一、通過重新構建數據進行整形

數據整形最直接的思路就把數據全部向量化，然后按要求用向量構建其他類型的數據。這樣是不是會產生大量的中間變量、占用大量內存？沒錯。R語言的任何函數（包括賦值）操作都會有同樣的問題，因為R函數的參數傳遞方式是傳值不傳址，變量不可能原地址修改后再放回原地址。

矩陣和多維數組的向量化有直接的類型轉換函數： as.vector，向量化后的結果順序是先列后行再其他：

> (x <- matrix(1:4, ncol=2))  #為節省空間，下面的結果省略了一些空行 
     [,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，數據框本質是元素長度相同的列表，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 

其他類型的數據一般都可以通過數組、矩陣或列表轉成向量。一些軟件包有自定義的數據類型，如果考慮周到的話應該會有合適的類型轉換函數。

二、transform 和 within函數

transform 函數對數據框進行操作，作用是為原數據框增加新的列變量。但應該注意的是“原數據框”根本不是原來的那個數據框，而是一個它的拷貝。下面代碼為airquality數據框增加了一列log.ozone，但因為沒有把結果賦值給原變量名，所以原數據是不變的：

> 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, loglog.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可以增加新列變量，可以改變列變量的值，也可以通過NULL賦值的方式刪除列變量：

> aq <- transform(airquality, loglog.ozone=log(Ozone), Ozone=NULL, WindWind=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, loglog.ozone=log(Ozone), Ozone=NULL, Month=NULL, WindWind=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 靈活些，除數據框外還可以使用其他類型數據，但用法不大一樣，而且函數似乎也不夠完善：

> 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   #為什么刪除兩個列表元素會得到這樣的結果？ 
 
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 函數

reshape是R base/stats的函數，主要用于數據框長格式和寬格式之間的轉換。reshape函數的參數很多，不容易記，牛人Hadley Wickham搞出reshape和reshape2包以后這個函數幾乎被人遺忘：

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)} 
        ) 

既然可以被遺忘，那就等你走投無路的時候（估計不會有這樣的情況發生）再去了解它吧。

stack 和 unstack 的作用和reshape類似，用于數據框/列表的長、寬格式之間轉換。數據框寬格式是我們記錄原始數據常用的格式，類似這樣：

> 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 

一般統計和作圖用的是長格式，stack可以做這個：

> （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個參數是公式類型：公式左邊的變量是值，右邊的變量會被當成因子類型，它的每個水平都會形成一列：

> 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的一個人，寫了很多R語言包，著名的有ggplot2, plyr, reshape/reshape2等。reshape2包是reshape包的重寫版，用reshape2就行，都在CRAN源中，用install.packages函數就可以安裝。reshape/reshape2的函數很少，一般用戶直接使用的是melt, acast 和 dcast 函數。

melt是溶解/分解的意思，即拆分數據。reshape/reshape2的melt函數是個S3通用函數，它會根據數據類型（數據框，數組或列表）選擇melt.data.frame, melt.array 或 melt.list函數進行實際操作。

如果是數組（array）類型，melt的用法就很簡單，它依次對各維度的名稱進行組合將數據進行線性/向量化。如果數組有n維，那么得到的結果共有n+1列，前n列記錄數組的位置信息，最后一列才是觀測值：

> 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 

如果是列表數據，melt 函數將列表中的數據拉成兩列，一列記錄列表元素的值，另一列記錄列表元素的名稱；如果列表中的元素是列表，則增加列變量存儲元素名稱。元素值排列在前，名稱在后，越是頂級的列表元素名稱越靠后：

> 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 

如果數據是數據框類型，melt的參數就稍微復雜些：

melt(data, id.vars, measure.vars, 
    variable.name = "variable", ..., na.rm = FALSE, 
    value.name = "value") 

其中 id.vars 是被當做維度的列變量，每個變量在結果中占一列；measure.vars 是被當成觀測值的列變量，它們的列變量名稱和值分別組成 variable 和 value兩列，列變量名稱用variable.name 和 value.name來指定。我們用airquality數據來看看：

> 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陽輻射、風速、溫度三者（列2:4）的關系，我們把它轉成長格式數據框：

> 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 可以寫成id，measure.vars可以寫成measure。id（即var.ids）和 觀測值（即measure.vars）這兩個參數可以只指定其中一個，剩余的列被當成另外一個參數的值；如果兩個都省略，數值型的列被看成觀測值，其他的被當成id。如果想省略參數或者去掉部分數據，參數名最好用 id/measure，否則得到的結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)))   #看這里，雖然id只引用了一列，但結果卻不是這樣 
'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))  #這樣用更慘，結果不是我們要的吧？ 
 
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))  #這樣才行 
'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 ... 

數據整容有什么用？當然有。別忘了reshape2和ggplot2都是Hadley Wickham的作品，melt 以后的數據（稱為molten數據）用ggplot2做統計圖就很方便了，可以快速做出我們需要的圖形：

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獲得的數據（molten data）可以用 acast 或 dcast 還原。acast獲得數組，dcast獲得數據框。和unstack函數一樣，cast函數使用公式參數。公式的左邊每個變量都會作為結果中的一列，而右邊的變量被當成因子類型，每個水平都會在結果中產生一列。

> 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函數的作用不只是還原數據，還可以使用函數對數據進行匯總（aggregate）。事實上，melt函數是為cast服務的，目的是使用cast函數對數據進行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 的功能已經遠遠超出數據整容的范圍，Hadley在plyr中應用了split-apply-combine的數據處理哲學，即：先將數據分離，然后應用某些處理函數，最后將結果重新組合成所需的形式返回。某些人士喜歡用“揉”來表述這樣的數據處理；“揉”，把數據當面團搗來搗去，很哲，磚家們的磚頭落下來，拍死人絕不償命[[74033]]。

先別哲了，來點實際的：plyr的函數命名方式比較規律，很容易記憶和使用。比如 a開頭的函數aaply, adply 和 alply 將數組（array）分別轉成數組、數據框和列表；daply, ddply 和 dlply 將數據框分別轉成數組、數據框和列表；而laply, ldaply, llply將列表（list）分別轉成數組、數據框和列表。

下面我們看看如何使用ldply函數將ath1121501.db包中的KEGG列表數據轉成數據框：

> 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包的函數較多，不再一一介紹，更多用法請參考它的在線幫助，Hadley 也寫了很詳細的tutorial：http://plyr.had.co.nz/09-user/

原文鏈接：http://helloxxxxxx.blog.163.com/blog/static/21601509520133343821837/?latestBlog

【編輯推薦】

1.R語言學習筆記(1)：R是什么

1.R語言學習筆記(2)：數據類型和數據結構