R语言学习2–数据变换
流水线（pipe）
数据变换也可以类似ggplot2那样逐步进行，每一步的输出作为下一步的输入。不一样的是，ggplot2的图层之间叠加用’+’号表示，而数据变换每步之间使用’|>’管道符表示。
例：
flights |>
filter(dest == "IAH") |>
mutate(speed = distance / air_time * 60) |>
select(year:day, dep_time, carrier, flight, speed) |>
arrange(desc(speed))
行操作
-
filter()允许按照行的各个特性（列的值）筛选行。
常用条件表：
| 条件符 | 条件 |
|---|---|
| %in% | 值在某个集合中 |
| & | 且 |
| 丨 | 或 |
| 其余条件符和python一样 |
-
arrange()允许按照一列或者多列的值进行行的排序。
可配合
desc()进行倒序排列。 -
distinct()按列提取出数据集中所有与众不同的行。提取的一定是首次出现的行。
列操作
-
mutate()按照输入的变量名和表达式，向表中加入指定的列。
可以使用
.before,.after参数确定位置，.keep参数决定是否留下其余的列比如：
flights |> mutate( gain = dep_delay - arr_delay, hours = air_time / 60, gain_per_hour = gain / hours )会留下所有的列，以及新加入的列：
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay <int> <int> <int> <int> <int> <dbl> <int> <int> <dbl> 1 2013 1 1 517 515 2 830 819 11 2 2013 1 1 533 529 4 850 830 20 3 2013 1 1 542 540 2 923 850 33 4 2013 1 1 544 545 -1 1004 1022 -18 5 2013 1 1 554 600 -6 812 837 -25 6 2013 1 1 554 558 -4 740 728 12 7 2013 1 1 555 600 -5 913 854 19 8 2013 1 1 557 600 -3 709 723 -14 9 2013 1 1 557 600 -3 838 846 -8 10 2013 1 1 558 600 -2 753 745 8 336,766 more rows而加上.keep 参数后：
flights |> mutate( gain = dep_delay - arr_delay, hours = air_time / 60, gain_per_hour = gain / hours, .keep = "used" )便会只留下计算过程中用到的行。
dep_delay arr_delay air_time gain hours gain_per_hour <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> 1 2 11 227 -9 3.78 -2.38 2 4 20 227 -16 3.78 -4.23 3 2 33 160 -31 2.67 -11.6 4 -1 -18 183 17 3.05 5.57 5 -6 -25 116 19 1.93 9.83 6 -4 12 150 -16 2.5 -6.4 7 -5 19 158 -24 2.63 -9.11 8 -3 -14 53 11 0.883 12.5 9 -3 -8 140 5 2.33 2.14 10 -2 8 138 -10 2.3 -4.35 -
select()
按照列名进行选择，留下指定列。
rename()
重命名列。rename(new_name=oldname)
relocate()
将列移动到指定位置。默认会将其移动至最前方，可以使用.before和.after参数指定移动的具体位置。
移动目标可以是一行，也可以是使用a:b框选出的n行。R语言中，‘：’冒号一般用于表达区间。
组操作
-
group_by()和summarize()两者通常配合使用。
group_by()会为数据结构添加分组信息。如：flights |> group_by(month)注意下面的
# Groups: month [12]，这表明该数据结构现在拥有了分组信息，分了12组，每组为一个月份：# A tibble: 336,776 × 19 # Groups: month [12] year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay <int> <int> <int> <int> <int> <dbl> <int> <int> <dbl> 1 2013 1 1 517 515 2 830 819 11 2 2013 1 1 533 529 4 850 830 20 3 2013 1 1 542 540 2 923 850 33 4 2013 1 1 544 545 -1 1004 1022 -18 5 2013 1 1 554 600 -6 812 837 -25 6 2013 1 1 554 558 -4 740 728 12 7 2013 1 1 555 600 -5 913 854 19 8 2013 1 1 557 600 -3 709 723 -14 9 2013 1 1 557 600 -3 838 846 -8 10 2013 1 1 558 600 -2 753 745 8 # ℹ 336,766 more rows
summarize()的作用：将多行数据按照分组压缩成一行，压缩依据传递给该函数的表达式进行
flights |>
group_by(month) |>
summarize(
avg_delay = mean(dep_delay,na.rm=TRUE)
)
输出：
# A tibble: 12 × 2
month avg_delay
<int> <dbl>
1 1 10.0
2 2 10.8
3 3 13.2
4 4 13.9
5 5 13.0
6 6 20.8
7 7 21.7
8 8 12.6
9 9 6.72
10 10 6.24
11 11 5.44
12 12 16.6
slice_…()函数可以从每组中选出某些元素进行计算
当使用多列进行分组的时候，每次使用summarize()都会去除一次分组
-
ungroup()用于将分组信息从一个数据结构移除。
-
.by参数新语法，用于替代
group_by()函数。例如，下面两种写法等价：flights |> summarize( delay = mean(dep_delay, na.rm = TRUE), n = n(), .by = month )flights |> group_by(month) |> summarize( avg_delay = mean(dep_delay,na.rm=TRUE) )
Tips
当使用summarize时，可以同时使用n()函数打印每组的元素数。在统计实践中，此值可以避免使用了过小的样本导致统计出现偏差。