R melt(): Da­ten­sät­ze effizient um­or­ga­ni­sie­ren

Mit R melt() wandelst du Da­ten­frames einfach um, damit sie genau zu deinen An­for­de­run­gen passen. Viele Ana­ly­se­me­tho­den, wie etwa lineare Modelle oder ANOVA, arbeiten am besten mit Daten im Lang­for­mat, da diese Struktur oft logischer und leichter in­ter­pre­tier­bar ist.

Wofür nutzt man R melt()?

R melt() ist eine Funktion aus dem reshape2-Paket zur Um­struk­tu­rie­rung von Da­ten­frames, speziell für den Wechsel vom Breit- ins Lang­for­mat. Während im Breit­for­mat Variablen in separaten Spalten stehen, bietet das Lang­for­mat eine op­ti­mier­te Dar­stel­lung für deine Analysen und Vi­sua­li­sie­run­gen.

R melt() ist ein un­ver­zicht­ba­res Werkzeug für die Da­ten­trans­for­ma­ti­on. Die Nutzung von melt() zahlt sich besonders aus, wenn Daten breit gefächert vorliegen, du aber für Grafiken oder spe­zi­fi­sche Be­rech­nun­gen eine vertikale Struktur benötigst. Diese Um­struk­tu­rie­rung macht deine Da­ten­frames flexibler, sodass du ver­schie­de­ne R-Ana­ly­se­werk­zeu­ge und Vi­sua­li­sie­rungs-Bi­blio­the­ken ideal nutzen kannst.

So sieht die Syntax von R melt() aus

Die melt()-Funktion in R lässt sich über ver­schie­de­ne Argumente präzise steuern.

melt(data.frame, na.rm = FALSE, value.name = "name", id.vars = 'columns')

• data.frame: Der Da­ten­frame, den du um­struk­tu­rie­ren möchtest.
• na.rm: Ein op­tio­na­les Argument mit dem Stan­dard­wert FALSE. Auf TRUE gesetzt, werden fehlende Werte (NA) direkt aus dem Datensatz entfernt.
• value.name: Hiermit legst du den Namen der Spalte fest, welche die Werte der um­struk­tu­rier­ten Variablen im neuen Datensatz enthält.
• id.vars: Bestimmt, welche Spalten als Iden­ti­fi­ka­to­ren un­ver­än­dert bleiben; columns dient hier als Platz­hal­ter.

Hier ein prak­ti­sches Beispiel zur Ver­an­schau­li­chung:

df <- data.frame(ID = 1:3, A = c(4, 7, NA), B = c(8, NA, 5))

Der erstellte Data Frame sieht so aus:

ID    A      B
1  1     4      8
2  2     7  NA
3  3  NA     5

Jetzt nutzen wir die melt()-Funktion, um den Data Frame ins Lang­for­mat zu bringen:

melted_df <- melt(df, na.rm = FALSE, value.name = "Value", id.vars = "ID")

Der um­struk­tu­rier­te Data Frame melted_df zeigt folgendes Ergebnis:

ID  variable  Value
1  1                A              4
2  2                A              7
3  3                A          NA
4  1                B              8
5  2                B          NA
6  3                B             5

In diesem Ergebnis haben wir die Daten er­folg­reich vertikal an­ge­ord­net. Die Spalte ID bleibt als Iden­ti­fi­ka­tor bestehen, während Variable die ur­sprüng­li­chen Spal­ten­na­men A sowie B bündelt. Die Spalte Value zeigt die zu­ge­hö­ri­gen Werte. Durch na.rm = FALSE bleiben auch fehlende Werte (NA) im Datensatz enthalten.

NA mit R melt() be­rei­ni­gen

Fehlende Werte in deinen Data Frames entfernst du schnell und un­kom­pli­ziert über die Option na.rm=True.

Wir erstellen einen neuen Da­ten­rah­men:

df <- data.frame(ID = 1:4, A = c(3, 8, NA, 5), B = c(6, NA, 2, 9), C = c(NA, 7, 4, 1))

Dieser hat folgendes Format:

ID    A     B      C
1   1     3     6    NA
2   2     8   NA      7
3   3   NA    2       4
4   4     5     9       1

Nun trans­for­mie­ren wir den Data Frame mit melt():

melted_df <- melt(df, na.rm = TRUE, value.name = "Value", id.vars = "ID")

Der neue Da­ten­rah­men melted_df liegt nun im Lang­for­mat und ohne NA-Werte vor:

ID    variable  Value
1    1            A        3
2    2            A        8
3    4            A        5
4    1            B        6
5    3            B        2
6    4            B        9
7    2           C        7
8    3           C        4
9    4           C        1