Trois solutions alternatives:
1) Avec data.table:
Vous pouvez utiliser la même melt
fonction que dans le reshape2
package (qui est une implémentation étendue et améliorée). melt
from data.table
a également plus de paramètres que la fonction melt
-fonction reshape2
. Vous pouvez par exemple également spécifier le nom de la variable-colonne:
library(data.table)
long <- melt(setDT(wide), id.vars = c("Code","Country"), variable.name = "year")
qui donne:
> long
Code Country year value
1: AFG Afghanistan 1950 20,249
2: ALB Albania 1950 8,097
3: AFG Afghanistan 1951 21,352
4: ALB Albania 1951 8,986
5: AFG Afghanistan 1952 22,532
6: ALB Albania 1952 10,058
7: AFG Afghanistan 1953 23,557
8: ALB Albania 1953 11,123
9: AFG Afghanistan 1954 24,555
10: ALB Albania 1954 12,246
Quelques notations alternatives:
melt(setDT(wide), id.vars = 1:2, variable.name = "year")
melt(setDT(wide), measure.vars = 3:7, variable.name = "year")
melt(setDT(wide), measure.vars = as.character(1950:1954), variable.name = "year")
2) Avec tidyr:
library(tidyr)
long <- wide %>% gather(year, value, -c(Code, Country))
Quelques notations alternatives:
wide %>% gather(year, value, -Code, -Country)
wide %>% gather(year, value, -1:-2)
wide %>% gather(year, value, -(1:2))
wide %>% gather(year, value, -1, -2)
wide %>% gather(year, value, 3:7)
wide %>% gather(year, value, `1950`:`1954`)
3) Avec remodeler2:
library(reshape2)
long <- melt(wide, id.vars = c("Code", "Country"))
Quelques notations alternatives qui donnent le même résultat:
# you can also define the id-variables by column number
melt(wide, id.vars = 1:2)
# as an alternative you can also specify the measure-variables
# all other variables will then be used as id-variables
melt(wide, measure.vars = 3:7)
melt(wide, measure.vars = as.character(1950:1954))
REMARQUES:
- remodeler2est à la retraite. Seules les modifications nécessaires pour le conserver sur CRAN seront effectuées. ( source )
- Si vous souhaitez exclure des
NA
valeurs, vous pouvez ajouter na.rm = TRUE
aux melt
fonctions ainsi qu'aux gather
fonctions.
Un autre problème avec les données est que les valeurs seront lues par R en tant que valeurs de caractères (en conséquence de la ,
dans les nombres). Vous pouvez réparer cela avec gsub
et as.numeric
:
long$value <- as.numeric(gsub(",", "", long$value))
Ou directement avec data.table
ou dplyr
:
# data.table
long <- melt(setDT(wide),
id.vars = c("Code","Country"),
variable.name = "year")[, value := as.numeric(gsub(",", "", value))]
# tidyr and dplyr
long <- wide %>% gather(year, value, -c(Code,Country)) %>%
mutate(value = as.numeric(gsub(",", "", value)))
Les données:
wide <- read.table(text="Code Country 1950 1951 1952 1953 1954
AFG Afghanistan 20,249 21,352 22,532 23,557 24,555
ALB Albania 8,097 8,986 10,058 11,123 12,246", header=TRUE, check.names=FALSE)