长宽数据格式比较_归纳分析
2020-06-25 本文已影响0人
谢俊飞
之前写过关于长宽数据转换的文章，而今再看tidyr包，几乎又迷晕进去，所以再次梳理。翻来覆去的实践，其目的在于熟练数据之间的自由转换，以便在处理更大数据时不至于迷失。
-
image.png
宽数据：
- 宽数据是指数据集对所有的变量进行了明确的细分，各变量的值不存在重复循环的情况也无法归类。数据总体的表现为 变量多而观察值少。
- 每一列为一个变量，每一行为变量所对应的值。
长数据：
- 长数据一般是指数据集中的变量没有做明确的细分，即变量中至少有一个变量中的元素存在值严重重复循环的情况（可以归为几类），表格整体的形状为长方形，即 变量少而观察值多。
- 一列包含了所有的变量，而另一列则是与之相关的值。
1. 长宽数据转换
##########################################################################
#2020-06-24
# 2020-06-25 长款数据格式作图比较
rm(list = ls())
id <- 1:8
gene <- c(rep("ago", 4), rep("dcr", 4))
value <- c(2.0, 3.0, 2.5, 3.0, 5.0, 4.0, 6.0, 5.5)
dd <- data.frame(id, gene, value)
dd # 长数据
id gene value
1 1 ago 2.0
2 2 ago 3.0
3 3 ago 2.5
4 4 ago 3.0
5 5 dcr 5.0
6 6 dcr 4.0
7 7 dcr 6.0
8 8 dcr 5.5
dd_2 <- dd %>%
spread(key = "gene", value = "value")
dd_2 # 宽数据
id ago dcr
1 1 2.0 NA
2 2 3.0 NA
3 3 2.5 NA
4 4 3.0 NA
5 5 NA 5.0
6 6 NA 4.0
7 7 NA 6.0
8 8 NA 5.5
dd_3 <- dd_2 %>%
gather("ago", "dcr", key = "gene", value = "value")
dd_3
id gene value
1 1 ago 2.0
2 2 ago 3.0
3 3 ago 2.5
4 4 ago 3.0
5 5 ago NA
6 6 ago NA
7 7 ago NA
8 8 ago NA
9 1 dcr NA
10 2 dcr NA
11 3 dcr NA
12 4 dcr NA
13 5 dcr 5.0
14 6 dcr 4.0
15 7 dcr 6.0
16 8 dcr 5.5
2. 长宽数据绘图比较
library(ggplot2)
library(ggsignif)
# dd长数据格式，可以直接作图
compaired <- list(c("ago", "dcr"))
ggplot(dd, aes(x = gene, y = value, fill = gene)) +
geom_boxplot() +
geom_signif(comparisons = compaired,
map_signif_level = T)
# dd_2宽数据格式，是不能绘制图形的
# dd_3长数据格式也是可以的
compaired <- list(c("ago", "dcr"))
ggplot(dd_3, aes(x = gene, y = value, fill = gene)) +
geom_boxplot() +
geom_signif(comparisons = compaired,
map_signif_level = T)
Rplot.png
3. 输入录入格式及转换方法
用R绘图，和以往的GraphPad绘图时候，数据的录入方式有些不一样，所以在一开始时候这个思维很难转换，甚至没有摸清楚数据的录入和绘图的整体流程。下面图标列出了常见的格式录入方式。
A: GraphPad类
以GraphPad作图软件录入为例，若按照此类录入，本质上是宽数据格式，
需要将其转换为长数据格式，tidyr和reshape2两个包可用，如下
id <- 1:4
ago <- c(2.0, 3.0, 2.5, 3.0)
dcr <- c( 5.0, 4.0, 6.0, 5.5)
mm <- data.frame(id, ago, dcr)
mm # 宽数据
library(tidyverse)
mm2 <- mm%>%
gather("ago","dcr",key = "gene", value = "value")
mm2
library(reshape2)
mm3 <- mm%>%
melt(id.vars = "id", measure.vars = c("ago","dcr"),
variable.name = "gene",value.name = "value")
mm3
id gene value
1 1 ago 2.0
2 2 ago 3.0
3 3 ago 2.5
4 4 ago 3.0
5 1 dcr 5.0
6 2 dcr 4.0
7 3 dcr 6.0
8 4 dcr 5.5
B: widetype
此处的实例，在我的之前文章中多处用到。[1][2]
id <- 1:2
gene <- c("ago","dcr")
x1 <- c(2, 5)
x2 <- c(3, 4)
x3 <- c(2.5, 6)
x4 <- c(3, 5.5)
nn <- data.frame(id, gene, x1, x2, x3, x4)
nn
nn2 <- nn %>%
gather(key = rep,
value = value, x1:x4, factor_key = TRUE)
nn2
nn3 <- nn %>%
melt(id.vars = c("id","gene"), measure.vars= c("x1","x2","x3","x4"),
variable.name = "rep", value.name = "value")
nn3
id gene rep value
1 1 ago x1 2.0
2 2 dcr x1 5.0
3 1 ago x2 3.0
4 2 dcr x2 4.0
5 1 ago x3 2.5
6 2 dcr x3 6.0
7 1 ago x4 3.0
8 2 dcr x4 5.5
C: longtype
长数据格式，没有宽数据格式可读性强，但是机器学习需要的就是长数据格式，以SPSS等为代表。
image.png
