【r<-包】R-数据操作（四）：使用dplyr操作数据框

使用dplyr操作数据框

关于dplyr的基本操作我已经写过很多笔记了，不再赘述，想学习的读者请参阅下面几篇文章，这部分我只挑没接触过的学习下。

• r<-基础|分析】初学者学习tidyverse
• 【r<-数据分析】使用dplyr（1）：介绍与filter操作及后续
• 高级操作：【r<-高级|dplyr】dplyr编程，quote与unquote

与data.table类似，dplyr也提供了do()函数来对每组数据进行任意操作。

例如将diamonds按cut分组，每组都按log(price) ~ carat拟合一个线性模型。和data.table不同的是，我们需要为操作指定一个名称，以便将结果存储在列中。而且do()表达式不能直接在分组数据的语义下计算 ，我们需要使用.来表示数据。

data("diamonds", package = "ggplot2")
models = diamonds %>% 
    group_by(cut) %>% 
    do(lmod = lm(log(price) ~ carat, data = .))
models
#> Source: local data frame [5 x 2]
#> Groups: 
#> 
#> # A tibble: 5 x 2
#>   cut       lmod    
#> *        
#> 1 Fair      
#> 2 Good      
#> 3 Very Good 
#> 4 Premium   
#> 5 Ideal     

注意结果创建了一个新列，该列不是典型的原子向量，每个元素都是模型的结果，包含线性回归对象的列表。我们可以通过索引来提取模型结果：

models$lmod[[1]]
#> 
#> Call:
#> lm(formula = log(price) ~ carat, data = .)
#> 
#> Coefficients:
#> (Intercept)        carat  
#>        6.78         1.25

在需要完成高度定制的操作时，do()的优势非常明显。下面举例。

假如我们需要分析toy_tests数据，要对每种产品的质量和耐久性进行汇总。如果只需要样本数最多的3个测试记录，并且每个产品的质量和耐久性是经样本数加权的平均数，下面是做法。

toy_tests %>% 
    group_by(id) %>% 
    arrange(desc(sample)) %>% 
    do(head(., 3)) %>% 
    summarise(
        quality = sum(quality * sample) / sum(sample),
        durability = sum(durability * sample) / sum(sample)
    )
#> # A tibble: 2 x 3
#>   id    quality durability
#>            
#> 1 T01      9.32       9.38
#> 2 T02      9.04       8.34

为了查看中间结果，可以运行do()之前的代码：

toy_tests %>% 
    group_by(id) %>% 
    arrange(desc(sample))
#> # A tibble: 8 x 6
#> # Groups:   id [2]
#>   id        date sample quality durability ym    
#>                    
#> 1 T01   20160405    180       9         10 201604
#> 2 T01   20160302    150      10          9 201603
#> 3 T01   20160502    140       9          9 201605
#> 4 T01   20160201    100       9          9 201602
#> 5 T02   20160403     90       9          8 201604
#> 6 T02   20160502     85      10          9 201605
#> 7 T02   20160303     75       8          8 201603
#> 8 T02   20160201     70       7          9 201602