正则表达式：从宽格式到长格式

Question

我正在尝试使用tidyr将数据从宽格式转换为长格式，但也愿意尝试其他选项。这是一个带有重复值的虚假数据集，但其结构与真实数据集相同。

structure(list(Category = c("Pre", "Pre", "Pre", "post_med_1", 
"post_med_1", "post_med_1", "post_med_2", "post_med_2", "post_med_2"
), Time = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), Subj_1_tox = c(4.2, 
5, 2.3, 4.2, 5, 2.3, 4.2, 5, 2.3), Subj_2_tox = c(23L, 1L, 4L, 
23L, 1L, 4L, 23L, 1L, 4L), Subj_3_tox = c(6, 4.9, 3.2, 6, 4.9, 
3.2, 6, 4.9, 3.2), Subj_1_a1 = c(4.2, 5, 2.3, 4.2, 5, 2.3, 4.2, 
5, 2.3), Subj_2_a1 = c(23L, 1L, 4L, 23L, 1L, 4L, 23L, 1L, 4L), 
    Subj_3_a1 = c(6, 4.9, 3.2, 6, 4.9, 3.2, 6, 4.9, 3.2)), class = "data.frame", row.names = c(NA, 
-9L))

让我感到困惑的是如何在一个调用中将tox列和a1列转换为长格式并保留类别和时间列。首先是名称模式的正则表达式。我已经查找了正则表达式模式，但不清楚如何获得它，其次如何在一个调用中包含2个不同的值列？

基本上在一个调用中做类似于这样的事情。

df_longer<-df %>% 
  pivot_longer(
    cols=contains("tox") & contains("a1"), 
    names_to = c("subject", "tox", "a1"), 
    names_pattern = "(Subj_['all_numbers') (tox and a1) "
    values_to = c("tox_value", "a1"))

最终结果应该是Subject(#)在名为subject的一列中，tox值和a1值分别在其他列中。是否可以在一次调用中完成此操作？我也可以接受其他解决方案，但我正在尝试更多地了解tidyr。最终结果应该类似于这样，但此示例中的值不正确，但其他部分准确。

- rj44

Answer 1

您可以使用names_to和names_pattern作为 -

tidyr::pivot_longer(df, 
                    cols = starts_with("Subj"), 
                    names_to = c("subject", ".value"), 
                    names_pattern = "(Subj_\\d+)_(.*)")

#  Category    Time subject   tox    a1
#   <chr>      <int> <chr>   <dbl> <dbl>
# 1 Pre            1 Subj_1    4.2   4.2
# 2 Pre            1 Subj_2   23    23  
# 3 Pre            1 Subj_3    6     6  
# 4 Pre            2 Subj_1    5     5  
# 5 Pre            2 Subj_2    1     1  
# 6 Pre            2 Subj_3    4.9   4.9
# 7 Pre            3 Subj_1    2.3   2.3
# 8 Pre            3 Subj_2    4     4  
# 9 Pre            3 Subj_3    3.2   3.2
#10 post_med_1     1 Subj_1    4.2   4.2
# … with 17 more rows

- Ronak Shah

---

“.”在.value`中的作用是什么？ - rj44

.value 表示原始数据框中的部分列名将包含新的列名。我们在 names_pattern 中定义这一部分。 - Ronak Shah

Answer 2

如果我正确理解了您的帖子，那么这可以在一行代码中实现。请看下面我的解决方案：

# load library;
library(tidyverse)

# Store data;
tmpData <- structure(
                list(
                        Category = c(
                                "Pre",
                                "Pre",
                                "Pre",
                                "post_med_1",
                                "post_med_1",
                                "post_med_1",
                                "post_med_2",
                                "post_med_2",
                                "post_med_2"
                        ),
                        Time = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L),
                        Subj_1_tox = c(4.2,
                                       5, 2.3, 4.2, 5, 2.3, 4.2, 5, 2.3),
                        Subj_2_tox = c(23L, 1L, 4L,
                                       23L, 1L, 4L, 23L, 1L, 4L),
                        Subj_3_tox = c(6, 4.9, 3.2, 6, 4.9,
                                       3.2, 6, 4.9, 3.2),
                        Subj_1_a1 = c(4.2, 5, 2.3, 4.2, 5, 2.3, 4.2,
                                      5, 2.3),
                        Subj_2_a1 = c(23L, 1L, 4L, 23L, 1L, 4L, 23L, 1L, 4L),
                        Subj_3_a1 = c(6, 4.9, 3.2, 6, 4.9, 3.2, 6, 4.9, 3.2)
                ),
                class = "data.frame",
                row.names = c(NA,
                              -9L)
        )

# Pivot longer;
tmpData %>% pivot_longer(cols = contains("Subj"),
                         names_to = "subject")

如果您的列具有共同且不同的前缀，例如您的数据中所有需要的列都以Subj开头，则不一定需要使用regex。因此，您可以直接使用dplyr中的contains()函数。

如果我误解了您的问题，请告诉我。

- Serkan

---

你需要为tox和a1的值创建两列。此外，你需要将主题单独放在它们自己的列中，而不添加_tox或_a1。 - rj44