用字符后缀而不是数字后缀将宽改成长

Question

灵感来自 a comment来自@gsk3 关于整形数据的问题，我开始对整形数据进行一些实验，其中变量名称具有字符后缀而不是数字后缀。

例如，我将加载 dadmomw来自 UCLA ATS Stata learning webpages 之一的数据集(参见网页上的“示例 4”)。

数据集如下所示:

library(foreign)
dadmom <- read.dta("https://stats.idre.ucla.edu/stat/stata/modules/dadmomw.dat")
dadmom
#   famid named  incd namem  incm
# 1     1  Bill 30000  Bess 15000
# 2     2   Art 22000   Amy 18000
# 3     3  Paul 25000   Pat 50000

当试图从这种宽格式 reshape 为长格式时，我遇到了一个问题。这是我为 reshape 数据所做的工作。

reshape(dadmom, direction="long", idvar=1, varying=2:5, 
        sep="", v.names=c("name", "inc"), timevar="dadmom",
        times=c("d", "m"))
#     famid dadmom  name  inc
# 1.d     1      d 30000 Bill
# 2.d     2      d 22000  Art
# 3.d     3      d 25000 Paul
# 1.m     1      m 15000 Bess
# 2.m     2      m 18000  Amy
# 3.m     3      m 50000  Pat

注意“name”和“inc”的交换列名；变化 v.names至 c("inc", "name")不能解决问题。
reshape希望以相当标准的方式命名列似乎非常挑剔。例如，如果我首先重命名列，我可以正确(并且轻松地) reshape 数据:

dadmom2 <- dadmom # Just so we can continue experimenting with the original data
# Change the names of the last four variables to include a "."
names(dadmom2)[2:5] <- gsub("(d$|m$)", "\\.\\1", names(dadmom2)[2:5])
reshape(dadmom2, direction="long", idvar=1, varying=2:5, 
        timevar="dadmom")
#     famid dadmom name   inc
# 1.d     1      d Bill 30000
# 2.d     2      d  Art 22000
# 3.d     3      d Paul 25000
# 1.m     1      m Bess 15000
# 2.m     2      m  Amy 18000
# 3.m     3      m  Pat 50000

我的问题是:

为什么 R 在我提供的示例中交换列？

我可以用基数 R reshape 得到这个结果吗？在 reshape 之前不更改变量名？

是否可以考虑其他方法来代替 reshape ?

Answer 1

尽管这个问题是专门针对基础 R 的，但了解其他有助于实现相同类型结果的方法很有用。
reshape 的一种替代方法或 merged.stack将使用“dplyr”和“tidry”的组合，如下所示:

dadmom %>%
  gather(variable, value, -famid) %>%               ## Make the entire dataset long
  separate(variable, into = c("var", "time"),       ## Split "variable" column into two...
           sep = "(?<=name|inc)", perl = TRUE) %>%  ## ... using regex to split the values
  spread(var, value, convert = TRUE)                ## Make result wide, converting type
#   famid time   inc name
# 1     1    d 30000 Bill
# 2     1    m 15000 Bess
# 3     2    d 22000  Art
# 4     2    m 18000  Amy
# 5     3    d 25000 Paul
# 6     3    m 50000  Pat

另一种选择是使用 melt从“data.table”，像这样:

library(data.table)
melt(as.data.table(dadmom),             ## melt here requres a data.table 
     measure = patterns("name", "inc"), ## identify columns by patterns
     value.name = c("name", "inc"))[    ## specify the resulting variable names
       ## melt creates a numeric "variable" value. Replace with factored labels
       , variable := factor(variable, labels = c("d", "m"))][]
#    famid variable name   inc
# 1:     1        d Bill 30000
# 2:     2        d  Art 22000
# 3:     3        d Paul 25000
# 4:     1        m Bess 15000
# 5:     2        m  Amy 18000
# 6:     3        m  Pat 50000

这些方法与 merged.stack 相比如何？ ?

这两个软件包都得到了更好的支持。他们比我更广泛地更新和测试他们的代码。

melt正在快速燃烧。

Hadleyverse 方法实际上更慢(在我的许多测试中，甚至比基本 R 的 reshape 更慢)可能是因为必须使数据变长，然后变宽，然后执行类型转换。但是，一些用户喜欢它的逐步方法。

Hadleyverse 方法可能会产生一些意想不到的后果，因为需要在使数据变宽之前使数据变长。这会强制所有度量列被强制转换为相同的类型(通常是“字符”)，如果它们的类型不同的话。

两者都没有 merged.stack 那样的便利性。 .只需查看获取结果所需的代码；-)

merged.stack但是，可能会受益于简化的更新，类似于 this function

ReshapeLong_ <- function(indt, stubs, sep = NULL) {
  if (!is.data.table(indt)) indt <- as.data.table(indt)
  mv <- lapply(stubs, function(y) grep(sprintf("^%s", y), names(indt)))
  levs <- unique(gsub(paste(stubs, collapse="|"), "", names(indt)[unlist(mv)]))
  if (!is.null(sep)) levs <- gsub(sprintf("^%s", sep), "", levs, fixed = TRUE)
  melt(indt, measure = mv, value.name = stubs)[
    , variable := factor(variable, labels = levs)][]
}

然后可以用作:

ReshapeLong_(dadmom, stubs = c("name", "inc"))

这些方法与基础 R 的 reshape 相比如何？ ?

主要区别在于 reshape无法处理不平衡的面板数据集。例如，在下面的测试中，请参见“mydf2”而不是“mydf”。

测试用例

这是一些示例数据。 “mydf”是平衡的。 “mydf2”不平衡。

set.seed(1)
x <- 10000
mydf <- mydf2 <- data.frame(
  id_1 = 1:x, id_2 = c("A", "B"), varAa = sample(letters, x, TRUE), 
  varAb = sample(letters, x, TRUE), varAc = sample(letters, x, TRUE),
  varBa = sample(10, x, TRUE), varBb = sample(10, x, TRUE), 
  varBc = sample(10, x, TRUE), varCa = rnorm(x), varCb = rnorm(x), 
  varCc = rnorm(x), varDa = rnorm(x), varDb = rnorm(x), varDc = rnorm(x))

mydf2 <- mydf2[-c(9, 14)] ## Make data unbalanced

以下是一些要测试的功能:

f1 <- function(mydf) {
  mydf %>%
    gather(variable, value, starts_with("var")) %>%
    separate(variable, into = c("var", "time"),
             sep = "(?<=varA|varB|varC|varD)", perl = TRUE) %>%
    spread(var, value, convert = TRUE) 
}

f2 <- function(mydf) {
  melt(as.data.table(mydf),
       measure = patterns(paste0("var", c("A", "B", "C", "D"))),
       value.name = paste0("var", c("A", "B", "C", "D")))[
         , variable := factor(variable, labels = c("a", "b", "c"))][]
}

f3 <- function(mydf) {
  merged.stack(mydf, var.stubs = paste0("var", c("A", "B", "C", "D")), sep = "var.stubs")
}

## Won't run with "mydf2". Should run with "mydf"
f4 <- function(mydf) {
  reshape(mydf, direction = "long", 
          varying = lapply(c("varA", "varB", "varC", "varD"), 
                           function(x) grep(x, names(mydf))), 
          sep = "", v.names = paste0("var", c("A", "B", "C", "D")), 
          timevar="time", times = c("a", "b", "c"))
}

测试性能:

library(microbenchmark)
microbenchmark(f1(mydf), f2(mydf), f3(mydf), f4(mydf))
# Unit: milliseconds
#      expr        min         lq       mean     median         uq       max neval
#  f1(mydf) 463.006547 492.073086 528.533319 514.189548 538.910756 867.93356   100
#  f2(mydf)   3.737321   4.108376   6.674066   4.332391   4.761681  47.71142   100
#  f3(mydf)  60.211254  64.766770  86.812077  87.040087  92.841747 262.89409   100
#  f4(mydf)  40.596455  43.753431  61.006337  48.963145  69.983623 230.48449   100

观察:

基础 R 的 reshape将无法处理 reshape “mydf2”。

“dplyr” + “tidyr” 方法会破坏生成的“varB”、“varC”和“varD”中的结果，因为值将被强制转换为字符。

正如基准所显示的，reshape给出合理的表现。

备注 :由于发布我上一个答案之间的时间差异和方法的差异，我想我会分享这个作为一个新的答案。