R语言 - dplyr 使用

概览

filter：筛选数据

summarize()：描述性数据计算

group_by：分组

mutate：计算

arrange()：数据框排序

join：数据框关系

本文需要加载的包：

library(dplyr) # 整理工具使用：dplyr
library(ggplot2)  # 数据可视化工具
library(nycflights13) # 航班数据集

筛选数据filter

filter相当于excel 中的筛选器。

筛选数据包括：

• >“大于”

• <“小于”

• >=“大于或等于”

• <=“小于或等于”

• !=“不等于”

在逻辑结构上包括：

• |“或”

• &“且”

• !"非“

看下面一个例子：

btv_sea_flights_fall <- flights %>% 
  filter(origin == "JFK", (dest == "BTV" | dest == "SEA"), month >= 10)
View(btv_sea_flights_fall)

描述性数据计算summarize()

summarize()用于各种计算，常见的计算包括：

• mean(): 平均值

• sd(): 标准差

• min()和max()：最小值、最大值

• iqr(): 四分位数

• sum(): 数字求和

• n(): 每组中的行数

看下面一个例子：

summary_temp <- weather %>% 
  summarize(mean = mean(temp, na.rm = TRUE), 
            std_dev = sd(temp, na.rm = TRUE)) # 使用na.rm 去除空值
summary_temp

输出结果为：

 A tibble: 1 × 2
   mean std_dev
  <dbl>   <dbl>
1  55.3    17.8

分组 group_by

分组即把相同的元素归为一组，进行计算。

比如下面的代码表示把月份相同的数据放在一组，然后计算中位数和方差。

summary_monthly_temp <- weather %>% 
  group_by(month) %>% 
  summarize(mean = mean(temp, na.rm = TRUE), 
            std_dev = sd(temp, na.rm = TRUE))
summary_monthly_temp

输出结果为：

# A tibble: 12 × 3
   month  mean std_dev
   <int> <dbl>   <dbl>
 1     1  35.6   10.2 
 2     2  34.3    6.98
 3     3  39.9    6.25
 4     4  51.7    8.79
 5     5  61.8    9.68
 6     6  72.2    7.55
 7     7  80.1    7.12
 8     8  74.5    5.19
 9     9  67.4    8.47
10    10  60.1    8.85
11    11  45.0   10.4 
12    12  38.4    9.98

再比如下面代码表示统计从纽约三个机场起飞的航班数量：

by_origin <- flights %>% 
  group_by(origin) %>% # 多个变量分组使用group_by(origin, month)
  summarize(count = n())
by_origin

输出结果如下，可以看出从每个机场起飞的航班数量：

# A tibble: 3 × 2
  origin  count
  <chr>   <int>
1 EWR    120835
2 JFK    111279
3 LGA    104662

计算 mutate

用于计算变量之间的加减或者数值转换。

用法如下：

flights <- flights %>% 
  mutate(gain = dep_delay - arr_delay)
  
  weather <- weather %>% 
  mutate(temp_in_C = (temp - 32) / 1.8)

数据框排序arrange()

在R中和排序相关的函数包括order()、sort()、rank()，可对向量进行排序。

如下：

> x <- c(10, 45, 2, 8, 12)

> sort(x) # 从小到大排序
[1]  2  8 10 12 45

> x[order(x)] # 从小到大排序
[1]  2  8 10 12 45

> order(x) # 返回每个元素从小到大对应的排序，如10是第三小的元素，返回值为3
[1] 3 4 1 5 2

> rev(sort(x)) # 从大到小排序
[1] 45 12 10  8  2

> rank(x) # 返回值为每个数值对应的排名
[1] 3 5 1 2 4

> rev(x) # 表示向量翻转
[1] 12  8  2 45 10

arrange()可以对数据框进行排序，默认为升序排列，降序使用desc。

freq_dest %>% 
  arrange(num_flights) # 对变量num_flights升序排列
  
 freq_dest %>% 
  arrange(desc(num_flights)) # 对num_flights降序排列

也可以对多个数据排列

freq_dest %>% 
  arrange(变量1, 变量2) # 

数据框关系join

包括inner_join、left_join、right_join、full_join。具体用法见github.com

关系如下：

图片来源（https://www.jianshu.com/p/1f4c7bfed3d4）

参考资料

Chapter 3 Data Wrangling | Statistical Inference via Data Science

End.

20220824