R 中的长表与宽表

在数据分析中，您常常需要在长格式（也称为“长表”——其含义稍后会更清楚）与宽格式（“宽表”）之间相互转换。真实世界中的数据格式五花八门，但多数 R 函数只适配某一种特定格式。

例如，用于混合线性建模的 lme4::lmer()、用于可视化的 ggplot2::ggplot() 都更倾向于长表；而 mosaicplot() 等函数则偏好宽表。这意味着，除非数据已经预处理为正确的形态，否则您需要先进行格式转换，才能顺利开展分析或可视化。

R 中有多种格式转换方式，但在入门阶段往往容易混淆。

本教程将帮助您理解在长表与宽表之间转换的机制。您将学习以下内容：

• 进一步认识长表；
• 接着了解宽表；
• 回顾长表与宽表的差异；
• 随后了解从一种格式转换为另一种格式需要的步骤；
• 最后，使用 R 动手实现：通过 melt() 与 dcast() 函数完成长转宽与宽转长。

数据

该表展示了某地婴儿的身高测量数据，时间跨度为 2011 至 2015 年。您可能已经知道，NA 表示“数据不可用”。从 NA 出现的位置，您大致能推断婴儿的年龄，但表中并未直接给出精确年龄。虽然表格看起来井井有条，但对于研究婴儿生长的人来说，问题在于：关键并不是测量发生的绝对年份，而是测量时婴儿的年龄。您能把这条信息加入表格吗？下面是一种方式：

NA 的数量增加了。## 宽表数据 但如果您想表示“婴儿满了多少个月”呢？可能会是下面这样：

如上表所示，NA 成片出现。如果婴儿的相对测量时间不同，宽表会极其浪费空间。另一种办法是在 2015 年时记录婴儿的年龄，但这只在所有绝对测量时间相同的情况下可行。如果婴儿测量时间相差以“月”为单位，而您又想用月份来表示年龄，就行不通了。在这种情况下，上述示例似乎是唯一可行的方式。这时，您就可以考虑使用长表。## 长表数据 在宽表中，一个婴儿的所有测量集中在一行；而在长表中，一行只包含一次测量。获得长表的最简单方法，就是在一行中展示儿童姓名、测量时间和测量值（身高）。下面这张表正是如此：

如果按名字排序整理数据，您会得到下面这样的表。显然，这张表占用的空间比上面的表 3 要小得多！

长表 vs 宽表

请再次注意长表与宽表的根本差异：一个直观的区别是，宽表将某个个体的多次测量放在同一行，并通过列名标示测量是什么。

下表在一行中展示了 Liam Brown 在 2011–2015 年的身高：

而在长表中，Liam Brown 的身高出现在同一列：

如您所见，单看这一列并不知道这些数值对应哪次测量。如果把列名写出来，会变成这样：

但这样也有问题。Sophia Johnson 在 2011–2014 年没有测量值。如下所示，这一列的列名就很难统一设定：

从宽表到长表

将宽表转换为长表可分步进行。在把一行中的多个测量堆叠到一列之前，您可以先把表格改造成“每行只保留一次测量”。以这张表为例：

结果如下表所示：

在把分散在多列的测量值收拢到一列之前，您需要先新增一列来标识这些测量的类别，如下：

新列名通常用 “measure” 或 “key”。您会注意到，上表中 “age0”、“age1”、“age2”、“age3”、“age4”、“age5” 同时出现在列名和某一列中。如果省略列名，表格如下。

由于每行只有一次测量，您可以将其收拢到一列，得到如下结果：

给这一列测量值起个新列名，通常叫作 "value"：

观察上表，您会发现 "age" 在重复。我们可以去掉重复的“age”前缀，得到：

每一行中重复出现的 Age 现在成了一个列名。上表中的 value 还可以更具体些：把它替换为更明确的 height。结果如下：

比较表 15 与表 17。表 15 中的列名 value 可以代表任何数值，而表 17 中的 height 则语义明确：只能表示身高；表 15 中的 value 可能是身高、体重、速度或颜色等任意值。另一种做法如下：

考虑测量项目多样化的情形：若既有身高、又有体重与 BMI，如下表所示。但此时 value 列混合了不同量纲的数值，读起来可能会困惑。此表中，身高单位为厘米，体重单位为千克：

因此，在把宽表转换为长表时，首先要决定哪些数值要合并进同一列。随后再确定该列的列名。

小结一下：将宽表转为长表，您需要先决定要合并成一列的那些列。合并后，原来多列会变成一列，因此需要给这列取一个列名，如下表所示：

观察上表中的 id1 与 id2 列。id2 并不标识个体，而是个体的属性（性别）。换言之，它也可以被视为测量项，因此亦可继续转为“更长”的形态。最“长”的形态由三列组成：id、key 与 value。

上表展示了表 25 的“最长形态”。但不同的人可能同名。

此时，长表会引发歧义，因为 id 无法唯一标识个人。您可以在姓名后加序号（例如使用 R 函数 make.unique()）加以区分，但若有人本名就带有数字（比如真叫 “John.2”），则无法区分修改过的名字与原名。

显而易见的解决方案是为不同的人分配不同的数字 ID。在这种情况下，姓名也可被视为另一项“测量”。

下表展示了连姓名都作为测量项处理。在某种意义上，这才是“真正的最长形态”。

“最长形态”是生成宽表最容易的起点。反向执行表 20 到表 25 所示的步骤，就能从长表回到宽表。下面的表展示了这一过程：

将宽表转为长表的关键，在于决定要把哪些列合并为一列。

但也不一定只能合并为“一列”。必要时，您可以合并成两列，如下表所示：

您能把它转换成长表吗？

h2011、h2012、w2011、w2012 分别表示 2011 与 2012 年的身高与体重。height 与 weight 的量纲不同（厘米、千克）。您可以将二者合并到同一列，也可以保留为两列，如下：

这到底是长表还是宽表呢？

R 中的长表转宽表

让我们用 R 来进行长表与宽表之间的转换。完成该任务的函数与包有很多。

这里将讲解 reshape2 包中的 melt() 与 dcast() 函数。原因是 stack() 与 unstack() 虽是基础函数，但通常需要对结果再做后处理。需要说明的是，gather() 与 spread() 是 tidyr 中同样流行的函数，但本教程不做覆盖。

另一个可用函数是 stats 包中的 reshape()。别被它与同名包 reshape 搞混！后者与 reshape2 是为帮助使用 reshape() 感到吃力的人而开发的。另外，reshape() 似乎默认数据具有纵向特征（即随时间重复测量）。

让我们把表 35 的数据转成长表。假设下表以 data.frame 形式存为 dat。

babies = data.frame(name= c("Jackson Smith", "Emma Williams", "Liam Brown", "Ava Wilson"), gender = c("M", "F", "M", "F"), year2011= c(74.69, NA, 88.24, 88.77), year2012=c(84.99, NA, NA, 96.45), year2013=c(91.73, 75.74, 101.83, NA)) babies

##            name gender year2011 year2012 year2013
## 1 Jackson Smith      M    74.69    84.99    91.73
## 2 Emma Williams      F       NA       NA    75.74
## 3    Liam Brown      M    88.24       NA   101.83
## 4    Ava Wilson      F    88.77    96.45       NA
技术支持

您需要首先回答的问题是：“哪些列要合并为一列？”

这里就是 year2011、year2012、year2013。使用 melt() 时，把这些列写在 measure.vars 中：

melt(babies, measure.vars = c("year2011", "year2012", "year2013"))

##             name gender variable  value
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA
技术支持

year2011、year2012、year2013 分别位于第 3、4、5 列，因此也可以这样写：

melt(babies, measure.vars = 3:5)

##             name gender variable  value
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA
技术支持

结果见上表。注意列名 variable 与 value。表 23 与表 24 已展示：需要为新列命名。melt() 的默认新列名是 variable 与 value。您可以通过 variable.name= 与 value.name= 参数覆盖默认值，如下：

melt(babies, measure.vars=3:5, variable.name="year", value.name="height")

##             name gender     year height
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA
技术支持

上述示例是按测量项来指定的。在某些场景中，Id 也可间接指定测量项。因此您也可以选择用 id 列来指定，而不是用测量列。

下面两种写法等价。第一种选择 id 列，第二种选择要合并的列：

melt(babies, id.vars=c("name","gender"))

melt(babies, measure.vars = c("year2011", "year2012", "year2013"))

##             name gender variable  value
## 1  Jackson Smith      M year2011  74.69
## 2  Emma Williams      F year2011     NA
## 3     Liam Brown      M year2011  88.24
## 4     Ava Wilson      F year2011  88.77
## 5  Jackson Smith      M year2012  84.99
## 6  Emma Williams      F year2012     NA
## 7     Liam Brown      M year2012     NA
## 8     Ava Wilson      F year2012  96.45
## 9  Jackson Smith      M year2013  91.73
## 10 Emma Williams      F year2013  75.74
## 11    Liam Brown      M year2013 101.83
## 12    Ava Wilson      F year2013     NA
技术支持

如果同时指定 id.vars 与 measure.vars，未被包含在两者中的列将被排除。例如：

melt(babies, id.vars=c("name"), measure.vars=c("year2011", "year2012"))

##            name variable value
## 1 Jackson Smith year2011 74.69
## 2 Emma Williams year2011    NA
## 3    Liam Brown year2011 88.24
## 4    Ava Wilson year2011 88.77
## 5 Jackson Smith year2012 84.99
## 6 Emma Williams year2012    NA
## 7    Liam Brown year2012    NA
## 8    Ava Wilson year2012 96.45
技术支持

此外，使用 na.rm=T 可去除 NA：

melt(babies, id.vars=c("name"), measure.vars=c("year2011", "year2012"), na.rm=T)

##            name variable value
## 1 Jackson Smith year2011 74.69
## 3    Liam Brown year2011 88.24
## 4    Ava Wilson year2011 88.77
## 5 Jackson Smith year2012 84.99
## 8    Ava Wilson year2012 96.45
技术支持

dcast() 与 melt() 相反。id、variable、value 是“最长形态”的三列。dcast(data, id ~ variable, value.var="value") 可将最长形态转换为宽表。

babiesLong <- melt(babies, id.vars=c("name"), measure.vars=c("year2011", "year2012"), na.rm=T)
babiesLong

##            name variable value
## 1 Jackson Smith year2011 74.69
## 3    Liam Brown year2011 88.24
## 4    Ava Wilson year2011 88.77
## 5 Jackson Smith year2012 84.99
## 8    Ava Wilson year2012 96.45
技术支持

babiesLong 中，name 对应 id，variable 对应 variable，value 对应 value。因此可用 dcast() 将其变回宽表：

dcast(babiesLong, name ~ variable, value.var="value")

##            name year2011 year2012
## 1    Ava Wilson    88.77    96.45
## 2 Jackson Smith    74.69    84.99
## 3    Liam Brown    88.24       NA
技术支持

结语

以上就是全部内容。本教程着重于理解数据重塑的逻辑与过程。通常，长表更适合分析，但也有例外。在合适的场景下，宽表更省空间；然而当缺失值增多时，转换为长表往往更合适。

在格式转换时，请聚焦“什么是测量项”。长表的口号是“一行一个测量”，而宽表是一行包含多个测量。当您把分布在多列的测量合并到一列时，需要用新增的一列来保留原列名；当您把一列中的测量展开到多列时，则需要从 variable 列推断并设定新的列名。

理解了这一过程后，使用 dcast() 与 melt() 等函数就会顺畅许多！