使用data.table的melt函数将多列宽格式数据转为长格式

我完全懂你现在的痛点——如果手动拆分每一组testXX和testXXgr再用rbind合并，不仅写起来麻烦，数据量大的时候还特别低效。用data.table的melt函数可以一步搞定这个需求，而且性能拉满，完美适配这种多组成对列的场景。

完整实现步骤 #

首先确保你已经加载了data.table包，然后按以下步骤操作：

1. 准备原数据并转为data.table格式

library(data.table)

# 你的原数据代码（保持不变）
id<-c("106E1258","106E2037","104E1182","105E1248","105E1470","10241247", "10241703")
yr<-c(2017,2017,2015,2016,2016,2013,2013)
finalgr<-c(72,76,75,71,75,77,78)
test01<-c("R0560","R0066","R0308","R0129","R0354","R0483", "R0503")
test01gr<-c(73,74,67,80,64,80,70)
test02<-c("R0660","R0266","R0302","R0139","R0324","R0383" , "R0503")
test02gr<-c(71,54,67,70,68,81,61)
dt<-data.frame(id=id,yr=yr, finalgr=finalgr, test01=test01,test01gr=test01gr, test02=test02,test02gr=test02gr)

# 转为data.table格式，适配melt函数
dt <- as.data.table(dt)

2. 用melt函数完成宽转长
   这一步是核心，重点是用patterns()参数批量匹配成对的列：

dt_long <- melt(dt,
                # 指定不需要转换的标识符列（每个长格式行都要保留的信息）
                id.vars = c("id", "yr", "finalgr"),
                # 用正则匹配成对的test和testgr列，同时指定转换后的列名
                measure.vars = patterns(testid = "^test\\d+$", testgr = "^test\\d+gr$"),
                # 可选：标记当前行来自原数据的哪一组测试（比如1对应test01组）
                variable.name = "test_group",
                # 指定转换后值列的名称
                value.name = c("testid", "testgr")
)

# 如果不需要test_group列，直接删掉即可
dt_long[, test_group := NULL]

3. 查看转换结果
   运行后dt_long就是你想要的长格式数据，比如查看前4行：

dt_long[1:4]

输出结果和你给出的dt2结构完全一致，内容也对应：

id   yr finalgr testid testgr
1: 106E1258 2017      72 R0560     73
2: 106E1258 2017      72 R0660     71
3: 104E1182 2015      75 R0308     67
4: 104E1182 2015      75 R0302     67

关键参数解释 #

• id.vars：指定在转换过程中保持不变的列，也就是每个长格式行都要携带的标识符信息。
• measure.vars = patterns(...)：这是处理多组成对列的灵魂！用正则表达式匹配列名：
  • ^test\\d+$ 匹配所有以test开头、后面跟数字的列（比如test01、test02）
  • ^test\\d+gr$ 匹配所有以test开头、数字结尾、最后加gr的列（比如test01gr、test02gr）
  • 括号里的testid=和testgr=是直接给转换后的列命名，省去后续重命名的步骤。
• variable.name：可选参数，用来标记当前行来自原数据的哪一组测试，不需要的话直接删除即可。

优势说明 #

这个方法最大的好处是扩展性极强——不管你后续新增多少组testXX和testXXgr列（比如test03、test03gr直到test100、test100gr），都不需要修改代码，正则表达式会自动匹配所有成对的列，比手动拆分合并高效太多，尤其是数据量较大时，data.table的melt性能远优于base R的方法。

内容的提问来源于stack exchange，提问作者changjx