对于“这个数据集有多少变量”这个问题，很可能没有一个正确的答案，人们可​​以用不同的方式来构造数据，就像你展示的那样，导致不同的列数。

但是，对于“什么样的结构将使该数据集最适合分析”可能有一个很好的答案，这可能是您展示的第一个版本。

Hadley Wickham 就他所谓的“整洁数据”写了一些关于此的文章（请参阅本文）。当数据集整洁时，它处于最有效的分析形式。IE。它以最基本的形式提供了一种简单且一致的方式，可以在顶部应用转换，以便进行进一步的分析。他认为，构建用于分析的数据集的最佳方法是：

1. 每个变量形成一列。
2. 每个观察形成一行。
3. 每种类型的观察单元形成一个表格。

你展示的第一个数据集，一个有 3 列的数据集，在这些指导方针下会很整洁。

他还概述了数据集变得不整洁的 5 种常见方式：

1. 列标题是值，而不是变量名。
2. 多个变量存储在一列中。
3. 变量存储在行和列中。
4. 多种类型的观测单元存储在同一个表中。
5. 单个观察单元存储在多个表中。

您的数据集的第二个版本有四列，显示问题 #1。这可以通过他论文的第 3.1 节看到，他在其中提到了有关宗教和收入的数据集。

同样，对于这个数据集有多少个变量的问题，可能没有“正确”的答案，但是对于这个数据集应该有多少列的问题，正确的答案是 3。整洁的数据使它变得容易并提供一致的方式对数据集执行额外的转换，以使其成为分析所需的任何未来形式。例如。使用 Pandas group_by 或来自第一个数据集的 R 聚合可以轻松创建具有 4 列的第二个数据集。

@nick-eng 几乎回答了所有问题（+1）！我只是想我可以添加一些示例来说明他的观点并说明为什么使用长格式（您的第一个表格）更有效，尤其是当您使用 Hadley Wickham 的R包ggplot2和plyr. 但我不得不说，在报告手稿中的平均值时，我经常更喜欢使用宽格式。

--开始编辑--

正如@ttnphns 正确指出的那样（请参阅OP 问题下的评论），许多分析要求数据采用长格式，而多变量分析通常需要将因变量作为单独的列。Anova当使用包的功能进行分析时，这也适用于重复测量car。

--结束编辑--

我使用了您的第一个表并将其读入R. 使用该dput()功能，我可以R将数据打印到控制台中，从中我可以将其复制并粘贴到此处，以便其他人可以轻松地使用它：

d <- structure(list(Season = structure(c(4L, 4L, 4L, 2L, 2L, 2L, 3L, 
3L, 3L, 1L, 1L, 1L), .Label = c("Fall", "Spring", "Summer", "Winter"
), class = "factor"), Type = structure(c(3L, 1L, 2L, 3L, 1L, 
2L, 3L, 1L, 2L, 3L, 1L, 2L), .Label = c("Expenses", "Profit", 
"Sales"), class = "factor"), Dollars = c(1000L, 400L, 250L, 1170L, 
460L, 250L, 660L, 1120L, 300L, 1030L, 540L, 350L)), .Names = c("Season", 
"Type", "Dollars"), class = "data.frame", row.names = c(NA, -12L
))

使用以下方法制作图表ggplot2：

require(ggplot2)
ggplot(d, aes(x=Season, y=Dollars)) + geom_bar(stat="identity", fill="grey") +
# Especially for the next line you need the data in long format
facet_wrap(~Type)

汇总数据并计算平均值和标准误差：

require(plyr)
d.season <- ddply(d, .(Season), summarise, MEAN=mean(Dollars),
              ERROR=sd(Dollars)/sqrt(length(Dollars)))

ggplot2使用汇总数据制作另一个图表d.season：

ggplot(d.season, aes(x = Season, y = MEAN)) + 
geom_bar(stat = "identity", fill = "grey") +
geom_errorbar(aes(ymax = MEAN + ERROR, ymin = MEAN - ERROR), width = 0.2) +
labs(y = "Dollars")

dcast()现在，使用函数和melt()包在宽格式和长格式之间来回切换reshape2。请注意，数据现在将按字母顺序排列：

require(reshape2)

长到宽格式：

d.wide <- dcast(d, Season ~ Type, value.var = "Dollars")
> d.wide
  Season Expenses Profit Sales
1   Fall      540    350  1030
2 Spring      460    250  1170
3 Summer     1120    300   660
4 Winter      400    250  1000

宽到长格式：

d.long <- melt(d.wide, id.vars = "Season", variable.name = "Type", value.name = "Dollars")
> d.long
   Season     Type   Dollars
1    Fall Expenses   540
2  Spring Expenses   460
3  Summer Expenses  1120
4  Winter Expenses   400
5    Fall   Profit   350
6  Spring   Profit   250
7  Summer   Profit   300
8  Winter   Profit   250
9    Fall    Sales  1030
10 Spring    Sales  1170
11 Summer    Sales   660
12 Winter    Sales  1000

与原始数据框比较（不按字母顺序排列）：

> d
   Season     Type Dollars
1  Winter    Sales    1000
2  Winter Expenses     400
3  Winter   Profit     250
4  Spring    Sales    1170
5  Spring Expenses     460
6  Spring   Profit     250
7  Summer    Sales     660
8  Summer Expenses    1120
9  Summer   Profit     300
10   Fall    Sales    1030
11   Fall Expenses     540
12   Fall   Profit     350