2 2 1   4

5 1 1 2   5

6 2 1 2   6

7 1 2 2   7

8 2 2 2   8
如果是列表数据，melt 函数将列表中的数据拉成两列，一列记录列表元素的值，另一列记录列表元素的名称；如果列表中的元素是列表，则增加列变量存储元素名称。元素值排列在前，名称在后，越是顶级的列表元素名称越靠后：


> datax <- list(agi="AT1G10000", GO=c("GO:1010","GO:2020"), KEGG=c("0100", "0200", "0300"))

> melt(datax)

      value   L1

1 AT1G10000  agi

2   GO:1010   GO

3   GO:2020   GO

4      0100 KEGG

5      0200 KEGG

6      0300 KEGG

> melt(list(at_0100=datax))

      value   L2      L1

1 AT1G10000  agi at_0100

2   GO:1010   GO at_0100

3   GO:2020   GO at_0100

4      0100 KEGG at_0100

5      0200 KEGG at_0100

6      0300 KEGG at_0100
如果数据是数据框类型，melt的参数就稍微复杂些：
melt(data, id.vars, measure.vars,
    variable.name = "variable", ..., na.rm = FALSE,
    value.name = "value")
其 中 id.vars 是被当做维度的列变量，每个变量在结果中占一列；measure.vars 是被当成观测值的列变量，它们的列变量名称和值分别组成 variable 和 value两列，列变量名称用variable.name 和 value.name来指定。我们用airquality数据来看看：


> str(airquality)

'data.frame':   153 obs. of  6 variables:

 $ Ozone  : int  41 36 12 18 NA 28 23 19 8 NA ...

 $ Solar.R: int  190 118 149 313 NA NA 299 99 19 194 ...

 $ Wind   : num  7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...

 $ Temp   : int  67 72 74 62 56 66 65 59 61 69 ...

 $ Month  : int  5 5 5 5 5 5 5 5 5 5 ...

 $ Day    : int  1 2 3 4 5 6 7 8 9 10 ...
如果打算按月份分析臭氧和太阳辐射、风速、温度三者（列2:4）的关系，我们把它转成长格式数据框：


> aq <- melt(airquality, var.ids=c("Ozone", "Month", "Day"), 

+ measure.vars=c(2:4), variable.name="V.type", value.name="value")

> str(aq)

'data.frame':   459 obs. of  5 variables:

 $ Ozone : int  41 36 12 18 NA 28 23 19 8 NA ...

 $ Month : int  5 5 5 5 5 5 5 5 5 5 ...

 $ Day   : int  1 2 3 4 5 6 7 8 9 10 ...

 $ V.type: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...

 $ value : num  190 118 149 313 NA NA 299 99 19 194 ...
var.ids 可以写成id，measure.vars可以写成measure。id（即var.ids）和 观测值（即measure.vars）这两个参数可以只指定其中一个，剩余的列被当成另外一个参数的值；如果两个都省略，数值型的列被看成观测值，其他的 被当成id。如果想省略参数或者去掉部分数据，参数名最好用 id/measure，否则得到的结果很可能不是你要的： 


> str(melt(airquality, var.ids=c(1,5,6), measure.vars=c(2:4)))

'data.frame':   459 obs. of  5 variables:

 $ Ozone   : int  41 36 12 18 NA 28 23 19 8 NA ...

 $ Month   : int  5 5 5 5 5 5 5 5 5 5 ...

 $ Day     : int  1 2 3 4 5 6 7 8 9 10 ...

 $ variable: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...

 $ value   : num  190 118 149 313 NA NA 299 99 19 194 ...

> str(melt(airquality, var.ids=1, measure.vars=c(2:4)))   #看这里，虽然id只引用了一列，但结果却不是这样

'data.frame':   459 obs. of  5 variables:

 $ Ozone   : int  41 36 12 18 NA 28 23 19 8 NA ...

 $ Month   : int  5 5 5 5 5 5 5 5 5 5 ...

 $ Day     : int  1 2 3 4 5 6 7 8 9 10 ...

 $ variable: Factor w/ 3 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...

 $ value   : num  190 118 149 313 NA NA 299 99 19 194 ...

> str(melt(airquality, var.ids=1))  #这样用更惨，结果不是我们要的吧？

Using  as id variables

'data.frame':   918 obs. of  2 variables:

 $ variable: Factor w/ 6 levels "Ozone","Solar.R",..: 1 1 1 1 1 1 1 1 1 1 ...

 $ value   : num  41 36 12 18 NA 28 23 19 8 NA ...

> str(melt(airquality, id=1))  #这样才行

'data.frame':   765 obs. of  3 variables:

 $ Ozone   : int  41 36 12 18 NA 28 23 19 8 NA ...

 $ variable: Factor w/ 5 levels "Solar.R","Wind",..: 1 1 1 1 1 1 1 1 1 1 ...

 $ value   : num  190 118 149 313 NA NA 299 99 19 194 ...

数据整容有什么用？当然有。别忘了reshape2和ggplot2都是Hadley Wickham的作品，melt 以后的数据（称为molten数据）用ggplot2做统计图就很方便了，可以快速做出我们需要的图形：



library(ggplot2)

aq$Month <- factor(aq$Month)

p <- ggplot(data=aq, aes(x=Ozone, y=value, color=Month)) + theme_bw()

p + geom_point(shape=20, size=4) + geom_smooth(aes(group=1), fill="gray80") + facet_wrap(~V.type, scales="free_y")


 melt 获得的数据（molten data）可以用 acast 或 dcast 还原。acast获得数组，dcast获得数据框。和unstack函数一样，cast函数使用公式参数。公式的左边每个变量都会作为结果中的一列，而右 边的变量被当成因子类型，每个水平都会在结果中产生一列。 


> head(dcast(aq, Ozone+Month+Day~V.type))

  Ozone Month Day Solar.R Wind Temp

1     1     5  21       8  9.7   59

2     4     5  23      25  9.7   61

3     6     5  18      78 18.4   57

4     7     5  11      NA  6.9   74

5     7     7  15      48 14.3   80

6     7     9  24      49 10.3   69
cast函数的作用不只是还原数据，还可以使用函数对数据进行汇总（aggregate）。事实上，melt函数是为cast服务的，目的是使用cast函数对数据进行aggregate：


> dcast(aq, Month~V.type, fun.aggregate=mean, na.rm=TRUE)

  Month  Solar.R      Wind     Temp

1     5 181.2963 11.622581 65.54839

2     6 190.1667 10.266667 79.10000

3     7 216.4839  8.941935 83.90323

4     8 171.8571  8.793548 83.96774

5     9 167.4333 10.180000 76.90000
五、plyr 包
plyr 的功能已经远远超出数据整容的范围，Hadley在plyr中应用了split-apply-combine的数据处理哲学，即：先将数据分离，然后应用 某些处理函数，最后将结果重新组合成所需的形式返回。某些人士喜欢用“揉”来表述这样的数据处理；“揉”，把数据当面团捣来捣去，很哲，砖家们的砖头落下 来，拍死人绝不偿命http://b.bst.126.net/common/portrait/face/preview/face1.gif。
先 别哲了，来点实际的：plyr的函数命名方式比较规律，很容易记忆和使用。比如 a开头的函数aaply, adply 和 alply 将数组（array）分别转成数组、数据框和列表；daply, ddply 和 dlply 将数据框分别转成数组、数据框和列表；而laply, ldaply, llply将列表（list）分别转成数组、数据框和列表。
下面我们看看如何使用ldply函数将ath1121501.db包中的KEGG列表数据转成数据框：


> library(ath1121501.db)

> keggs <- as.list(ath1121501PATH[mappedkeys(ath1121501PATH)])

> head(ldply(keggs, paste, collapse='; '))

        .id                                              V1

1 261579_at                                           00190

2 261569_at                                           04712

3 261583_at 00010; 00020; 00290; 00620; 00650; 01100; 01110

4 261574_at                      00903; 00945; 01100; 01110

5 261043_at                             00051; 00520; 01100

6 261044_at                                           04122
plyr包的函数较多，不再一一介绍，更多用法请参考它的在线帮助，Hadley 也写了很详细的tutorial：http://plyr.had.co.nz/09-user/

喜欢

0

阅读┊ 收藏 ┊ 喜欢▼ ┊打印┊举报/Report
  

新浪BLOG意见反馈留言板　欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 产品答疑

Copyright © 1996 - 2022 SINA Corporation, All Rights Reserved

新浪公司 版权所有