宽格式与长格式：同一份数据，两种形状
所有数据重塑的问题，归根结底都是同一个区别，所以我们先把它看清楚。下面是一份很小的数据集，两个城市的季度销售额，分别用两种形状构建：
信息完全相同，结构却不一样。宽格式每个城市一行、每个季度一列，季度信息藏在列名里。长格式每个观测值（城市 × 季度）一行，季度降级成了一个普通的列，所有测量值都放在同一列 sales 里。
两种形状都不算“正确”，它们服务于不同的对象。宽格式是给人看的，也是电子表格导出的样子：紧凑，一眼就能比较。长格式是给工具用的。在两者之间转换叫作透视（pivoting，也叫重塑 reshaping，说的是同一件事）。
为什么分析时长格式更好
看看宽格式把“季度”这个概念变成了什么：它把一个变量拆碎成了多个列名。列名是没法参与计算的。到了长格式，quarter 重新变回了数据，分组分析工具箱里的所有工具都能用了：
aggregate(sales ~ quarter, ...)或group_by(quarter)：在宽格式下做不到，因为每个季度是单独的一列，只能手动处理（分组汇总全都假定数据是长格式）。- ggplot2 把列映射到图形属性上：
aes(x = quarter, y = sales, color = city)要求这三列都存在。用宽格式数据画图是一场持续的战斗；用长格式数据画图只要一行。 - 新增 Q3 只是增加几行，结构不变；而宽格式要多出一列，后续每一步都得知道这件事。
实用的原则是：用长格式存储和分析，用宽格式展示。 这就是为什么下面两种转换用得那么多：数据从电子表格以宽格式进来，为了分析转成长格式，最后为了报告里的表格再转回宽格式。
宽转长：pivot_longer()
现代的数据重塑由 tidyr 包（tidyverse 中 dplyr 的兄弟包）负责。这里的代码片段是静态的，因为沙盒只运行基础 R。转成长格式需要做三个决定，每个决定对应一个参数：
library(tidyr)
long <- pivot_longer(wide,
cols = c(Q1, Q2), # which columns to stack
names_to = "quarter", # new column that receives the old NAMES
values_to = "sales" # new column that receives the cell VALUES
)
逐步看一下：cols 指定要拆散的列（也可以用 Q1:Q2 这样的范围语法，或 starts_with("Q") 这样的辅助函数，列有二十个时很方便）。每个被选中的单元格变成一行；它来自哪一列，就记在 quarter 中，数值本身放进 sales。没有列在 cols 中的列（这里是 city）会被当作标识列，在各行中重复。结果和上面打印出来的 long 数据框完全一样。
长转宽：pivot_wider()
反方向需要做两个决定：新列名从哪里来，以及用什么填充：
wide <- pivot_wider(long,
names_from = quarter, # distinct values here become new columns
values_from = sales # these values fill the cells
)
quarter 中每个不同的值（Q1、Q2）都会变成一列；每个单元格用城市和季度都匹配的那一行的 sales 值填充。其余的列（city）作为行标识，每种不同的组合输出一行。某个城市缺了某个季度，那个单元格就是 NA（用 values_fill 参数可以换成别的值，比如计数数据用 values_fill = 0）。
在老教程里你还会遇到上一代的函数：spread() 就是 pivot_wider()，gather() 就是 pivot_longer()。从 tidyr 1.0 起它们就已被取代，虽然仍能用，但认得出来就够了，不值得专门学。
基础 R 有 reshape()，先说句实话
基础 R 不用装包也能做到，用的是 reshape()。这个函数以难懂出名，它自己的文档过去甚至为此道过歉。它是围绕纵向研究的术语设计的（idvar、timevar、direction），这些参数名和日常数据对应得很别扭，每次用完都会忘。不过它确实能用：
注意输出的列名：sales.Q1、sales.Q2，值列的名字被拼接到了每一列上。应急时、在不能有任何依赖的环境里，或者在老代码中遇到它时，这样也没问题。但如果你一年要重塑数据不止一次，老实说还是建议 install.packages("tidyr")：在所有数据整理任务中，只有这一项是基础 R 的工具带来的麻烦真的比省下的依赖更多。
转宽格式时的重复键陷阱
转宽格式的前提是，每个“标识 + 名字”组合只对应一个值。如果 Lima 有两行 Q1，那唯一的 Q1 单元格该放哪个数？pivot_wider() 拒绝猜测：它会给出警告（values are not uniquely identified），并在单元格里放一个列表列，也就是一个嵌套了列表的数据框，你接下来对它做的任何操作都会出问题。
看到这个警告时，不要急着用 values_fn 这个逃生出口，先问问为什么会有重复。通常是数据的粒度比你以为的更细（是按天的行，而不是按季度，所以要先汇总再转宽格式），或者上游的连接操作复制了行。只有当你能明确说出重复值应该按哪种方式聚合时，values_fn = mean（或 sum）才是正当的修复办法。reshape() 在这方面更糟：它会悄悄保留第一个重复值，丢掉其余的，只给出一条很容易被滚动过去的警告。
要点回顾
- 宽格式：变量藏在列名里，适合阅读。长格式：每个观测值一行，适合分析和 ggplot2。
- 用长格式存储和分析，用宽格式展示。
pivot_longer(cols, names_to, values_to)把列堆叠成行；没有列出的列成为重复的标识列。pivot_wider(names_from, values_from)把行展开成列；空缺处填NA。spread()/gather()是旧名字；基础 R 的reshape()能用，但出了名地别扭。- “标识 + 名字”组合重复会让转宽格式产生歧义：先汇总，而不是简单地把警告压下去。
下一篇：从文件中读取真实数据，read.csv() 以及它的那些坑。
常见问题
R 中宽格式数据和长格式数据有什么区别？
数据相同，形状不同。宽格式把一个变量分散到多列中（比如每个季度一列），每个对象一行，方便人阅读。长格式把它堆叠成行，每个观测值一行，有一列存名字、一列存值，适合分组分析和 ggplot2。
R 中怎么把宽格式数据转成长格式？
用 tidyr 的 pivot_longer(df, cols = Q1:Q4, names_to = "quarter", values_to = "sales")，把选中的列堆叠成两个新列：原来的列名放进 names_to 指定的列，单元格的值放进 values_to 指定的列。
R 中怎么把长格式数据转成宽格式？
用 tidyr 的 pivot_wider(df, names_from = quarter, values_from = sales)，把行展开成列：names_from 中每个不同的值都会变成一列，并用对应的 values_from 值填充。缺失的组合会变成 NA。
R 中用什么替代了 spread 和 gather？
在 tidyr 1.0（2019 年）中，pivot_wider() 取代了 spread()，pivot_longer() 取代了 gather()。旧函数仍然可以用，你会在一些老教程里看到它们，但新代码都应该使用 pivot_* 这一对，它们的参数更清晰，功能也更多。
