R语言按ID合并多行数据为多列：多测量类型数据整合问询

这是个非常典型的长格式转宽格式数据处理需求，针对你提到的有10种不同MType的场景，用Python的Pandas或者R的Tidyr都能高效解决，下面给你两种常用的实现方案：

Python (Pandas) 解决方案 #

假设你的原始数据集是类似这样的结构（每行对应一个测量类型的记录）：

可以用Pandas的pivot方法快速转成你需要的宽格式：

import pandas as pd

# 加载你的实际数据，这里用示例数据演示
df = pd.DataFrame({
    'Study ID': [1, 1, 2],
    'Insect': ['Aphid', 'Aphid', 'Beetle'],
    'MType': ['Fecundity', 'RGR', 'Fecundity'],
    'Mean': [10.5, 0.8, 8.2],
    'Sd': [2.3, 0.1, 1.5],
    'N': [20, 18, 25]
})

# 执行长转宽操作，以Study ID和Insect为分组键
wide_df = df.pivot(
    index=['Study ID', 'Insect'],
    columns='MType',
    values=['Mean', 'Sd', 'N']
)

# 重新格式化列名，改成「MType.指标」的形式
wide_df.columns = ['{}.{}'.format(mtype, metric) for metric, mtype in wide_df.columns]

# 把索引列变回普通列
wide_df = wide_df.reset_index()

# 查看结果
print(wide_df)

执行后会自动生成所有MType对应的列（比如Fecundity.Mean、RGR.Sd等），如果你的数据存在同一个(Study ID, Insect, MType)组合有多行的情况，把pivot换成pivot_table并指定聚合函数即可（比如aggfunc='mean'用来合并重复值）。

R (Tidyr) 解决方案 #

R的Tidyr包提供了更直观的pivot_wider函数，专门处理这类需求，代码更简洁：

library(tidyr)
library(dplyr)

# 示例数据
df <- tibble(
  `Study ID` = c(1, 1, 2),
  Insect = c("Aphid", "Aphid", "Beetle"),
  MType = c("Fecundity", "RGR", "Fecundity"),
  Mean = c(10.5, 0.8, 8.2),
  Sd = c(2.3, 0.1, 1.5),
  N = c(20, 18, 25)
)

# 长转宽并直接指定列名格式
wide_df <- df %>%
  pivot_wider(
    id_cols = c(`Study ID`, Insect),
    names_from = MType,
    values_from = c(Mean, Sd, N),
    names_glue = "{MType}.{.value}"  # 这里直接定义列名的拼接规则
  )

# 查看结果
print(wide_df)

names_glue参数可以直接帮你把MType和指标拼接成想要的格式，完全符合你需要的Fecundity.mean、RGR.Sd这类命名规则。如果有重复的分组记录，用values_fn参数指定聚合方式即可（比如values_fn = mean）。

额外注意事项 #

• 如果原始数据有缺失值，转换后对应位置会显示NaN（Python）或NA（R），可以用fillna()（Python）或replace_na()（R）按需处理。
• 确保Study ID和Insect的组合能唯一标识每个合并后的行，如果还有其他分组维度，记得加到index（Python）或id_cols（R）参数里。

内容的提问来源于stack exchange，提问作者birdoptera