Data preparation basics using tidyr package in RStudio

install.packages("tidyr")      to install packages

library(tidyr)       to bring the package to R env

df3<-read.csv(file.choose())    to open .csv file

> df3

   state X2018 X2017 X2016 X2015

1     AP   557   212   344   239

2     WB   126   551   175   492

3     KA    85   450   471    90

4     DE   378   766   736   914

5     MP   227   614   135   182

6     RJ   177   925   544   795

7     TN   489   872   607   313

8     TS   253   127   138   608

9     MA   508   418   389   641

10    HP   527   832   887   918

> names(df3)[names(df3) == 'X2018']<-2018

> names(df3)[names(df3) == 'X2017']<-2017

> names(df3)[names(df3) == 'X2016']<-2016

> names(df3)[names(df3) == 'X2015']<-2015

> df3

   state 2018 2017 2016 2015

1     AP  557  212  344  239

2     WB  126  551  175  492

3     KA   85  450  471   90

4     DE  378  766  736  914

5     MP  227  614  135  182

6     RJ  177  925  544  795

7     TN  489  872  607  313

8     TS  253  127  138  608

9     MA  508  418  389  641

10    HP  527  832  887  918

dg = gather(df3,'year','n',2:5)

> dg

   state year   n

1     AP 2018 557

2     WB 2018 126

3     KA 2018  85

4     DE 2018 378

5     MP 2018 227

6     RJ 2018 177

7     TN 2018 489

8     TS 2018 253

9     MA 2018 508

10    HP 2018 527

11    AP 2017 212

12    WB 2017 551

13    KA 2017 450

14    DE 2017 766

15    MP 2017 614

16    RJ 2017 925

17    TN 2017 872

18    TS 2017 127

19    MA 2017 418

20    HP 2017 832

21    AP 2016 344

22    WB 2016 175

23    KA 2016 471

24    DE 2016 736

25    MP 2016 135

26    RJ 2016 544

27    TN 2016 607

28    TS 2016 138

29    MA 2016 389

30    HP 2016 887

31    AP 2015 239

32    WB 2015 492

33    KA 2015  90

34    DE 2015 914

35    MP 2015 182

36    RJ 2015 795

37    TN 2015 313

38    TS 2015 608

39    MA 2015 641

40    HP 2015 918

spread(dg,year,n)

   state 2015 2016 2017 2018

1     AP  239  344  212  557

2     DE  914  736  766  378

3     HP  918  887  832  527

4     KA   90  471  450   85

5     MA  641  389  418  508

6     MP  182  135  614  227

7     RJ  795  544  925  177

8     TN  313  607  872  489

9     TS  608  138  127  253

10    WB  492  175  551  126

date<-scan(what='char')

1: 2018-06-11

2: 2019-02-10

3: 2016-05-22

4: 2015-06-12

5: 2016-11-12

6:

Read 5 items

> sno<-c(1,2,3,4,5)

> d4<-data.frame(sno,date)

> d4

  sno       date

1   1 2018-06-11

2   2 2019-02-10

3   3 2016-05-22

4   4 2015-06-12

s1<-separate(d4,date,c('year','month','day'),sep='-')

> s1

  sno year month day

1   1 2018    06  11

2   2 2019    02  10

3   3 2016    05  22

4   4 2015    06  12

5   5 2016    11  12

> unite(s1,'date',year,month,day,sep='/')

  sno       date

1   1 2018/06/11

2   2 2019/02/10

3   3 2016/05/22

4   4 2015/06/12

5   5 2016/11/12