如何基于data.frame生成R查找表？转换格式及方式名称是什么？

1. 基于data.frame生成R查找表 #

查找表（Lookup Table）的核心是快速通过键值匹配获取对应信息，根据不同需求，有几种实用的实现方式：

场景1：单键单值查找（最常用） #

如果你的data.frame包含键列和值列，直接转成命名向量是基础R里最轻便的方案：

# 构造示例数据
fruit_df <- data.frame(
  fruit = c("apple", "banana", "orange"),
  price_per_kg = c(5, 3, 4)
)

# 生成查找向量
price_lookup <- setNames(fruit_df$price_per_kg, fruit_df$fruit)

# 使用示例：查询香蕉的价格
price_lookup["banana"] # 返回3

如果你习惯用dplyr，可以用deframe()一步完成转换：

library(dplyr)
price_lookup <- deframe(fruit_df %>% select(fruit, price_per_kg))

场景2：多键或多值查找 #

如果需要基于多个条件（比如同时匹配名称和类别），或者要返回多列信息，用dplyr的过滤逻辑更灵活：

# 带多列的示例数据
fruit_df <- data.frame(
  fruit = c("apple", "banana", "orange"),
  color = c("red", "yellow", "orange"),
  price_per_kg = c(5, 3, 4),
  stock = c(100, 200, 150)
)

# 自定义查找函数
get_fruit_info <- function(target_fruit, target_color) {
  fruit_df %>%
    filter(fruit == target_fruit, color == target_color) %>%
    select(price_per_kg, stock)
}

# 使用示例：查询红苹果的价格和库存
get_fruit_info("apple", "red")

2. 转换data.frame的格式（12列8行） #

你没给出具体的现有格式和目标格式，但日常最常见的是宽格式转长格式或长格式转宽格式，我用贴近你描述的场景（8行=8个分组，12列=12个时间点）演示：

示例：宽格式转长格式（更适合统计分析） #

假设原始数据是宽格式：8行代表8个地区，12列代表1-12月的数值：

# 构造示例宽格式数据
wide_df <- data.frame(
  region = paste0("Region_", 1:8),
  Jan = sample(1:100, 8),
  Feb = sample(1:100, 8),
  Mar = sample(1:100, 8),
  Apr = sample(1:100, 8),
  May = sample(1:100, 8),
  Jun = sample(1:100, 8),
  Jul = sample(1:100, 8),
  Aug = sample(1:100, 8),
  Sep = sample(1:100, 8),
  Oct = sample(1:100, 8),
  Nov = sample(1:100, 8),
  Dec = sample(1:100, 8)
)

用tidyr的pivot_longer()转成长格式（每个观测占一行，变量为地区、月份、数值）：

library(tidyr)
long_df <- wide_df %>%
  pivot_longer(
    cols = -region, # 排除不需要转换的地区列
    names_to = "month", # 原列名转为"month"变量
    values_to = "sales" # 原列值转为"sales"变量
  )

如果需要从长格式转回宽格式，用pivot_wider()即可：

wide_df_again <- long_df %>%
  pivot_wider(
    names_from = month,
    values_from = sales
  )

如果你的格式转换需求更特殊（比如行列转置、分组聚合后重塑），可以补充具体格式描述，我再帮你调整~

3. 这类数据整理方式的专业名称 #

这种调整数据行列结构、让数据更适配分析需求的操作，专业名称是数据重塑（Data Reshaping）。如果是按照「每个变量一列、每个观测一行」的标准来规范数据，那属于数据规整（Tidying Data）——这是由Hadley Wickham提出的核心概念，整洁的数据是后续统计分析和可视化的基础。

内容的提问来源于stack exchange，提问作者Christian Olesen