Forstå data i lange og brede formater i R

Når vi taler om omformning af data i R, er det vigtigt at genkende data i lange og brede formater. Disse visuelle metaforer beskriver to måder at repræsentere de samme oplysninger. Det er nyttigt at kende disse formater, når du bruger R.

Du kan genkende data i bredt format ved at kolonner generelt repræsenterer grupper. Så vores eksempel på basketball spil er i bredt format, fordi der er en kolonne for kurven lavet af hver af deltagerne:

Game Venue Granny Geraldine Gertrude 1 1. Brugge 12 5 11 2 2. Gent 4 4 5 3 3. Gent 5 2 6 4 4. Brugge 6 4 7

I kontrast skal du se på den lange format for nøjagtigt de samme data:

Vildtværdi for spilplads 1 1. Brugge Granny 12 2 2. Gent Granny 4 3 3. Gent Granny 5 4 4. Brugge Granny 6 5 1. Brugge Geraldine 5 6 2. Gent Geraldine 4 7 3rd Gent Geraldine 2 8 4. Brugge Geraldine 4 9 1. Brugge Gertrude 11 10 2. Gent Gertrude 5 11 3. Gent Gertrude 6 12 4. Brugge Gertrude 7

Bemærk, hvordan de tre kolonner til Granny, Geraldine og Gertrude i det lange format er forsvundet. I deres sted har du nu en kolonne kaldet værdi, der indeholder den faktiske score, og en kolonne kaldet variabel, der forbinder scoren til en af ​​de tre damer.

Når du konverterer data mellem lange og brede formater, er det vigtigt at kunne skelne identifikationsvariabler fra målte variabler:

• Identifikatorvariabler: Identifikator eller ID, variabler identificerer observationerne. Tænk på disse som nøglen, der identificerer dine observationer. (I databasedesign kaldes disse primære eller sekundære nøgler.)

• Målte variabler: Dette repræsenterer de målinger, du observerede.

I vores eksempel er identifikationsvariablerne Game and Venue, mens de målte variabler er målene (det vil sige kolonnerne Granny, Geraldine og Gertrude).