用 tidyr 把列名中的数据整理成长表与宽表-未完纪

同一批数据可以有许多种摆放方式，但并非每一种都适合分析。把年份、周次或测量编号放进列名，很方便录入和展示；要分组、计算或画图时，这些信息往往需要回到普通列里。tidyr 的 pivot_longer() 和 pivot_wider() 就是用来完成这种重塑的工具。

本文完整整理自 R for Data Science 第二版第 5 章 Data tidying，作者为 Hadley Wickham、Mine Çetinkaya-Rundel、Garrett Grolemund。原章未注明首次发表日期；本文于 2026 年 10 月 5 日核验滚动在线版。全书首页声明 CC BY-NC-ND 3.0；保留来源与作者归属。

原创技术示意图，使用本章教学小表中的数值；不是实际患者记录或软件运行截图。

整洁数据从观测单位开始

整洁数据（tidy data）的三个对应关系是：每个变量占一列，每个观测占一行，每个值占一个单元格。关键并不是表格看起来多长或多宽，而是先说清楚“变量”和“观测”分别是什么。

原章的 table1、table2 和 table3 都描述国家、年份、结核病记录病例数与人口。table1 直接把四个变量放在四列；table2 把病例数和人口放在同一个 count 列，再用 type 区分；table3 则把病例数和人口写成 745/19987071 这样的字符串。它们表达相同事实，分析成本却不同。

在 table1 中，一行是某国家某一年的观测。因为数值各在自己的列里，可以直接算比率、按年份求和，或画出时间变化。统一结构也让 dplyr、ggplot2 等工具更容易衔接：R 擅长对向量操作，而每一列恰好就是同类值组成的向量。

library(tidyverse)

table1 |>
  mutate(rate = cases / population * 10000)

table1 |>
  group_by(year) |>
  summarize(total_cases = sum(cases))

ggplot(table1, aes(x = year, y = cases)) +
  geom_line(aes(group = country), color = "grey50") +
  geom_point(aes(color = country, shape = country)) +
  scale_x_continuous(breaks = c(1999, 2000))

原章示例中，按年合计得到 1999 年 250740、2000 年 296920。这里的比率与病例数据只用于解释整理操作，并非医疗评价。若原始字段的含义不清楚，应询问数据生产者，不能只凭列名猜测。

可以先做两道练习：逐一说明三个样表中每行和每列代表什么；再设想如何对 table2 与 table3 计算相同比率。后一个任务至少要提取每国每年的病例数，找到对应人口，计算每万人比率，再把结果放回合适位置。即使尚未学会全部函数，也应先梳理这个过程。

列名本身是数据：把排行榜按周展开

billboard 包含 2000 年的歌曲榜单信息，共 317 行、79 列。artist、track、date.entered 描述歌曲；wk1 到 wk76 则把两个变量混在一起：列名记录周次，单元格记录排名。现在希望一行表示一首歌在某一周的排名。

billboard |>
  pivot_longer(
    cols = starts_with("wk"),
    names_to = "week",
    values_to = "rank"
  )

cols 选择需要展开的列，使用与 select() 相同的选择语法；这里也可选择除三个描述列之外的其他列。names_to 为原列名创建新变量 week，values_to 为原单元格值创建 rank。这两个新名字使用字符串，因为它们在输入数据中还不存在。

原章输出为 24092 行、5 列，即 317 首歌各对应 76 个周次。对仅在榜上停留数周的歌曲，宽表为了和其他歌曲共享相同列数，产生了许多 NA。原章将这里的这些值解释为表结构迫使出现的缺失，而不是排名尚未观测到。因此可以在转换时丢弃：

billboard_longer <- billboard |>
  pivot_longer(
    cols = starts_with("wk"),
    names_to = "week",
    values_to = "rank",
    values_drop_na = TRUE
  ) |>
  mutate(week = parse_number(week))

billboard_longer |>
  ggplot(aes(x = week, y = rank, group = track)) +
  geom_line(alpha = 0.25) +
  scale_y_reverse()

原章得到 5307 行。parse_number() 提取字符串中的第一个数值，让 wk1 变成数值 1；scale_y_reverse() 将较好的较小排名放在图的上方。原图显示，多数歌曲不会在榜上持续超过 20 周。

values_drop_na = TRUE 不是通用清洗开关。 如果 NA 表示真实观测缺失，删除行会改变数据含义。这里能够使用，是因为已经解释了该数据集的结构。原章正文按实际列列出 76 周，而脚注另写“最多跟踪 72 周”，两处不一致；本稿以可核对的列结构讲解转换，不据此推断歌曲完整在榜寿命。上面的分组也沿用原章 track，真实数据若有同名歌曲，应使用能唯一识别歌曲的组合标识。

理解变长过程中哪些内容被重复

用一个更小的教学表观察转换。A、B、C 各有两次血压测量，数值仅用于演示结构：

df <- tribble(
  ~id, ~bp1, ~bp2,
  "A", 100, 120,
  "B", 140, 115,
  "C", 120, 125
)

df |>
  pivot_longer(
    cols = bp1:bp2,
    names_to = "measurement",
    values_to = "value"
  )

转换后，A 对应 bp1 = 100 与 bp2 = 120 两行，B、C 同理，共 6 行。原本就是变量的 id 需要随着每个测量重复；bp1、bp2 两个列名成为 measurement 的值，并对每位对象重复；六个测量数值则逐行展开到 value，数值本身没有凭空增加或丢失。

一个列名含多个变量：同时拆出诊断、类别和年龄

世界卫生组织的 who2 示例有 7240 行、58 列，前两列为 country 和 year，其后 56 个列名类似 sp_m_014。列名以三个部分记录诊断分类、数据中的二元性别类别以及年龄范围；例如 014 表示 0–14 岁。单元格记录该组合的病例数，因此一共涉及六类信息。

who_longer <- who2 |>
  pivot_longer(
    cols = !(country:year),
    names_to = c("diagnosis", "gender", "age"),
    names_sep = "_",
    values_to = "count"
  )

names_to 现在提供三个列名，names_sep 指定分隔符。原章结果为 405440 行、6 列，并保留 count 中的缺失。age 保持类别编码；不要把 014 转成普通数字 14 后丢失其区间含义。

可以把它想成“先变长，再拆列名”，但 tidyr 能在一次调用中完成。如果列名没有稳定分隔符，names_pattern 可用正则表达式提取多个部分；使用前仍需核对所有列名是否符合模式，不能仅靠某一个示例推断全部命名规则。

列名同时包含变量名和取值：使用 .value

household 有 5 个家庭，列为 family、dob_child1、dob_child2、name_child1、name_child2。这里的 dob 与 name 是两个变量，而 child1、child2 是孩子编号。若硬把所有单元格塞进一个 value，日期与姓名就会被混合。

household |>
  pivot_longer(
    cols = !family,
    names_to = c(".value", "child"),
    names_sep = "_",
    values_drop_na = TRUE
  )

".value" 是特殊标记：对应的列名片段决定输出的值列名称，从而代替通常的 values_to。结果保留独立的 dob 与 name，另有 family 和 child，原章得到 9 行。child 的值仍是 child1、child2，并没有自动变成整数。

只有一个孩子的家庭在原宽表中也必须占有第二个孩子的列，因此本例删除的是这种结构性空位。多个值列的情形下，不能把其中一个字段缺失等同于该孩子不存在；应保留部分信息仍存在的观测，结合实际数据语义判断。

一项观测散落在多行：把指标展开成列

cms_patient_experience 示例记录机构的患者体验，输入为 500 行、5 列。研究单位是机构，但各类指标各占一行。可以先用 distinct(measure_cd, measure_title) 查看六类指标代码及说明。代码较短但不够直观，说明则太长；原章选择指标代码作为列名，实际分析可以另做简短易懂的名称映射。

cms_patient_experience |>
  distinct(measure_cd, measure_title)

# 先观察默认标识列的后果：
cms_patient_experience |>
  pivot_wider(
    names_from = measure_cd,
    values_from = prf_rate
  )

pivot_wider() 从已有列中取新列名和新单元格值，因此参数是 names_from 和 values_from。上面的结果仍有 500 行：没有指定 id_cols 时，未被用于新列名或值的列都会参与标识，随指标变化的 measure_title 也被保留，导致同一机构仍然分散在多行。

cms_wider <- cms_patient_experience |>
  pivot_wider(
    id_cols = starts_with("org"),
    names_from = measure_cd,
    values_from = prf_rate
  )

明确使用机构字段后，原章输出变为 95 行、8 列。这里的列选择依赖已知输入结构；若生产数据新增以 org 开头的描述字段，应重新核对它是否属于标识。id_cols 是对观测单位的声明，不是用于凑出预期行数的参数。

变宽怎样产生缺失，又怎样暴露重复键

下面的教学小表中，A 有三次测量，B 只有两次：

df <- tribble(
  ~id, ~measurement, ~value,
  "A", "bp1", 100,
  "B", "bp1", 140,
  "B", "bp2", 115,
  "A", "bp2", 120,
  "A", "bp3", 105
)

df |>
  pivot_wider(
    id_cols = id,
    names_from = measurement,
    values_from = value
  )

输出的列名来自 measurement 的不同值：bp1、bp2、bp3。输出行来自不同的 id。函数可以理解为先确定行与列，建立空表，再把已有值填入；B 没有第三次测量，所以 bp3 保持 NA。这说明变宽本身就可能把隐含缺失显式化。

反过来，若 A 的 bp1 在输入中有 100 和 102 两行，一个输出单元格就对应多个值。此时 tidyr 会给出警告并产生列表列。原章提示可以使用 values_fn = list 接受列表，或用汇总函数聚合；但这两者都不能替代对重复原因的调查。先定位冲突：

df_duplicates <- tribble(
  ~id, ~measurement, ~value,
  "A", "bp1", 100,
  "A", "bp1", 102,
  "A", "bp2", 120,
  "B", "bp1", 140,
  "B", "bp2", 115
)

df_duplicates |>
  group_by(id, measurement) |>
  summarize(n = n(), .groups = "drop") |>
  filter(n > 1)

本例会定位到 A 的 bp1，出现次数为 2。之后应判断是录入错误、漏了测量时间等标识，还是确实需要按某种业务规则汇总。不能为了消除警告随意取第一条或求平均；聚合会改变信息，必须有依据。