tidyr 数据重塑：pivot_longer 与 pivot_wider 完全指南

同一批数据可以摆成两种形状，而几乎每个分析任务只接受其中一种。ggplot2 画分组折线图要求数据是长表，lm() 拟合多元回归通常希望自变量各占一列，相关矩阵 cor() 更是只吃数值矩阵。reshape（重塑）不是在整理数据，而是在同一份信息的两种排布之间切换——这也是为什么它常出现在分析流程的中段，而不是开头。

宽表和长表

用 airquality（纽约 1973 年 5–9 月的日均气象数据）举例。它现在是宽表（wide format）：每行一天，四个测量指标各占一列。

形状	一行代表什么	变量在哪	典型消费者
宽表	一个观测单位（一天、一个人）	每一列	`lm()`、`cor()`、`prcomp()`
长表	一个「观测单位 × 变量」组合	名字进一列，值进一列	`ggplot2`、分组汇总、`t.test()`

长表（long format）也叫「整洁数据」（tidy data）：每一列是一个变量，每一行是一个观测。听上去长表更「正确」，但两种形状没有优劣，只有合不合适。

pivot_longer：宽变长

library(tidyverse)

airquality |>
  pivot_longer(
    cols = c(Ozone, Solar.R, Wind, Temp),
    names_to = "variable",
    values_to = "value"
  ) |>
  head(6)

# A tibble: 6 × 4
  Month   Day variable value
  <int> <int> <chr>    <dbl>
1     5     1 Ozone       41
2     5     1 Solar.R    190
3     5     1 Wind       7.4
4     5     1 Temp        67
5     5     2 Ozone       36
6     5     2 Solar.R    118

三个参数就够日常使用：cols 指定要堆叠的列（支持 select() 的全部辅助函数），names_to 是「原来的列名」存到哪一列，values_to 是「原来的值」存到哪一列。行数从 153 变成 153 × 4 = 612：

long <- airquality |>
  pivot_longer(
    cols = c(Ozone, Solar.R, Wind, Temp),
    names_to = "variable",
    values_to = "value"
  )

nrow(long)
nrow(pivot_longer(long, cols = value, values_drop_na = TRUE))

[1] 612
[1] 568

第二个 nrow() 里 values_drop_na = TRUE 表示丢掉值为 NA 的行。612 减到 568，差的 44 行正是 Ozone 的 37 个缺失和 Solar.R 的 7 个缺失。这个参数几乎每次都要用：宽表里的缺失值散落在各列，堆成长表后会变成一堆占位的行，忘了清理就会让后续的 mean()、sum() 全变 NA。相对的，values_drop_na = FALSE（默认）保留它们，好处是能明确区分「这天没测臭氧」和「这天臭氧是 0」。

列名里带着信息

列名常常不是干净的变量名，而是「前缀 + 取值 + 后缀」的拼装结果。tidyr 提供三个参数处理这类列名，按需要挑一个：

sales <- tribble(
  ~district, ~q1_2024, ~q2_2024,
  "chaoyang",     120,      135,
  "haidian",       98,      105
)

sales |>
  pivot_longer(
    cols = starts_with("q"),
    names_to = c("quarter", "year"),
    names_sep = "_",
    values_to = "revenue"
  )

# A tibble: 4 × 4
  district quarter year  revenue
  <chr>    <chr>   <chr>   <dbl>
1 chaoyang q1      2024      120
2 chaoyang q2      2024      135
3 haidian  q1      2024       98
4 haidian  q2      2024      105

names_prefix：剥掉一个固定前缀。把上面的 names_sep 换成 names_prefix = "q"、names_to = "quarter"，得到的取值就是 "1_2024"、"2_2024"。
names_sep：按分隔符把列名切成多段，段数要和 names_to 的长度一致，切多了会报错。
names_pattern：用正则的捕获组来切，比分隔符灵活得多。iris 的列名是 Sepal.Length 这种「部位.测量项」结构，用 names_pattern = "(\\w+)\\.(\\w+)" 一次拆成 part 和 measure 两列：

iris |>
  pivot_longer(
    cols = -Species,
    names_to = c("part", "measure"),
    names_pattern = "(\\w+)\\.(\\w+)",
    values_to = "cm"
  ) |>
  head(4)

# A tibble: 4 × 4
  Species part  measure    cm
  <fct>   <chr> <chr>   <dbl>
1 setosa  Sepal Length    5.1
2 setosa  Sepal Width     3.5
3 setosa  Petal Length    1.4
4 setosa  Petal Width     0.2

切完之后 part 和 measure 都是字符串（<chr>）。如果接下来要按这两个变量分组或画图，可以先 mutate(across(c(part, measure), factor)) 转成因子，让图例和汇总表的顺序变得可控。另一个容易忽略的点：cols 里选中的列如果是不同类型（比如一列数值、一列字符），堆叠后整列会统一升格为字符型。真遇到这种情况，用 values_ptypes 显式声明目标类型。

pivot_wider：长变宽

反向操作是把「变量名」那一列摊开成多列。回到 ToothGrowth，先按补给方式和剂量算平均牙长，再摊平：

ToothGrowth |>
  group_by(supp, dose) |>
  summarise(mean_len = mean(len), .groups = "drop") |>
  pivot_wider(names_from = supp, values_from = mean_len)

# A tibble: 3 × 3
   dose    OJ    VC
  <dbl> <dbl> <dbl>
1   0.5  13.2  7.98
2     1  22.7  16.8
3     2  26.1  26.1

names_from 指定哪一列的名字变成新列名，values_from 指定哪一列的值填进去。这个宽表能直接做减法：mutate(diff = OJ - VC) 就是每个剂量下两种补给方式的差值，这也是宽表在建模场景里受欢迎的原因——每一列就是一个可以直接参与运算的变量。

重复标识是 pivot_wider 最容易翻车的地方。 如果每个 (dose, supp) 组合有多行（长表里没先做汇总），pivot_wider() 会输出 list-column 并给出一条警告，提示值没有被唯一标识。它不会猜测你想怎么聚合——这是有意的设计，因为「取均值还是取第一个」只有你知道。两个修法：先 summarise() 把每组压成一行（上面的例子就是这么做的），或者在 pivot_wider() 里加 values_fn = mean 当场聚合。

组合不存在时，新增的格子默认填 NA。想让它们填 0，加 values_fill = 0：

ToothGrowth |>
  filter(dose == 0.5 | supp == "OJ") |>
  group_by(supp, dose) |>
  summarise(mean_len = mean(len), .groups = "drop") |>
  pivot_wider(names_from = supp, values_from = mean_len, values_fill = 0)

# A tibble: 3 × 3
   dose    OJ    VC
  <dbl> <dbl> <dbl>
1   0.5  13.2  7.98
2     1  22.7     0
3     2  26.1     0

这里 VC 组只有 0.5 剂量的数据，另外两格被填成了 0。填 0 要谨慎：0 是「没有样本」还是「效应为零」，在后续求均值、画图时含义完全不同。如果只是想让表格好看，宁可留着 NA。

重塑之后要核对的三件事

行数。pivot_longer() 之后的行数应当是「原行数 × 选中的列数」，pivot_wider() 之后应当是「唯一标识组合数」。对不上说明选列选错了，或者长表里存在重复标识。
列类型。pivot_longer() 会把不同类型混合的列升格为字符，pivot_wider() 新增的列类型取决于 values_from。重塑后如果类型不对，用 readr::type_convert()，或者 mutate(across(where(is.character), as.numeric))，改完再核对一遍。
NA 的来源。重塑后的 NA 可能来自原始缺失，也可能来自不存在的组合，两者不能混为一谈。

两种形状各用在哪儿

绘图用长表。ggplot2 的 aes(color = variable)、facet_wrap(~ variable) 都要求分组信息在一列里，多个指标画在一张图上必须先变长，见 /r/visualization/ggplot2-basics。
建模用宽表。lm(mpg ~ hp + wt, data = mtcars) 要求自变量各占一列；cor() 直接要求数值矩阵；主成分分析、聚类同理。
报告表格看场合。给读者看的描述统计表通常是宽表（变量在行、组别在列）。长表里要是有 mean、sd 两列，可以一次摊开：pivot_wider(names_from = supp, values_from = c(mean, sd)) 默认给出 mean_OJ、sd_VC 这类列名，想换成别的格式就用 names_glue 定制。

最后提醒一点：pivot_longer() 会把数据行数成倍放大（本例中 4 个指标就是 4 倍），几百万行的数据重塑后可能直接吃满内存。遇到这种量级，先在宽表上算好需要的汇总量再变长，而不是先变长再汇总。

如果你也用 Python，pandas 里的 melt() 与 pivot_table() 是同一组操作，列名拆分要靠字符串方法手动做，可以对照 /python/pandas/cleaning 看差异。