Remodelación de datos en R

Combinar marcos de datos

El lenguaje R, para combinar marcos de datos, utilizamerge()funciones.

La sintaxis de la función merge() es la siguiente:

# 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, …)

Descripción de los parámetros comunes:

• x, y: marcos de datos
• by, by.x, by.y: especifican los nombres de las columnas que coinciden en los dos marcos de datos; de forma predeterminada, se usan los nombres de columna idénticos en ambos marcos de datos.
• all: valor lógico; all = L es una abreviatura de all.x = L y all.y = L, donde L puede ser TRUE o FALSE.
• all.x: valor lógico, por defecto FALSE. Si es TRUE, muestra las filas coincidentes de x, incluso si no hay coincidencias correspondientes en y; las filas sin coincidencia en y se representan con NA.
• all.y: valor lógico, por defecto FALSE. Si es TRUE, muestra las filas coincidentes de y, incluso si no hay coincidencias correspondientes en x; las filas sin coincidencia en x se representan con NA.
• sort: valor lógico, indica si se ordenan las columnas.

La función merge() es muy similar a la funcionalidad JOIN de SQL:

• Natural join o INNER JOIN: si hay al menos una coincidencia en las tablas, devuelve las filas
• Left outer join o LEFT JOIN: devuelve todas las filas de la tabla izquierda incluso si no hay coincidencias en la tabla derecha
• Right outer join o RIGHT JOIN: devuelve todas las filas de la tabla derecha incluso si no hay coincidencias en la tabla izquierda
• Full outer join o FULL JOIN: devuelve filas siempre que haya una coincidencia en una de las tablas

El resultado de ejecutar el código anterior es:

[1] "----- INNER JOIN -----"
  SiteId     Site Country
1      2   Ejemplo      CN
2      4 Facebook     USA
3      6    Weibo      CN
[1] "----- FULL JOIN -----"
  SiteId     Site Country.x Country.y
1      2   Ejemplo        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   Ejemplo      CN   Ejemplo        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   Ejemplo      CN   Ejemplo        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

Integración y división de datos

El lenguaje R utilizamelt()ycast()funciones para integrar y dividir los datos.

• melt(): convierte datos en formato ancho a formato largo.
• cast(): convierte datos en formato largo a formato ancho.

La siguiente figura muestra claramente la funcionalidad de melt() y cast() (se detallará en ejemplos posteriores):

La función melt() apila cada columna del conjunto de datos en una sola columna; el formato de la sintaxis de la función es:

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

Descripción de parámetros:

• data: conjunto de datos.
• ...: otros argumentos pasados a otros métodos o provenientes de otros métodos.
• na.rm: indica si se eliminan los valores NA del conjunto de datos.
• value.name: nombre de la variable, utilizado para almacenar los valores.

Antes de realizar las siguientes operaciones, primero instalamos los paquetes de dependencia:

# 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/") 

Ejemplo de prueba:

El resultado de ejecutar el código anterior es:

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

La función cast se utiliza para restaurar el marco de datos combinado; dcast() devuelve un marco de datos, y acast() devuelve un vector/matriz/array.

El formato de la sintaxis de la función cast() es:

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)
)

Descripción de parámetros:

• data: el marco de datos combinado.
• formula: el formato de los datos remodelados, similar al formato x ~ y, donde x es la etiqueta de fila e y es la etiqueta de columna.
• fun.aggregate: función de agregación, utilizada para procesar los valores.
• margins: vector de nombres de variables (puede incluir "grand\_col" y "grand\_row"), utilizado para calcular márgenes; si se establece como TRUE, calcula todos los márgenes.
• subset: filtra condicionalmente los resultados, con un formato similar asubset = .(variable=="length")。
• drop: indica si se conservan los valores predeterminados.
• value.var: seguido del campo que se va a procesar.

El resultado de ejecutar el código anterior es:

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