不多说，直接上干货！

很多地方都需用到这个知识点，比如Tableau里。   通常可以采取如python 和 r来作为数据处理的前期。

数据长宽转换是很常用的需求，特别是当是从Excel中导入的汇总表时，常常需要转换成一维表(长数据)才能提供给图表函数或者模型使用。

在R语言中，提供数据长宽转换的包主要有两个：

reshape2::melt/dcast
tidyr::gather/spread
library("reshape2")
library("tidyr")
mydata
Name= c("苹果","谷歌","脸书","亚马逊","腾讯"),
Conpany= c("Apple","Google","Facebook","Amozon","Tencent"),
Sale2013= c(5000,3500,2300,2100,3100),
Sale2014= c(5050,3800,2900,2500,3300),
Sale2015= c(5050,3800,2900,2500,3300),
Sale2016= c(5050,3800,2900,2500,3300)
)


数据重塑(宽转长)：

melt函数是reshape2包中的数据宽转长的函数
mydata
mydata, #待转换的数据集名称
id.vars=c("Conpany","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
)


转换之后，长数据结构保留了原始宽数据中的Name、Conpany字段，同时将剩余的年度指标进行堆栈，转换为一个代表年度的类别维度和对应年度的指标。(即转换后，所有年度字段被降维化了)。

1、在tidyr包中的gather也可以非常快捷的完成宽转长的任务：

data1
data=mydata, #待转换的数据集名称
key="Year", #转换后的分类字段名称(维度)
value="Sale", #转换后的度量值名称
Sale2013:Sale2016 #选择将要被拉长的字段组合
) #(可以使用x:y的格式选择连续列，也可以以-z的格式排除主字段)

而相对于数据宽转长而言，数据长转宽就显得不是很常用，因为长转宽是数据透视，这种透视过程可以通过汇总函数或者类数据透视表函数来完成。

但是既然数据长宽转换是成对的需求，自然有对应的长转宽函数。

2、reshape2中的dcast函数可以完成数据长转宽的需求：

dcast(
data=data1, #数据集名称
Name+Conpany~Year #x1+x2+……~class#这一项是一个转换表达式，表达式左侧列
#出要保留的主字段(即不会被扩宽的字段，右侧则是要分割的分类变量，扩展之后的
#宽数据会增加若干列度量值，列数等于表达式右侧分类变量的类别个数
)

除此之外，tidyr包中的spread函数在解决数据长转宽方面也是很好的一个选择。

spread：

spread(
data=data1, #带转换长数据框名称
key=Year, #带扩宽的类别变量(编程新增列名称)
value=Sale) #带扩宽的度量值 (编程新增列度量值)

从以上代码的复杂度来看，reshape2内的两个函数melt\dcast和tidyr内的两个函数gather\spread相比，gather\spread这一对函数完胜，不愧是哈神的最新力作，tidyr内的两个函数所需参数少，逻辑上更好理解，自始至终都围绕着data，key、value三个参数来进行设定，而相对老旧的包reshape2内的melt\dcast函数在参数配置上就显得不是很友好，他是围绕着一直不变的主字段来进行设定的，tidyr包则围绕着转换过程中会变形的维度和度量来设定的。