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。
Tableau学习系列之Tableau如何通过数据透视表方式读取数据文件（图文详解）如何用Python来处理数据表的长宽转换（图文详解）
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<-data.frame(
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<-melt(
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<-gather( 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meltdcast和tidyr内的两个函数gatherspread相比，gatherspread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meltdcast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。
同时，大家可以关注我的个人博客：
http://www.cnblogs.com/zlslch/和 http://www.cnblogs.com/lchzls/ http://www.cnblogs.com/sunnyDream/
详情请见：http://www.cnblogs.com/zlslch/p/7473861.html
人生苦短，我愿分享。本公众号将秉持活到老学到老学习无休止的交流分享开源精神，汇聚于互联网和个人学习工作的精华干货知识，一切来于互联网，反馈回互联网。
目前研究领域：大数据、机器学习、深度学习、人工智能、数据挖掘、数据分析。 语言涉及：Java、Scala、Python、Shell、Linux等 。同时还涉及平常所使用的手机、电脑和互联网上的使用技巧、问题和实用软件。 只要你一直关注和呆在群里，每天必须有收获
对应本平台的讨论和答疑QQ群：大数据和人工智能躺过的坑（总群）（161156071）
