R 数据重塑

合并数据框

R 语言合并数据框使用 merge() 函数。

merge() 函数语法格式如下:

# S3 方法
merge(x, y, …)
# data.frame 的 S3 方法 
merge(x, y, by = intersect(names(x), names(y)),
      by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
      sort = TRUE, suffixes = c(".x",".y"), no.dups = TRUE,
      incomparables = NULL, …)

常用参数说明:

  • x, y: 数据框

  • by, by.x, by.y:指定两个数据框中匹配列名称,默认情况下使用两个数据框中相同列名称。

  • all:逻辑值; all = L 是 all.x = L 和 all.y = L 的简写,L 可以是 TRUE 或 FALSE。

  • all.x:逻辑值,默认为 FALSE。如果为 TRUE, 显示 x 中匹配的行,即便 y 中没有对应匹配的行,y 中没有匹配的行用 NA 来表示。

  • all.y:逻辑值,默认为 FALSE。如果为 TRUE, 显示 y 中匹配的行,即便 x 中没有对应匹配的行,x 中没有匹配的行用 NA 来表示。

  • sort:逻辑值,是否对列进行排序。

merge() 函数和 SQL 的 JOIN 功能很相似:

  • Natural join 或 INNER JOIN:如果表中有至少一个匹配,则返回行

  • Left outer join 或 LEFT JOIN:即使右表中没有匹配,也从左表返回所有的行

  • Right outer join 或 RIGHT JOIN:即使左表中没有匹配,也从右表返回所有的行

  • Full outer join 或 FULL JOIN:只要其中一个表中存在匹配,则返回行

# data frame 1
df1 = data.frame(SiteId = c(1:6), Site = c("Google","Nhooo","Taobao","Facebook","Zhihu","Weibo"))


# data frame 2
df2 = data.frame(SiteId = c(2, 4, 6, 7, 8), Country = c("CN","USA","CN","USA","IN")) 

# INNER JOIN 
df1 = merge(x=df1,y=df2,by="SiteId")
print("----- INNER JOIN -----")
print(df1)

# FULL JOIN
df2 = merge(x=df1,y=df2,by="SiteId",all=TRUE)
print("----- FULL JOIN -----")
print(df2)

# LEFT JOIN
df3 = merge(x=df1,y=df2,by="SiteId",all.x=TRUE)
print("----- LEFT JOIN -----")
print(df3)

# RIGHT JOIN
df4 = merge(x=df1,y=df2,by="SiteId",all.y=TRUE)
print("----- RIGHT JOIN -----")
print(df4)

执行以上代码输出结果为:

[1] "----- INNER JOIN -----"
  SiteId     Site Country
1      2   Nhooo      CN
2      4 Facebook     USA
3      6    Weibo      CN
[1] "----- FULL JOIN -----"
  SiteId     Site Country.x Country.y
1      2   Nhooo        CN        CN
2      4 Facebook       USA       USA
3      6    Weibo        CN        CN
4      7     <NA>      <NA>       USA
5      8     <NA>      <NA>        IN
[1] "----- LEFT JOIN -----"
  SiteId   Site.x Country   Site.y Country.x Country.y
1      2   Nhooo      CN   Nhooo        CN        CN
2      4 Facebook     USA Facebook       USA       USA
3      6    Weibo      CN    Weibo        CN        CN
[1] "----- RIGHT JOIN -----"
  SiteId   Site.x Country   Site.y Country.x Country.y
1      2   Nhooo      CN   Nhooo        CN        CN
2      4 Facebook     USA Facebook       USA       USA
3      6    Weibo      CN    Weibo        CN        CN
4      7     <NA>    <NA>     <NA>      <NA>       USA
5      8     <NA>    <NA>     <NA>      <NA>        IN

数据整合和拆分

R 语言使用 melt()cast() 函数来对数据进行整合和拆分。

  • melt() :宽格式数据转化成长格式。

  • cast() :长格式数据转化成宽格式。

下图很好展示来 melt() 和 cast() 函数的功能(后面示例会详细说明):

图片.png

melt() 将数据集的每个列堆叠到一个列中,函数语法格式:

melt(data, ..., na.rm = FALSE, value.name = "value")

参数说明:

  • data:数据集。

  • ...:传递给其他方法或来自其他方法的其他参数。

  • na.rm:是否删除数据集中的 NA 值。

  • value.name 变量名称,用于存储值。

进行以下操作之前,我们先安装依赖包:

# 安装库,MASS 包含很多统计相关的函数,工具和数据集
install.packages("MASS", repos = "https://mirrors.ustc.edu.cn/CRAN/") 
  
#  melt() 和 cast() 函数需要对库 
install.packages("reshape2", repos = "https://mirrors.ustc.edu.cn/CRAN/") 
install.packages("reshape", repos = "https://mirrors.ustc.edu.cn/CRAN/")

测试示例:

# 载入库
library(MASS) 
library(reshape2) 
library(reshape) 
  
# 创建数据框
id<- c(1, 1, 2, 2) 
time <- c(1, 2, 1, 2) 
x1 <- c(5, 3, 6, 2) 
x2 <- c(6, 5, 1, 4) 
mydata <- data.frame(id, time, x1, x2) 
  
# 原始数据框
cat("原始数据框:\n") 
print(mydata) 
# 整合
md <- melt(mydata, id = c("id","time")) 
  
cat("\n整合后:\n") 
print(md)

执行以上代码输出结果为:

原始数据框:
id time x1 x2
1  1    1  5  6
2  1    2  3  5
3  2    1  6  1
4  2    2  2  4
整合后:
id time variable value
1  1    1       x1     5
2  1    2       x1     3
3  2    1       x1     6
4  2    2       x1     2
5  1    1       x2     6
6  1    2       x2     5
7  2    1       x2     1
8  2    2       x2     4

cast 函数用于对合并对数据框进行还原,dcast() 返回数据框,acast() 返回一个向量/矩阵/数组。

cast() 函数语法格式:

dcast(
  data,
  formula,
  fun.aggregate = NULL,
  ...,
  margins = NULL,
  subset = NULL,
  fill = NULL,
  drop = TRUE,
  value.var = guess_value(data)
)
acast(
  data,
  formula,
  fun.aggregate = NULL,
  ...,
  margins = NULL,
  subset = NULL,
  fill = NULL,
  drop = TRUE,
  value.var = guess_value(data)
)

参数说明:

  • data:合并的数据框。

  • formula:重塑的数据的格式,类似 x ~ y 格式,x 为行标签,y 为列标签 。

  • fun.aggregate:聚合函数,用于对 value 值进行处理。

  • margins:变量名称的向量(可以包含"grand\_col" 和 "grand\_row"),用于计算边距,设置 TURE 计算所有边距。

  • subset:对结果进行条件筛选,格式类似 subset = .(variable=="length")

  • drop:是否保留默认值。

  • value.var:后面跟要处理的字段。

# 载入库
library(MASS) 
library(reshape2) 
library(reshape) 
  
# 创建数据框
id<- c(1, 1, 2, 2) 
time <- c(1, 2, 1, 2) 
x1 <- c(5, 3, 6, 2) 
x2 <- c(6, 5, 1, 4) 
mydata <- data.frame(id, time, x1, x2) 
# 整合
md <- melt(mydata, id = c("id","time")) 
# Print recasted dataset using cast() function 
cast.data <- cast(md, id~variable, mean) 
  
print(cast.data) 
  
cat("\n") 
time.cast <- cast(md, time~variable, mean) 
print(time.cast) 


cat("\n") 
id.time <- cast(md, id~time, mean) 
print(id.time) 

cat("\n") 
id.time.cast <- cast(md, id+time~variable) 
print(id.time.cast) 

cat("\n") 
id.variable.time <- cast(md, id+variable~time) 
print(id.variable.time) 

cat("\n") 
id.variable.time2 <- cast(md, id~variable+time) 
print(id.variable.time2)

执行以上代码输出结果为:

id x1  x2
1  1  4 5.5
2  2  4 2.5
  time  x1  x2
1    1 5.5 3.5
2    2 2.5 4.5
  id   1 2
1  1 5.5 4
2  2 3.5 3
  id time x1 x2
1  1    1  5  6
2  1    2  3  5
3  2    1  6  1
4  2    2  2  4
  id variable 1 2
1  1       x1 5 3
2  1       x2 6 5
3  2       x1 6 2
4  2       x2 1 4
  id x1_1 x1_2 x2_1 x2_2
1  1    5    3    6    5
2  2    6    2    1    4