利用 Python / R 对数据集进行「长」「宽」转换

晚上在微信群看到有人提问：

这其实是数据处理中经常遇到的数据集「长」「宽」格式转换问题。看起来似乎挺难，有很多细节要考虑。实际上这个问题也的确不简单，如果从零开始码要花不少精力，效果还不好保证。

但是，因为这个问题太常见了，所以 Python / R 都提供了对应的函数来专门解决这个问题。

利用 Python 进行「长」「宽」转换

Python 的 pandas package 提供了.melt( ) / .pivot( )两个函数来做「长」「宽」转换。前者将宽数据集转换为长数据集，后者将长数据集转换为宽数据集。

import pandas as pd
data = {'username':['张三','李四','王五'],
'数学':[34,45,76],
'语文':[58,87,34],
'英语':[578,45,89]}
df = pd.DataFrame(data)
df

观察上表，我们很容易想到它还可以组织成 username，subject，score 这种形式：

melted = pd.melt(df,['username'])

一行代码就能实现我们想要的操作。 .melt( ) 接收两个参数，第一个参数是需要变换的数据集。第二个参数是一个列表，列表中指定的数据集的列作为分组的指标，剩下的所有列名合并为转换后的数据集的一列，默认列名是 variable。分组指标和列名共同定位一个唯一的值，所有的这些值合并为一列，默认列名是 value。

最后，按需对变换后的数据集重命名。

melted.rename(columns = {'variable':'subject','value':'score'})

.melt( ) 的逆操作是.pivot( )

pivoted = melted.pivot('username','subject','score')

.pivot() 的第一、二参数分别用作转换后的数据集行和列索引，可选列作为转换后的 dataframe 的值。如果不想将第一个参数作为行索引，可以将索引重置：

pivoted.columns = ['数学','英语','语文']
pivoted.reset_index()

利用 R 进行「长」「宽」转换

R 的 tidyr package 提供了 spread( )  / gather( )两个函数来做「长」「宽」转换。前者将宽数据集转换为长数据集，后者将长数据集转换为宽数据集。

library(tidyr)

data <- data.frame(username =c('张三','李四','王五'),
        数学 =c(34,45,76),
        语文 =c(58,87,34),
        英语 =c(78,45,89))
data复制代码

我们需要按照 username 将数学、语文、英文三个列名融合成一列 subject，并将对应的值融合成一列 score

gathered  <- data %>% gather(subject,score,-username)复制代码

gather() 的逆操作是 spread()

spreaded  <- gathered %>% spread(subject,score)复制代码

spread() 接收两个参数，第一个参数对应的列的值转换为宽数据集的列名，第二个参数对应的列的值转换为宽数据集新建列的值。

阅读原文可观看在线 Python /R 版本 notebook，亲自动手尝试使用 R 对数据集进行「长」「宽」转换。 

扫码关注「数据科学与技术」（微信号：read_csv)