没有ggplot这个函数_ggplot长宽数据

长宽数据转化，一直是各种工具在数据处理上的难点。一般而言，宽数据更加符合人们的阅读习惯，易于查看，理解。但长数据更适合用来分析，进行各种的处理。 gg plo t 2 作图 在数据层上更倾向于长数据，一般像 ： 分组添加曲线，以及 图例系统的完善都是长数据作图 ，再 修改完善 标度、 图例系统。 事实上，长宽数据的解释，比较麻烦，往往是不同的场合下有不同的特征，针对具体情形来谈，会更加合适。 基础函数中： reshape() , stack() , unstack()   是最早的该类函数，但目前，已普遍不被使用。 随着， reshape  包的出现，较好地解决了该类问题，随后， reshape2 包的升级，逐步完善。也奠定了  melt() 和 dcast() 函数的实际地位。之后的话，过渡到了 tidyr   包中的  gather() ,  spre a d()  函数。再往后，出现了 pivot_long( ) ，  pivot_wider()  函数。 到目前位置，长宽数据转换，也主要见于上述这些函数。当然，该类函数可见的教程较多，实在没有深入讲解的必要。

这里，需要借助一个例子来详细地说明一些内容： 使用 cranlogs 包来展示上述涉及到的包的下载情况的变化

c('reshape2','tidyr','reshape') %>% 
  cran_downloads('last-month')  %>% 
    ggplot(aes(date,count)) + 
      geom_line(aes(colour = package))

图像：

上述的作图过程，其实反映了 ggplot2 的长数据应用的流程。这样的模式，能够更加灵活，例如需要增加显示的： tidyverse

c('reshape2','tidyr','reshape','tidyverse') %>% 
  cran_downloads('last-month')  %>% 
    ggplot(aes(date,count)) + 
      geom_line(aes(colour = package))

图像：

事实上，tidyr 的下载量偏高与 tidyverse, 但由于 tidyr 本身具备其他的一些功能，更容易被人们使用，所以相对而言，下载量比 reshape2 明显偏高。 下面，继续讨论下载量数据：

c('reshape2','tidyr') %>% 
  cran_downloads(from = '20