2.1 表格的转换
一句话：ggplot2画图要长格式数据，本章讲各种表格变形。
2.1.1 表格的变换
一句话：宽表→长表用melt()/gather()——画图前数据整理的第一步。
在使用Rggplot2绘图时，通常使用一维数据列表的数据框。但是如果导入的数据表格是二维数据列表，我们则需要使用reshape2包的melt()函数或者tidyr包的gather()函数，可以将二维数据列表的数据框转换成一维数据列表（见
）。我们首先构造数据框：
2.1.2 变量的变换
一句话：transform()/mutate()给表加计算列，mutate能引用刚建的新列。
有时候，我们需要对数据框中某列的每个元素都进行运算处理，从而产生并添加新的列（见图2-1-2）。我们可以使用R内置函数transform()为原数据框添加新的列，可以改变原变量列的值，也可以赋值NULL删除列变量：
但是mutate()函数很好地解决了transform()函数不能解决的问题，即mutate()函数允许新列对刚刚建立起来的列进行计算
2.1.3 表格的排序
一句话：sort()排向量、arrange()排数据框，desc()降序。
我们可以使用sort()函数对向量进行排序处理（见
）。对于数据框，我们也可以使用dplyr包的arrange()函数，根据数据框的某列数值对整个表排序。其中desc（value）表示根据df的value列作降序处理，如datarrange2数据框所示。
dat_arrange1<-dplyr:arrange（df_melt,value)dat_arrange2<-dplyrarrange（df_melt,desc(value))
2.2 表格的整理
一句话：拼接、融合、分组——把散数据合成一张干净的表。
2.2.1 表格的拼接
一句话：cbind()/rbind()拼表，或dplyr的bind_cols()/bind_rows()。
有时候，我们需要在已有数据框的基础上添加新的行/列，或者横向/纵向添加另外一个表格。此时我们需要使用R内置函数cbind()和rbind()，或者dplyr包的bindcols()函数和bindrows()函数实现该功能。先构造3个数据框如下：
所示。
2.2.2 表格的融合
一句话：两个表靠共同列merge()/join()合并，left/right/inner/full四种连法。
有时候，两个数据框并没有很好地保持一致，不能简单地使用cbind()函数或rbind()函数直接拼接。所以它们需要一个共同的列（commonkey）作为融合的依据。在表格的融合中，最常用的函数是R内置函数merge()和dplyr包的*_join()系列函数。
我们首先构造4个数据框，如下：
所示。其优势在于对每个数据框可以指定不同的匹配列名；缺点在于运行速度比较慢。其中，by.x是指左边数据框的匹配列，by.y是指右边数据框的匹配列。
dat_merge1<-merge(df1.df2,by=x",all=TRUE)dat_merge3<-merge(df1,df4.by=c("x""y").all=TRUE)88IR语言数据可视化之美：专业图表绘制指南效果如
所示。dplyr包提供了left_join()、right_join()、inner_join()和full_join()四个函数，可以实现不同的表格融合效果。其中，full_join()函数主要用来生成两个集合的并集：inner_join()函数通常用来生成有效的数据：leftjoin()函数和rightjoin()函数使用的场景偏少。
另外，两个表格融合时会用NA（缺失值）代替不存在的值。·只保留左表的所有数据：
所示。by=c（x"，"y"）表示多列匹配：
所示。
2.2.3 表格的分组操作
一句话：按类别分组汇总：aggregate() 或 group_by()+summarise()+管道。
数据框中往往存在某列包含多个类别的数据的情况，如dfSX包含A、B和C三个不同类别的数据，dfmeltSyear包含2010和2011两个类别的数据。我们有时候需要按数据框的列/行，或者按数据类别进行分类运算处理等，此时数据的分组操作就尤为重要。先构造两个数据框如下：
所示。可以使用R内置函数apply()对数据框按行/列求和，也可以使用内置函数rowSums()和colSums()实现相同的结果：
只根据year分组操作：
使用时把数据集名作为开头，然后依次对此数据进行多步操作。这种运算符的编写方式使得编程者可以按数据处理时的思路写代码，一步一步操作不断叠加，在程序上就可以非常清晰地体现数据处理的步骤与背后的逻辑。只根据year分组操作，实现的结果与aggregate（value~year,df_melt，mean）一致，
所示为按year分组求均值：dplyr :summarise(avg =mean(value)同时根据year和x两个变量分组操作，实现的结果与aggregate（value~year+x,df_melt,mean）一致，
所示为按year和x两列变量分组求均值：