R语言如何将宽格式数据的第二行作为额外变量名开展统计分析

你的数据核心问题是元信息（比如房间位置）和测量值混存在数据行里，只需要先把元信息单独提取出来做成映射表，再和清洗后的时间序列数据合并即可，同时支持任意多行元信息的场景。

这里基于你提供的dput示例数据编写，直接运行即可得到符合要求的长格式数据：

# 加载tidyverse套件，包含dplyr、tidyr等常用数据处理工具
library(tidyverse)

# 导入你提供的示例数据
df <- structure(list(Days = c("Room", "0.00", "0.04", "0.08", "0.13", 
"0.17"), L.FCS = c("1-BR-SW", "0", "0", "0", "0", "0"), L.DRC = c("1-BR-SW", 
"0", "0", "0", "0", "0"), L.PCH = c("1-BR-SW", "0", "0", "0", 
"0", "0"), S.PCH = c("1-BR-SW", "0", "0", "0", "0", "0"), S.PCH.1 = c("1-BR-SW", 
"0", "0", "0", "0", "0"), S.SSV = c("1-BR-SW", "0", "0", "0", 
"0", "0"), Hodaya_M = c("1-BR-SW", "0", "1", "1", "3", "3"), 
    L.SSV = c("2-BR-SE", "0", "-1", "-1", "-2", "-2"), S.DRC = c("2-BR-SE", 
    "0", "0", "-1", "-1", "-1")), row.names = c(NA, 6L), class = "data.frame")

# 步骤1：提取元信息，这里你的位置信息存在第1行，除Days列外都是对应植物ID的房间信息
meta <- df[1, -1] |> 
  pivot_longer(cols = everything(), names_to = "plant_id", values_to = "room")

# 步骤2：清洗主数据并合并元信息
main_df <- df[-1, ] |> 
  # 把Days列转为数值型
  mutate(Days = as.numeric(Days)) |> 
  # 把所有测量值列转为数值型
  mutate(across(-Days, as.numeric)) |> 
  # 转为长格式
  pivot_longer(cols = -Days, names_to = "plant_id", values_to = "measure_value") |> 
  # 关联元信息，把房间位置加到对应行
  left_join(meta, by = "plant_id")

运行后得到的main_df每一行结构为：天数 + 植物ID + 测量值 + 对应房间，可以直接用于后续的分组统计、可视化等操作。

如果你的元信息不止1行（比如还有温度、湿度等其他属性存在第2、3行），只需要调整元信息提取逻辑：把前N行元数据全部提取后转成长格式，再和主数据合并即可。
如果是直接从CSV文件读取数据，可以分开读取元信息和主数据，避免读入后全列被识别为字符类型：

# 读取元信息，假设元信息存在第2行，共1行
meta <- read.csv("你的文件路径.csv", skip = 1, nrows = 1, header = FALSE) |> 
  setNames(c("meta_key", colnames(read.csv("你的文件路径.csv", nrows = 1)))) |> 
  pivot_longer(-meta_key, names_to = "plant_id", values_to = "meta_value")

# 读取主数据，跳过前2行（列名+1行元数据）
main_df <- read.csv("你的文件路径.csv", skip = 2, header = FALSE) |> 
  setNames(c("Days", unique(meta$plant_id))) |> 
  pivot_longer(-Days, names_to = "plant_id", values_to = "measure_value") |> 
  left_join(meta, by = "plant_id")

内容的提问来源于stack exchange，提问作者Hodaya Levy