我需要将每个重复测量的“宽”数据帧转换为“长”格式，以便我可以像lm（y_year2~x_year1）以及lm（z_year2~y_year2）
那样建模我可以“手动”进入我想要的格式，但无法弄清楚如何将melt / dcast变成我想要的形状
下面我说明了我正在做的一些模拟数据
数据框格式宽泛，每行一个
ID SITE L_03 M_03 R_03 L_04 M_04 R_04 L_05 M_05 R_05
1 forest X a YES Y b YES Z c NO
2 forest ...
我喜欢LONG格式：
ID SITE L_year1 L_year2 M_year1 M_year2 R_year1 R_year2 year1 year2
1 forest Z Y a b YES YES 03 04
1 forest Y Z b c YES NO 04 05
2 forest ...
2 forest ...
一些模拟数据： L和M是数字（长度和质量），R是是/否因子（繁殖），3年重复测量（2003-2005）
ID <- 1:10; SITE <- c(rep("forest",3), rep("swamp",3), rep("field",4))
L_03 <- round(rnorm(10, 100, 1),3) ; M_03 <- round((10 + L_03*0.25 + rnorm(10, 0, 1)), 3)
R_03 <- sample(c("Yes", "No"), 10, replace = TRUE) ; L_04 <- round((2 + L_03*1.25 + rnorm(10, 1,10)), 3)
M_04 <- round((10 + L_04*0.25 + rnorm(10, 0,10)), 3) ;R_04 <- sample(c("Yes", "No"), 10, replace = TRUE)
L_05 <- round((2 + L_04*1.25 + rnorm(10, 1,10)),3) ; M_05 <- round((10 + L_05*0.25 + abs(rnorm(10, 0,10))),3)
R_05 <- sample(c("Yes", "No"), 10, replace = TRUE); rm_data <- data.frame(ID, SITE, L_03, M_03, R_03, L_04, M_04,R_04, L_05, M_05, R_05)
方法1：我使用rbind进行“手动”重新整形
1，制作2003年和2003年的子集2004年的数据，然后另一个2004年＆amp; 2005
rm_data1 <- cbind(rm_data[ ,c(1,2,3:5, 6:8)], rep(2003,10), rep(2004,10))
rm_data2 <- cbind(rm_data[ ,c(1,2,6:8, 9:11)],rep(2004,10), rep(2005,10))
names(rm_data1)[3:10]<- c("L1", "M1", "R1", "L2", "M2", "R2", "yr1", "yr2")
names(rm_data2)[3:10]<- c("L1", "M1", "R1", "L2", "M2", "R2", "yr1", "yr2")
data3 <- rbind(rm_data1, rm_data2)
方法2？：我想通过reshape / melt / dcast执行此操作。我无法弄清楚我是否可以直接在广泛的数据框架上使用dcast，或者在我melt之后，如何将dcast转换为我想要的格式。
library(reshape2)
rm_measure_vars <- c("L_03", "M_03", "R_03", "L_04", "M_04","R_04", "L_05", "M_05", "R_05")
rm_data_melt <- melt(data = rm_data, id.vars = c("ID", "SITE"), measure.vars = rm_measure_vars, value.name = "data")
我将测量的年度指示符添加到融化数据
obs_year <- gsub("(.*)([0-9]{2})", "\\2", rm_data_melt$variable)
rm_data_melt <- cbind(rm_data_melt, obs_year)
dcast似乎应该是这样的，但这还不是我需要的
dcast(data = rm_data_melt, formula = ID + SITE + obs_year ~ variable)
ID SITE obs_year L_03 M_03 R_03 L_04 M_04 R_04 L_05 M_05 R_05
1 1 forest 03 99.96 35.364 No <NA> <NA> <NA> <NA> <NA> <NA>
2 1 forest 04 <NA> <NA> <NA> 129.595 47.256 Yes <NA> <NA> <NA>
3 1 forest 05 <NA> <NA> <NA> <NA> <NA> <NA> 177.607 58.204 Yes
任何建议都将不胜感激
答案 0 :(得分：2)
我试了一下。 reshape是容易的部分。我相信其余的需要一些半手动操作。以下内容应该可以满足您的需求。
output <- reshape(rm_data, idvar=c("ID","SITE"), varying=3:11,
v.names=c("L_","M_","R_"), direction="long")
output$time <- output$time + 2 # to get the year
names(output)[3:6] <- c("year1", "L_year1", "M_year1", "R_year1")
output$year2 <- output$year1+1
rownames(output) <- c()
sapply(output[,4:6], function(x) {
i <- ncol(output)+1
output[,i] <<- x[c(2:length(x), NA)]
names(output)[i] <<- sub("1","2",names(output)[i-4])
})
output <- output[,c(1,2,4,8,5,9,6,10,3,7)] # rearrange columns as necessary
希望这有帮助！
答案 1 :(得分：0)
安装onetree软件包。 devtools :: install_github（“ yikeshu0611 / onetree”） 图书馆（一棵树）
将数据重塑为长数据
long1=reshape_toLong(data = rm_data,
id = "ID",
j = "year",
value.var.prefix = c("L_","M_","R_"))
下降5年，选择3年和4年；重复的年份为y
long2=long1[long1$year!=5,]
long2$y=long2$year
将long2重塑为每年的大量数据
wide1=reshape_toWide(data = long2,
id = "ID",
j = "year",
value.var.prefix = c("L_","M_","R_","y")
)
现在，我们获得第3年和第4年的数据，而在您的目的数据中第1年和第2年。 因此，我们将3与1、4和2替换为姓氏。
colnames(wide1)=gsub(3,1,colnames(wide1))
colnames(wide1)=gsub(4,2,colnames(wide1))
再次执行第二步，这一次，我们删除year3，选择year4和year5。
long3=long1[long1$year!=3,]
long3$y=long3$year
wide2=reshape_toWide(data = long3,
id = "ID",
j = "year",
value.var.prefix = c("L_","M_","R_","y")
)
colnames(wide2)=gsub(4,1,colnames(wide2))
colnames(wide2)=gsub(5,2,colnames(wide2))
rbind wide1和wide2
data=rbind(wide1,wide2)
data[order(data$ID),]
ID SITE L_1 M_1 R_1 y1 L_2 M_2 R_2 y2
1 1 forest 100.181 34.279 Yes 3 131.88 50.953 No 4
11 1 forest 131.88 50.953 No 4 158.642 50.255 No 5
2 2 forest 101.645 36.667 Yes 3 123.923 43.915 No 4
12 2 forest 123.923 43.915 No 4 163.81 55.979 No 5
3 3 forest 98.961 33.901 Yes 3 125.928 41.611 No 4
13 3 forest 125.928 41.611 No 4 165.865 57.417 No 5
4 4 swamp 100.807 36.254 No 3 117.856 48.634 Yes 4
14 4 swamp 117.856 48.634 Yes 4 137.487 50.945 No 5
5 5 swamp 99.75 33.881 No 3 132.419 50.563 Yes 4
15 5 swamp 132.419 50.563 Yes 4 168.461 58.373 Yes 5
6 6 swamp 100.463 34.859 Yes 3 122.884 40.301 No 4
16 6 swamp 122.884 40.301 No 4 152.85 57.491 No 5
7 7 field 102.527 34.521 No 3 123.363 35.935 No 4
17 7 field 123.363 35.935 No 4 168 55.692 No 5
8 8 field 99.957 35.236 Yes 3 139.083 34.793 No 4
18 8 field 139.083 34.793 No 4 177.648 62.638 Yes 5
9 9 field 100.16 36.454 No 3 135.468 45.115 Yes 4
19 9 field 135.468 45.115 Yes 4 180.666 57.233 No 5
10 10 field 100.037 35.612 No 3 139.165 46.95 No 4
20 10 field 139.165 46.95 No 4 169.333 55.782 Yes 5