R语言之数据框的合并

文章和代码已经归档至【Github仓库：<https://github.com/timerring/dive-into-AI> 】或者公众号【AIShareLab】回复 R语言 也可获取。

有时数据集来自多个地方，我们需要将两个或多个数据集合并成一个数据集。合并数据框的操作包括纵向合并、横向合并和按照某个共有变量合并。

1.纵向合并：rbind( )

要纵向合并两个数据框，可以使用 rbind( )函数。被合并的两个数据框必须拥有相同的变量，这种合并通常用于向数据框中添加观测。例如：

data1 <- data.frame(id = 1:5, 
                    sex = c("female", "male", "male", "female", "male"),
                    age = c(32, 46, 25, 42, 29))
data1

data2 <- data.frame(id = 6:10, 
                    sex = c("male", "female", "male", "male", "female"),
                    age = c(52, 36, 28, 34, 26))
data2

rbind(data1, data2)

2. 横向合并：cbind ( )

要横向合并两个数据框，可以使用 cbind( ) 函数。用于合并的两个数据框必须拥有相同的行数，而且要以相同的顺序排列。这种合并通常用于向数据框中添加变量。例如：

data3 <- data.frame(days = c(28, 57, 15, 7, 19),
                    outcome = c("discharge", "dead", "discharge", "transfer", "discharge"))
data3

cbind(data1, data3)

3. 按照某个共有变量合并：merge( )

有时我们有多个相关的数据集，这些数据集有一个或多个共有变量，我们想把它们按照共有变量合并成一个大的数据集。函数 merge( ) 可以实现这个功能，例如：

data4 <- data.frame(id = c(2, 1, 3, 5, 4), 
                    outcome = c("discharge", "dead", "discharge", "transfer", "discharge"))
data4

mydata <- merge(data1, data4, by = "id")
mydata

full\_join( )

dplyr 包中的 full\_join( ) 函数也能实现上述功能上面的命令等价于：

options(warn=-1) # 清爽显示
library(dplyr)
mydata <- full_join(data1, data4, by = "id")
mydata

dplyr 包提供了多种用于合并数据框的函数，例如 bind\_rows( )、bind\_cols( )、left\_join( )、right\_join( ) 等，你可以查看这些函数的帮助文档了解它们的用法。

4. 数据框的长宽格式的转换

基本包里的函数 reshape( ) 可以对数据进行长宽格式之间的转换。

下面以 datasets 包里的数据集 Indometh 为例进行说明。该数据集是关于药物吲哚美辛（indometacin）的药物代谢动力学数据，一共有 6 名试验对象，每名试验对象在连续的 8 小时内定时测定了血液中的药物浓度，共有 11 次的测定值。该资料是长格式，下面将其转换为宽格式。

data(Indometh)
head(Indometh,12) # 这里增加一行，预览数据前 12 行，方便对比

wide <- reshape(Indometh, v.names = "conc", idvar = "Subject", timevar = "time", direction = "wide")
wide

• Indometh：这是一个数据框或数据集，表示要进行重塑操作的原始数据。
• v.names：这是一个字符串，表示要重塑的值变量的名称。在这种情况下，"conc"表示原始数据中的浓度变量。
• idvar：这是一个字符串或向量，表示标识变量的名称或变量列表。在这种情况下，"Subject"表示原始数据中的主体标识变量。
• timevar：这是一个字符串，表示时间变量的名称。在这种情况下，"time"表示原始数据中的时间变量。
• direction：这是一个字符串，表示重塑的方向。在这种情况下，"wide"表示要将数据从长格式重塑为宽格式。

我们还可以将宽格式数据 wide 重新转换为长格式：

long <- reshape(wide, idvar = "Subject", varying = list(2:12),
        v.names = "conc", direction = "long")
head(long, 12)

函数 reshape( ) 功能强大，但里面的参数很多，使用起来略显不便。

tidyr 包以一种比较简洁统一的格式实现数据长宽格式的转换，其中，函数 pivot_wider( ) 用于把长格式数据转换为宽格式，而函数 pivot_longer( ) 用于把宽格式数据转换为长格式。上面的结果也可以用下述命令得到：

library(tidyr)
wide <- pivot_wider(as.data.frame(Indometh),
                    names_from = time,
                    values_from = conc)
wide

注意在上面的函数 pivot\_wider( ) 中，我们用函数 as.data.frame( ) 将数据 Indometh 转换成了数据框，这是因为其默认类型不是数据框。数据框 wide 也能重新转换为长格式：

long <- pivot_longer(wide, -Subject, 
                     names_to = "time", values_to = "conc")
long

一个“整洁”的数据集（tidy data）应该满足：每一行代表一个观测，每一列代表一个变量。在对医学数据进行分析之前，通常情况下应先把数据集转换为长格式，因为 R 中的大多数函数都支持这种格式的数据。

tidyr 包中的 gather() 和 spread() 同样可以用于长型、宽型数据类型转换，详见 Cookbook for R。