长宽数据格式比较_归纳分析

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：

1. 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。
2. 每一列为一个变量，每一行为变量所对应的值。

长数据：

1. 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。
2. 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

---

1. R绘图应用实例：数据录入、转换及绘图 ↩

2. 数据录入与格式转换（reshape2、tidyr包） ↩