现在给大家介绍的数据处理技巧是长转宽，也就相当于Excel中的转置，不过用R语言实现的长转宽还有数据合并的功能，自然比Excel强大多了。

这里给大家介绍4个函数，其中melt()、dcast()来自reshape2包，gather（）、spread()来自tidyr包
一、宽转长——melt()、gather（）
[python] view plain copy

    mydata<-data.frame(  
      name=c("store1","store2","store3","store4"),  
      address=c("普陀区","黄浦区","徐汇区","浦东新区"),  
      sale2014=c(3000,2500,2100,1000),  
      sale2015=c(3020,2800,3900,2000),  
      sale2016=c(5150,3600,2700,2500),  
      sale2017=c(4450,4100,4000,3200)  
    )  
    #宽转长——melt  
    mydata1<-melt(  
      mydata,  
      id.vars=c("address","name"),#要保留的主字段  
      variable.name = "Year",#转换后的分类字段名称（维度）  
      value.name = "Sale" #转换后的度量值名称  
    )  

输出结果
[python] view plain copy

    > mydata1<-melt(  
    +   mydata,  
    +   id.vars=c("address","name"),#要保留的主字段  
    +   variable.name = "Year",#转换后的分类字段名称（维度）  
    +   value.name = "Sale" #转换后的度量值名称  
    + )  
    > mydata1  
        address   name     Year Sale  
    1    普陀区 store1 sale2014 3000  
    2    黄浦区 store2 sale2014 2500  
    3    徐汇区 store3 sale2014 2100  
    4  浦东新区 store4 sale2014 1000  
    5    普陀区 store1 sale2015 3020  
    6    黄浦区 store2 sale2015 2800  
    7    徐汇区 store3 sale2015 3900  
    8  浦东新区 store4 sale2015 2000  
    9    普陀区 store1 sale2016 5150  
    10   黄浦区 store2 sale2016 3600  
    11   徐汇区 store3 sale2016 2700  
    12 浦东新区 store4 sale2016 2500  
    13   普陀区 store1 sale2017 4450  
    14   黄浦区 store2 sale2017 4100  
    15   徐汇区 store3 sale2017 4000  
    16 浦东新区 store4 sale2017 3200
再来看看gather（）函数怎么用
[python] view plain copy

    > #宽转长——gather  
    > mydata1<-tidyr::gather(  
    +   data=mydata,  
    +   key="Year",  
    +   value="sale",  
    +   sale2014:sale2017  
    + )  
    > mydata1  
         name  address     Year sale  
    1  store1   普陀区 sale2014 3000  
    2  store2   黄浦区 sale2014 2500  
    3  store3   徐汇区 sale2014 2100  
    4  store4 浦东新区 sale2014 1000  
    5  store1   普陀区 sale2015 3020  
    6  store2   黄浦区 sale2015 2800  
    7  store3   徐汇区 sale2015 3900  
    8  store4 浦东新区 sale2015 2000  
    9  store1   普陀区 sale2016 5150  
    10 store2   黄浦区 sale2016 3600  
    11 store3   徐汇区 sale2016 2700  
    12 store4 浦东新区 sale2016 2500  
    13 store1   普陀区 sale2017 4450  
    14 store2   黄浦区 sale2017 4100  
    15 store3   徐汇区 sale2017 4000  
    16 store4 浦东新区 sale2017 3200
和melt（）函数不同，gather（）函数需要指定关键字段key,以及关键字段对应的值value，但是gather（）函数更加好理解。
二、长转宽——dcast()和spread()
还是用上面的data1数据集，先来看看dcast()函数
[python] view plain copy

    #长转宽——dcast  
    dcast(  
      data=mydata1,  
      name+address~Year  
      #左侧是要保留的字段，右侧是要分割的分类变量，列数等于表达式  
      #右侧分类变量的类别个数  
    )  

[python] view plain copy

    > #长转宽——dcast  
    > dcast(  
    +   data=mydata1,  
    +   name+address~Year  
    +   #左侧是要保留的字段，右侧是要分割的分类变量，列数等于表达式  
    +   #右侧分类变量的类别个数  
    + )  
    Using sale as value column: use value.var to override.  
        name  address sale2014 sale2015 sale2016 sale2017  
    1 store1   普陀区     3000     3020     5150     4450  
    2 store2   黄浦区     2500     2800     3600     4100  
    3 store3   徐汇区     2100     3900     2700     4000  
    4 store4 浦东新区     1000     2000     2500     3200
dcast()函数的使用规则需要琢磨下才能理解，大家好好看看注释部分，再来看看spread()
[python] view plain copy

    #长转宽——spread  
    tidyr::spread(  
      data=mydata1,  
      key=Year,  
      value=sale  
    )  

[python] view plain copy

    > #长转宽——spread  
    > tidyr::spread(  
    +   data=mydata1,  
    +   key=Year,  
    +   value=sale  
    + )  
        name  address sale2014 sale2015 sale2016 sale2017  
    1 store1   普陀区     3000     3020     5150     4450  
    2 store2   黄浦区     2500     2800     3600     4100  
    3 store3   徐汇区     2100     3900     2700     4000  
    4 store4 浦东新区     1000     2000     2500     3200
直接调用tidyr::spread，需要指定关键字段key和对应的值value。
但是从理解上来看，我个人更喜欢tidyr包的函数，使用很清晰，大家可以根据实际情况自行选择，好啦，今天的分享结束，下次再见！

扫码下载CDA数据分析师APP，更多免费精彩内容等你来学！