R中的數據重塑是關于改變數據組織成行和列的方式.大多數情況下，R中的數據處理是通過將輸入數據作為數據幀來完成的.從數據幀的行和列中提取數據很容易，但有些情況下我們需要的數據幀格式與我們收到它的格式不同. R有許多功能可以在數據框中拆分，合并和更改行到列，反之亦然.

在數據框中連接列和行

我們可以使用 cbind()函數連接多個向量來創建數據框.我們也可以使用 rbind()函數合并兩個數據幀.

# Create vector objects.city <- c("Tampa","Seattle","Hartford","Denver")state <- c("FL","WA","CT","CO")zipcode <- c(33602,98104,06161,80294)# Combine above three vectors into one data frame.addresses <- cbind(city,state,zipcode)# Print a header.cat("# # # # The First data frame\n") # Print the data frame.print(addresses)# Create another data frame with similar columnsnew.address <- data.frame(   city = c("Lowry","Charlotte"),   state = c("CO","FL"),   zipcode = c("80230","33949"),   stringsAsFactors = FALSE)# Print a header.cat("# # # The Second data frame\n") # Print the data frame.print(new.address)# Combine rows form both the data frames.all.addresses <- rbind(addresses,new.address)# Print a header.cat("# # # The combined data frame\n") # Print the result.print(all.addresses)

當我們執行上面的代碼時，它會產生以下結果 :

# # # # The First data frame     city       state zipcode[1,] "Tampa"    "FL"  "33602"[2,] "Seattle"  "WA"  "98104"[3,] "Hartford" "CT"   "6161" [4,] "Denver"   "CO"  "80294"# # # The Second data frame       city       state   zipcode1      Lowry      CO      802302      Charlotte  FL      33949# # # The combined data frame       city      state zipcode1      Tampa     FL    336022      Seattle   WA    981043      Hartford  CT     61614      Denver    CO    802945      Lowry     CO    802306     Charlotte  FL    33949

合并數據框

我們可以使用合并合并兩個數據框( )功能.數據框必須具有相同的列名稱才能進行合并.

在下面的示例中，我們認為Pima Indian Women中的糖尿病數據集可在庫名稱"MASS"中找到.我們基于血壓("bp")和體重指數("bmi")的值合并兩個數據集.在選擇這兩列進行合并時，這兩個變量的值在兩個數據集中匹配的記錄被組合在一起形成一個數據框.

library(MASS)merged.Pima <- merge(x = Pima.te, y = Pima.tr,   by.x = c("bp", "bmi"),   by.y = c("bp", "bmi"))print(merged.Pima)nrow(merged.Pima)

當我們執行上面的代碼時，它產生以下結果 :

   bp  bmi npreg.x glu.x skin.x ped.x age.x type.x npreg.y glu.y skin.y ped.y1  60 33.8       1   117     23 0.466    27     No       2   125     20 0.0882  64 29.7       2    75     24 0.370    33     No       2   100     23 0.3683  64 31.2       5   189     33 0.583    29    Yes       3   158     13 0.2954  64 33.2       4   117     27 0.230    24     No       1    96     27 0.2895  66 38.1       3   115     39 0.150    28     No       1   114     36 0.2896  68 38.5       2   100     25 0.324    26     No       7   129     49 0.4397  70 27.4       1   116     28 0.204    21     No       0   124     20 0.2548  70 33.1       4    91     32 0.446    22     No       9   123     44 0.3749  70 35.4       9   124     33 0.282    34     No       6   134     23 0.54210 72 25.6       1   157     21 0.123    24     No       4    99     17 0.29411 72 37.7       5    95     33 0.370    27     No       6   103     32 0.32412 74 25.9       9   134     33 0.460    81     No       8   126     38 0.16213 74 25.9       1    95     21 0.673    36     No       8   126     38 0.16214 78 27.6       5    88     30 0.258    37     No       6   125     31 0.56515 78 27.6      10   122     31 0.512    45     No       6   125     31 0.56516 78 39.4       2   112     50 0.175    24     No       4   112     40 0.23617 88 34.5       1   117     24 0.403    40    Yes       4   127     11 0.598   age.y type.y1     31     No2     21     No3     24     No4     21     No5     21     No6     43    Yes7     36    Yes8     40     No9     29    Yes10    28     No11    55     No12    39     No13    39     No14    49    Yes15    49    Yes16    38     No17    28     No[1] 17

融化和鑄造

R編程最有趣的一個方面是以多個步驟改變數據的形狀以獲得所需的形狀.用于執行此操作的函數稱為 melt()和 cast().

我們認為稱為船舶的數據集存在于庫名為"MASS".

library(MASS)print(ships)

當我們執行上面的代碼時，它產生以下結果 :

     type year   period   service   incidents1     A   60     60        127         02     A   60     75         63         03     A   65     60       1095         34     A   65     75       1095         45     A   70     60       1512         6..........................8     A   75     75       2244         119     B   60     60      44882         3910    B   60     75      17176         2911    B   65     60      28609         58........................17    C   60     60      1179          118    C   60     75       552          119    C   65     60       781          0........................

融化數據

現在我們將數據融合以組織它，將除type和year之外的所有列轉換為多行.

molten.ships <- melt(ships, id = c("type","year"))print(molten.ships)

當我們執行上面的代碼時，它產生以下結果 :

      type year  variable  value1      A   60    period      602      A   60    period      753      A   65    period      604      A   65    period      75........................9      B   60    period      6010     B   60    period      7511     B   65    period      6012     B   65    period      7513     B   70    period      60......................41     A   60    service    12742     A   60    service     6343     A   65    service   1095......................70     D   70    service   120871     D   75    service      072     D   75    service   205173     E   60    service     4574     E   60    service      075     E   65    service    789......................101    C   70    incidents    6102    C   70    incidents    2103    C   75    incidents    0104    C   75    incidents    1105    D   60    incidents    0106    D   60    incidents    0......................

施放熔融數據

我們可以將熔融數據轉換為新形式，其中每年創建每種類型船舶的總量.它是使用 cast()函數完成的.

recasted.ship <- cast(molten.ships, type+year~variable,sum)print(recasted.ship)

當我們執行上面的代碼時，它產生以下結果 :

     type year  period  service  incidents1     A   60    135       190      02     A   65    135      2190      73     A   70    135      4865     244     A   75    135      2244     115     B   60    135     62058     686     B   65    135     48979    1117     B   70    135     20163     568     B   75    135      7117     189     C   60    135      1731      210    C   65    135      1457      111    C   70    135      2731      812    C   75    135       274      113    D   60    135       356      014    D   65    135       480      015    D   70    135      1557     1316    D   75    135      2051      417    E   60    135        45      018    E   65    135      1226     1419    E   70    135      3318     1720    E   75    135       542      1