如何用tidyr::spread展开仅保留TOP10高频值并归并其余值？

这问题我之前也碰到过，其实核心思路就是先筛选出高频值，把低频值统一归为一个类别，再做spread操作就行。下面给你一步步的具体实现方案，用tidyverse工具链来搞定：

首先确保你装了tidyverse（包含dplyr和tidyr），如果没装先装一下：

install.packages("tidyverse")
library(tidyverse)

先从你的数据里统计column_1每个值的出现次数，排序后取前10个：

# 假设你的数据框叫df
top_10_vals <- df %>%
  count(column_1, sort = TRUE) %>%  # 按column_1分组计数，降序排列
  slice(1:10) %>%                  # 取前10行
  pull(column_1)                   # 提取出这10个值的向量

把原数据中不属于top10的column_1值全部替换成"column_bin"，注意如果column_1是因子类型，要先转成字符型避免报错：

df_processed <- df %>%
  mutate(
    column_1 = as.character(column_1),  # 转成字符型（如果原本是因子的话）
    column_1 = ifelse(column_1 %in% top_10_vals, column_1, "column_bin")
  )

这里要注意，spread需要key列（就是我们处理后的column_1）和value列（你要展开对应的值，比如数值、计数等）。分两种情况：

情况1：你的数据是长格式，每行对应一个观测值（比如有id列和value列） #

比如你的数据是每个id对应多个column_1的取值和对应的value，直接spread：

df_final <- df_processed %>%
  spread(key = column_1, value = value, fill = 0)  # fill参数设置缺失值的填充值，比如0或NA

情况2：你需要统计每个类别的出现次数 #

如果你的数据没有现成的value列，只是要统计每个分组下各类型的数量，先count再spread：

df_final <- df_processed %>%
  count(其他分组列, column_1) %>%  # 如果有其他要保留的列，比如id，要加在count里
  spread(key = column_1, value = n, fill = 0)

现在tidyr官方更推荐用pivot_wider来替代旧的spread函数，用法几乎一致，灵活性更高，比如：

df_final <- df_processed %>%
  pivot_wider(names_from = column_1, values_from = value, values_fill = 0)

这样处理后，你就只会得到11列（10个高频值列 + column_bin列），完美解决你列数过多的问题～

内容的提问来源于stack exchange，提问作者R overflow