今天学习R语言中数据重塑相关基础知识，主要有merge、melt、cast函数用法示例。
合并数据框
merge（）函数能够以一列为参考合并两个不同数据框，相当于数学中的布尔运算“交集、并集、反补集”，没有的元素定为NA，语法格式如下：
merge(x, y, #数据框 by = intersect(names(x), names(y)), #制定匹配列名称 by.x = by, by.y = by, #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 = FALSE, #默认取交集，若TRUE则为并集 all.x = all, #取x的全集和交集 all.y = all, #取y的全集和交集 sort = TRUE, #排序，默认打开 suffixes = c(".x",".y"), #后缀，当合并后的x,y矩阵有相同的列名时，使用后缀表明出处，默认后缀为.x, .y no.dups = TRUE, #是否将上一个参数扩展到更多情况下，以避免出现重复的列名 incomparables = NULL, …)
by.x和by.y是用来告诉merge函数取出x（第一个数据框）的by.x列和y（第二个数据框）的by.y列中具有相同取值的行进行合并，其他的丢掉，另外如果指定了其中一个，那么另一个就必须同时指定，不然就报错。
老规矩，接下来演示：
> #合并两个不同内容的数据框，交并补三种方式。 > df1 <- data.frame(id = c(1:4),name = c("jack","jeson","lucky","poler")) > df2 <- data.frame(id = c(2,4,6),home = c("zhong","han","mei"))
上面咱已经建立了俩数据框，df1有4个ID，每个id对应4个名字，共4行。
> # 生成两个数据框，行数不一样，但有重叠区域 > df3 <- merge(x = df1,y = df2,by = "id") > #以id列为准进行合并，两个数据框中只有序号2、4同时存在，默认取交集。 > print(df3) id name home 1 2 jeson zhong 2 4 poler han
通过id为准来合并两个数据框，其中df1中id的2和4在df2中也存在，属于两者共同交集，因此输出的只有这俩。
> df4 <- merge(x=df1,y=df2,by="id",all=TRUE) > #输出两个数据框的并集 > print(df4) id name home 1 1 jack <NA> 2 2 jeson zhong 3 3 lucky <NA> 4 4 poler han 5 6 <NA> mei
添加了all=TRUE，表示全部合并，取并集，没有元素用NA，共6条结果。
> df5 <- merge(x=df1,y=df2,by="id",all.x=TRUE) > #输出（df1的全部）和（df1与df2的交集） > print(df5) id name home 1 1 jack <NA> 2 2 jeson zhong 3 3 lucky <NA> 4 4 poler han
all.x表示左边数据框的全部数据都保留，下面同理输出右边数据框的全部。
> df6 <- merge(x=df1,y=df2,by="id",all.y=TRUE) > #输出（df2的全部）和（df1与df2的交集） > print(df6) id name home 1 2 jeson zhong 2 4 poler han 3 6 <NA> mei
为了更好的理解，用下图来说明，all参数控制合并时布尔运算逻辑。
数据整合拆分
R 语言使用 melt() 和 cast() 函数来对数据进行整合和拆分，该功能需要借助R包来完成，首先安装R包并载入：
install.packages("MASS", repos = "https://mirrors.ustc.edu.cn/CRAN/") install.packages("reshape2", repos = "https://mirrors.ustc.edu.cn/CRAN/") install.packages("reshape", repos = "https://mirrors.ustc.edu.cn/CRAN/") library(MASS) library(reshape2) library(reshape)
melt和dcast函数都是来自于reshape2程序包的函数，melt的作用为将宽数据转化为长数据，而dcast的作用为将长数据转化为宽数据，二者互为“逆函数”。如下图：
melt（）函数
英语中melt的意思是融化，咱们可以理解为将很多数据融化成具有一定规则的数据，方便后续分析。
数据分析时，采用的数据通常是宽数据，在进行图形绘制时，常常需要将多列放置在一列中，例如需要在同一张图中绘制出三个结局的时间序列，那么就需要将原来的三个结局变量转化为一个三分类变量的列，然后将这个三分类变量映射为点图的颜色或形状等图形属性，这样就实现了绘图的需求。
一般样本数据都有很多个不同的属性和值，列表会有好多列很宽，melt函数能够将列表由宽变窄，值被按顺序排成一列了。函数的语法格式：
melt(data, ..., #数据集 na.rm = FALSE, #是否删除数据中的NA value.name = "value") #变量名称
接下来进行实例演示，创建一个数据框，数据有两列为标识，另外两列为值，用于后续操作。
> id<- c(1, 1, 2, 2) > lei <- c(1, 2, 1, 2) > x1 <- c(5, 3, 6, 2) > x2 <- c(6, 5, 1, 4) > data_1 <- data.frame(id,lei,x1,x2) > print(data_1) id lei x1 x2 1 1 1 5 6 2 1 2 3 5 3 2 1 6 1 4 2 2 2 4 > out_1 <- melt(data_1,id = c("id","lei")) > print(out_1) id lei 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
由上面的结果可以看出melt函数的作用是将原本横着排列的列堆在一个列里，每一行只留下一个值。
cast（）函数
cast（） 函数用于对合并对数据框进行还原，dcast() 返回数据框，语法格式如下：
dcast( data, #待处理的数据框 formula, #重塑的数据格式，x~y fun.aggregate = NULL, #聚合函数 subset = NULL, #对结果进行筛选 drop = TRUE, #是否保留默认值 value.var = guess_value(data) #待处理的字段 )
首先，创建一个数据框，并把它用melt函数整合。
> 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) > md <- melt(mydata, id = c("id","time")) > print(md) 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
接下来，尝试用cast函数对其进行拆分。
> cast.data <- cast(md, id~variable, mean) > print(cast.data) id x1 x2 1 1 4 5.5 2 2 4 2.5
还可以尝试用不同的参数，以不同的方式进行拆分。~符号的前面表示列，后面表示值，用法有点类似Excel中数据透视表功能。
> time.cast <- cast(md, time~variable, mean) #输出内容是不同time下variable的值 > print(time.cast) time x1 x2 1 1 5.5 3.5 2 2 2.5 4.5 > id.time <- cast(md, id~time, mean) #输出内容是不同id下time的值 > print(id.time) id 1 2 1 1 5.5 4 2 2 3.5 3 > id.time.cast <- cast(md, id+time~variable) #输出内容是不同id和不同time下variable的值 > print(id.time.cast) 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.time <- cast(md, id+variable~time) # 输出内容是不同id和variable下time的值 > print(id.variable.time) 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.variable.time2 <- cast(md, id~variable+time) #输出内容是不同id下不同time和值 > print(id.variable.time2) id x1_1 x1_2 x2_1 x2_2 1 1 5 3 6 5 2 2 6 2 1 4
