这个包处理数据与excel包中的透视表有些类似
reshape包包含融合（melt)和重铸(cast），melt函数是将宽数据变为长数据，而cast则是将长数据变为宽数据。
melt函数就是将很宽的表融合成一列，变成很长的表，之后设定id.var=month和day就是固定搜索宽表中带有月日的列。这里我们使用airquality内置数据集作为示例。
因为初始数据集有六列数据。
但是melt函数只将前四列进行了数据融合，我这里猜测是无论什么数据集，他默认会将后两列作为ID，并且我们不用id.vars指明就不会显示。所以我们需要指明melt函数前四列作为变量值，后两列month和day作为ID。
图3和图1可以对照参考
cast函数分为dcast函数和acast函数，dcast函数用于重铸数据框，而acast函数用于重铸向量，矩阵或者数组。
指定重铸格式
这里按月份指定重铸，不知道应该对每月的数据进行何种处理则会报错。所以我们通过fun.aggregate参数指定计算函数,na.rm=T则用来计算时去除缺失值
R语言数据集行列互换技巧现在给大家介绍的数据处理技巧是长转宽，也就相当于Excel中的转置，不过用R语言实现的长转宽还有数据合并的功能，自然比Excel强大多了。
这里给大家介绍4个函数，其中melt()、dcast()来自reshape2包，gather（）、spread()来自tidyr包
一、宽转长——melt()、gather（）
[python] view plain copy
mydata<-data.frame(
name=c("store1","store2","store3","store4"),
address=c("普陀区","黄浦区","徐汇区","浦东新区"),
sale2014=c(3000,2500,2100,1000),
sale2015=c(3020,2800,3900,2000),
sale2016=c(5150,3600,2700,2500),
sale2017=c(4450,4100,4000,3200)
)
#宽转长——melt
mydata1<-melt(
mydata,
id.vars=c("address","name"),#要保留的主字段
variable.name = "Year",#转换后的分类字段名称（维度）
value.name = "Sale" #转换后的度量值名称
)
输出结果
[python] view plain copy
>mydata1<-melt(
+ mydata,
+ id.vars=c("address","name"),#要保留的主字段
+ variable.name = "Year",#转换后的分类字段名称（维度）
+ value.name = "Sale" #转换后的度量值名称
+ )
>mydata1
address name Year Sale
1普陀区 store1 sale2014 3000
2黄浦区 store2 sale2014 2500
3徐汇区 store3 sale2014 2100
4 浦东新区 store4 sale2014 1000
5普陀区 store1 sale2015 3020
6黄浦区 store2 sale2015 2800
7徐汇区 store3 sale2015 3900
8 浦东新区 store4 sale2015 2000
9普陀区 store1 sale2016 5150
10 黄浦区 store2 sale2016 3600
11 徐汇区 store3 sale2016 2700
12 浦东新区 store4 sale2016 2500
13 普陀区 store1 sale2017 4450
14 黄浦区 store2 sale2017 4100
15 徐汇区 store3 sale2017 4000
16 浦东新区 store4 sale2017 3200
再来看看gather（）函数怎么用
[python] view plain copy
>#宽转长——gather
>mydata1<-tidyr::gather(
+ data=mydata,
+ key="Year",
+ value="sale",
+ sale2014:sale2017
+ )
>mydata1
name address Year sale
1 store1 普陀区 sale2014 3000
2 store2 黄浦区 sale2014 2500
3 store3 徐汇区 sale2014 2100
4 store4 浦东新区 sale2014 1000
5 store1 普陀区 sale2015 3020
6 store2 黄浦区 sale2015 2800
7 store3 徐汇区 sale2015 3900
8 store4 浦东新区 sale2015 2000
9 store1 普陀区 sale2016 5150
10 store2 黄浦区 sale2016 3600
11 store3 徐汇区 sale2016 2700
12 store4 浦东新区 sale2016 2500
13 store1 普陀区 sale2017 4450
14 store2 黄浦区 sale2017 4100
15 store3 徐汇区 sale2017 4000
16 store4 浦东新区 sale2017 3200
和melt（）函数不同，gather（）函数需要指定关键字段key,以及关键字段对应的值value，但是gather（）函数更加好理解。
二、长转宽——dcast()和spread()
还是用上面的data1数据集，先来看看dcast()函数
[python] view plain copy
#长转宽——dcast
dcast(
data=mydata1,
name+address~Year
#左侧是要保留的字段，右侧是要分割的分类变量，列数等于表达式
#右侧分类变量的类别个数
)
[python] view plain copy
>#长转宽——dcast
>dcast(
+ data=mydata1,
+ name+address~Year
+ #左侧是要保留的字段，右侧是要分割的分类变量，列数等于表达式
+ #右侧分类变量的类别个数
+ )
Using sale as value column: use value.var to override.
name address sale2014 sale2015 sale2016 sale2017
1 store1 普陀区 3000 3020 5150 4450
2 store2 黄浦区 2500 2800 3600 4100
3 store3 徐汇区 2100 3900 2700 4000
4 store4 浦东新区 1000 2000 2500 3200
dcast()函数的使用规则需要琢磨下才能理解，大家好好看看注释部分，再来看看spread()
[python] view plain copy
#长转宽——spread
tidyr::spread(
data=mydata1,
key=Year,
value=sale
)
[python] view plain copy
>#长转宽——spread
>tidyr::spread(
+ data=mydata1,
+ key=Year,
+ value=sale
+ )
name address sale2014 sale2015 sale2016 sale2017
1 store1 普陀区 3000 3020 5150 4450
2 store2 黄浦区 2500 2800 3600 4100
3 store3 徐汇区 2100 3900 2700 4000
4 store4 浦东新区 1000 2000 2500 3200
直接调用tidyr::spread，需要指定关键字段key和对应的值value。
但是从理解上来看，我个人更喜欢tidyr包的函数，使用很清晰，大家可以根据实际情况自行选择，好啦，今天的分享结束，下次再见！
每个变量单独成一列的为宽矩阵，例如：
而长数据中变量的NACTG五种碱基类型并没有单独列成一列，而是整合在同一列。
上面两个矩阵表达的内容相同，宽矩阵人类好读懂，长矩阵计算机方便处理，长矩阵中一列代表变量类型，另外一列表示对用的变量值。我们的ggplot对于长矩阵的画图相当方便。
首先查看一下数据：
使用melt进行转换
之后 我们可以方便的进行绘图了～
还有些长款矩阵的互换的参数调整，我先挖个坑 争取两三天更新此文 谢谢。
