对于多列，我对data.table melt和dcast有疑问。我在StackOverFlow上浏览过，但很多类似的帖子都不是我想要的。我将在下面解释。
首先，data是关于问题的原因和价值量。这是我data的一部分：
ID Type Problem1 Value1 Problem2 Value2 Problem3 Value3
1 A X 500 Y 1000 Z 400
2 A X 600 Z 700
3 B Y 700 Z 100
4 B W 200 V 200
5 C Z 500 V 500
6 C X 1000 W 100 V 900
其次，ID是唯一的。 Type包含三个（A，B和C）。有 5 问题。
以ID == 1为例。它是Type A，包含3个问题（X，Y和Z）。其Problem X有Value 500，Problem Y有Value 1000，Problem Z有Value 400。以ID == 5为例。它是Type C，包含2个问题（Z和V）。其Problem Z有Value 500，Problem V有Value 500。
第三，列ID，Type，Problem1，Problem2和Problem3为character。 Value1，Value2和Value3为numeric。
我想要的结果是：
Type X Y Z W V
A 1100 1000 1100 0 0
B 0 700 100 200 200
C 1000 0 500 100 1400
我不知道如何正确解释。我想对Type进行分组，然后总结每个问题的问题。我认为这是关于长到宽。我找到了引用here和here。第二个可能有用。但是，我不知道从哪里开始。有什么建议吗？
# data
dt <- fread("
ID Type Problem1 Value1 Problem2 Value2 Problem3 Value3
1 A X 500 Y 1000 Z 400
2 A X 600 Z 700
3 B Y 700 Z 100
4 B W 200 V 200
5 C Z 500 V 500
6 C X 1000 W 100 V 900", fill = T)
答案 0 :(得分：8)
我们可以先melt指定patterns到'long'格式，然后measure dcast作为fun.aggregate sum }}
dcast(melt(dt, measure = patterns("^Value", "^Problem"),
value.name = c("Value", "Problem"))[Problem != ""
][, Problem := factor(Problem, levels = c("X", "Y", "Z", "W", "V"))],
Type ~Problem, value.var = "Value", sum, na.rm = TRUE)
# Type X Y Z W V
#1: A 1100 1000 1100 0 0
#2: B 0 700 100 200 200
#3: C 1000 0 500 100 1400
melt的 data.table可以在patterns参数中使用多个measure。因此，当我们说"^Value"时，它匹配名称以“值”开头（^）的所有列，并且类似于“问题”，并创建两个“值”列。在上文中，我们使用value.name参数将这些列命名为“Value”和“Problem”。由于数据集具有一些空格，因此长格式也包含我们使用Problem != ""删除的空白元素。如果我们需要按特定顺序排列列，则下一步非常重要。因此，我们将“问题”更改为factor类，并按该顺序指定levels。现在，melt部分已完成。通过指定公式dcast列和value.var（此处为fun.aggregate）
sum的“广角”
答案 1 :(得分：3)
虚拟和直接的方式，但仍然有效（希望有人可以帮助改善我的解决方案）。
library(magrittr)
rbind(
dt[, .(Type, P = Problem1, V = Value1)],
dt[, .(Type, P = Problem2, V = Value2)],
dt[, .(Type, P = Problem3, V = Value3)]) %>%
.[P != ""] %>%
dcast(Type ~ P, value.var = "V", sum)
修改通过遵循akrun的代码（将函数传递给dcast）进行改进。
答案 2 :(得分：3)
这可以通过dplyr / tidyr轻松完成：
library("dplyr")
library("tidyr")
# assume x is your dataframe
bind_rows(
select(x, ID, Type, Problem = Problem1, Value = Value1),
select(x, ID, Type, Problem = Problem2, Value = Value2),
select(x, ID, Type, Problem = Problem3, Value = Value3)
) %>%
filter(!(is.na(Problem))) %>%
group_by(Type, Problem) %>%
summarise(Value = sum(Value)) %>%
spread(Problem, Value, fill = 0)
<强>输出
# A tibble: 3 x 6
# Groups: Type [3]
Type V W X Y Z
* <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 A 0 0 1100 1000 1100
2 B 200 200 0 700 100
3 C 1400 100 1000 0 500
如果列V-Z的顺序很重要，可以通过添加最终的select语句轻松修复。
答案 3 :(得分：3)
这是一个方法，它使用akrun执行的melt函数，然后使用矩阵子集来返回所需的结果。
# melt and aggregate the data
temp <- melt(dt, measure = patterns("^Value", "^Problem"),
value.name = c("Value", "Problem"))[
!is.na(Value), .(Value=sum(Value)), by=.(Type, Problem)]
# set up the storage matrix
dimNames <- list(sort(unique(temp$Type)), unique(temp$Problem))
myMat <- matrix(0, length(dimNames[[1]]), length(dimNames[[2]]), dimnames=dimNames)
# fill in the matrix with the desired values
myMat[cbind(temp$Type, temp$Problem)] <- temp$Value
返回矩阵
myMat
X Y W Z V
A 1100 1000 0 1100 0
B 0 700 200 100 200
C 1000 0 100 500 1400
要返回data.table，您可以执行
data.table(myMat, keep.rownames=TRUE)
rn X Y W Z V
1: A 1100 1000 0 1100 0
2: B 0 700 200 100 200
3: C 1000 0 100 500 1400