R Academy · 课时

嵌套与展开数据框

Q: 「嵌套与展开数据框」这节课中我会学到什么？

使用 nest() 和 unnest() 处理整洁工作流中的列表列 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

使用 nest() 和 unnest() 处理整洁工作流中的列表列

嵌套与展开数据框 是 CoddyKit 上的免费 R Academy 课时。这是第 4 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 4 节课。

列表列和嵌套数据

列表列是数据框中的一列，其中每个单元格都包含一个 R 对象（向量、数据框、模型或列表）。这样可以将结构化的子数据与其他列存放在一起，从而支持强大的分组工作流。

library(tidyr)
library(dplyr)

# A simple data frame with a list-column
df <- data.frame(
  group = c('A','B','C'),
  n = c(3, 2, 4)
)
df$values <- list(c(1,2,3), c(4,5), c(6,7,8,9))

print(df)
print(df$values[[1]])  # Access the first list element

nest() — 创建嵌套数据框

nest(df, data = c(col1, col2)) 按未嵌套的列对行进行分组，并将指定列打包到一个由数据框组成的列表列中。每个组占一行，每行包含一个小型数据框。

library(tidyr)
library(dplyr)

df <- data.frame(
  region = c('East','East','East','West','West'),
  month = c(1,2,3,1,2),
  sales = c(100,120,110,200,190)
)

nested <- df %>%
  nest(data = c(month, sales))

print(nested)
print(nested$data[[1]])  # East region's data

将 nest() 与 group_by() 结合使用

最常见的模式是：先使用 group_by()，再使用 nest()，为每个组创建一行，并将其余所有列打包到 data 列表列中。在较新版本的 tidyr 中，这等价于 nest(.by = group_col)。

library(tidyr)
library(dplyr)

df <- data.frame(
  category = c('A','A','A','B','B','C','C','C','C'),
  x = c(1,2,3,4,5,6,7,8,9),
  y = c(2,4,3,8,7,5,6,9,8)
)

nested <- df %>%
  group_by(category) %>%
  nest()

print(nested)
cat('Rows per category B:', nrow(nested$data[[2]]))

使用 map() 处理嵌套数据框

数据嵌套后，可以使用 purrr::map() 对每个小型数据框应用函数。该函数每次接收一个数据框，处理结果会成为新的列表列，通常是一个拟合好的模型。

library(tidyr)
library(dplyr)
library(purrr)

df <- data.frame(
  group = c('A','A','A','B','B','B'),
  x = c(1,2,3,1,2,3),
  y = c(2.1,4.0,5.9,3.2,5.8,9.1)
)

models <- df %>%
  group_by(group) %>%
  nest() %>%
  mutate(model = map(data, ~lm(y ~ x, data = .x)))

print(models)

使用 map() 提取模型结果

按组拟合模型后，可以将 map() 与 broom::tidy() 或 coef() 等函数结合使用，从每个模型中提取结果。输出会成为另一个列表列，之后可以将其展开。

library(tidyr)
library(dplyr)
library(purrr)

df <- data.frame(
  group = c('A','A','A','B','B','B'),
  x = c(1,2,3,1,2,3),
  y = c(2.1,4.0,5.9,3.2,5.8,9.1)
)

df %>%
  group_by(group) %>%
  nest() %>%
  mutate(
    model = map(data, ~lm(y ~ x, data = .x)),
    r_squared = map_dbl(model, ~summary(.x)$r.squared),
    intercept = map_dbl(model, ~coef(.x)[1]),
    slope = map_dbl(model, ~coef(.x)[2])
  ) %>%
  select(group, r_squared, intercept, slope)

unnest() — 展开列表列

unnest(df, cols = data) 是 nest() 的逆操作。它会将列表列展开为常规列，并根据需要重复标识列。使用 cols 指定要展开的列表列。

library(tidyr)
library(dplyr)

nested <- data.frame(
  region = c('East','West')
)
nested$data <- list(
  data.frame(month=1:3, sales=c(100,120,110)),
  data.frame(month=1:2, sales=c(200,190))
)

unnested <- unnest(nested, cols = data)
print(unnested)

unnest_longer() — 将列表展开为行

unnest_longer(df, col) 会展开列表列，使列表中的每个元素成为一行。与要求列表元素为数据框的 unnest() 不同，unnest_longer() 适用于由向量或标量组成的列表。

library(tidyr)

df <- data.frame(
  person = c('Alice','Bob','Carol')
)
df$skills <- list(
  c('R','Python','SQL'),
  c('Excel','Tableau'),
  c('R','Julia','Stan','BUGS')
)

unnest_longer(df, skills)

unnest_wider() — 将列表展开为列

unnest_wider(df, col) 会将每个列表元素展开为一组新列。列表必须包含命名元素，这些名称会成为列名。它适用于类似嵌套 JSON 的结构。

library(tidyr)

df <- data.frame(id = 1:3)
df$info <- list(
  list(name='Alice', age=30, city='NYC'),
  list(name='Bob', age=25, city='LA'),
  list(name='Carol', age=35, city='Chicago')
)

unnest_wider(df, info)

完整的嵌套工作流模式

完整的嵌套数据框工作流为：group_by() + nest() → 使用 map() 应用函数 → 提取结果 → 使用 unnest() 恢复为扁平数据框。这种模式支持按组执行任意分析。

library(tidyr)
library(dplyr)
library(purrr)

df <- data.frame(
  region = c('East','East','East','West','West','West'),
  month = c(1,2,3,1,2,3),
  revenue = c(100,120,115,200,195,210)
)

df %>%
  group_by(region) %>%
  nest() %>%
  mutate(
    mean_rev = map_dbl(data, ~mean(.x$revenue)),
    trend = map_dbl(data, ~coef(lm(revenue~month, data=.x))[2])
  ) %>%
  select(region, mean_rev, trend)

嵌套多个列

您可以有选择地指定哪些列应放入嵌套数据框中。在 nest(data = c(...)) 中明确指定这些列。未指定的列会作为外层数据框中的常规列，与列表列并存。

library(tidyr)
library(dplyr)

df <- data.frame(
  region = c('East','East','West','West'),
  year = c(2023,2024,2023,2024),
  q1 = c(100,110,200,210),
  q2 = c(105,115,195,215),
  target = c(105,112,198,212)
)

# Only nest quarterly data, keep target as outer column
nested <- df %>%
  group_by(region, year) %>%
  nest(quarters = c(q1, q2))

print(nested)

何时使用嵌套数据框

在以下场景中，嵌套数据框非常适用：对不同组拟合同一个模型、运行按组模拟、对数据子集应用复杂转换，或处理类似 JSON 的层次化数据。它们可以将组专属数据与组级元数据整齐地组织在一起。

library(tidyr)
library(dplyr)
library(purrr)

# Bootstrap confidence interval per group
df <- data.frame(
  group = c('A','A','A','A','B','B','B','B'),
  value = c(10,12,11,13,20,22,19,21)
)

set.seed(42)
df %>%
  group_by(group) %>%
  nest() %>%
  mutate(
    boot_means = map(data, function(d) {
      replicate(100, mean(sample(d$value, replace=TRUE)))
    }),
    ci_low = map_dbl(boot_means, ~quantile(.x, 0.025)),
    ci_high = map_dbl(boot_means, ~quantile(.x, 0.975))
  ) %>%
  select(group, ci_low, ci_high)

快速检查

如何将由数据框组成的列表列正确展开回扁平数据框？

总结：嵌套与展开

嵌套数据框工作流的要点：

nest(data = c(cols)) — 将列打包到由数据框组成的列表列中，每个组一个数据框
group_by() + nest() — 按组嵌套的标准模式
map(nested$data, fn) — 对每个嵌套数据框应用任意函数
unnest(cols = data) — 将由数据框组成的列表列展开回扁平格式
unnest_longer(col) — 将由向量或标量组成的列表展开为行
unnest_wider(col) — 将命名列表展开为列
适用于按组建模、自助法和 JSON 数据处理

library(tidyr)
library(dplyr)
library(purrr)

data.frame(
  team = c('A','A','B','B'),
  x = c(1,2,1,2),
  y = c(2,4,3,6)
) %>%
  group_by(team) %>%
  nest() %>%
  mutate(
    model = map(data, ~lm(y ~ x, data = .x)),
    slope = map_dbl(model, ~coef(.x)['x'])
  ) %>%
  select(team, slope)

常见问题解答

「嵌套与展开数据框」课时是免费的吗？

是的 — 「嵌套与展开数据框」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 4 节课。

「嵌套与展开数据框」这节课中我会学到什么？

使用 nest() 和 unnest() 处理整洁工作流中的列表列你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 R Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 4 节课，共 4 节。

「嵌套与展开数据框」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 R Academy 课中编写并运行代码吗？

能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 R Academy