数据科学之编程技术：使用R进行数据清理、分析与可视化

12.4　tidyr实战：探索教育统计

本节使用真实的数据集来演示如何使用tidyr重塑数据，重塑数据是数据探索过程中不可或缺的部分。本例中的数据是从世界银行数据浏览器^[1]中下载的，它收集了数百个不同经济和社会发展因素的指标（度量）数据。本例考虑的是能反映一个国家教育水平（或对教育投资）的教育指标^[2]，例如，政府教育支出、识字率、学校入学率和数十个其他教育成就衡量指标。此数据集的缺陷（.csv文件顶部不必要的行、大量的遗失数据、带有特殊字符的长列名）代表了使用真实数据集时所面临的挑战。本节的所有图形均使用第16章中介绍的ggplot2包构建。此分析的完整代码也可在线从本书的代码库中获得^[3]。

下载数据后，需要将其加载到R环境中：

第一次加载数据时，每个观测结果（行）代表一个国家的指标（indicator），其特征（列）是该指标（indicator）在给定年份的值（参见图12-3）。注意，许多值（尤其是前几年的值）都丢失了（NA）。另外，由于R不允许列名为数字，read.csv()函数已经为每个列名（在原始的.csv文件中只是一个数字）预先加了一个X字符。

图12-3　12.4节中使用的未转换的世界银行教育数据

就指标（indicator）而言，数据是长格式的，而就指标（indicator）和年份而言，数据是宽格式的——一列包含一年的所有值。此结构允许通过筛选感兴趣的指标来比较各年份的指标。例如，可以将每个国家1990年的教育支出与2014年的教育支出进行如下比较： ...