R成精-用dplyr高效变换数据和处理数据

dplyr包介绍

dplyr包是R大神大杰作，Hadley Wickham,被称为一个改变R的人，dplyr是在plyr上升级的又一力作。
dplyr包包含了数据整理、筛选、变换、汇总等多种函数。基本上可以解决数据处理的80%的问题。

基础用法

本文以自己构造的数据集进行演示，以便方便理解。

data1 <- data.frame(id=c(1:10),class=c(1:2),score=c("十","九","八","七","六","五","四","三","二","一")
ennum=c("one","two","three","four","five","ten","nine","eight","seven","six"),type=c("a","b"))
data2 <- rbind(data1,c(10,6,"一","six","b"))

1. 单表操作

• 排序 arrange 对变量进行排序，默认为升序，可以用desc()降序排列.

data1 %>% arrange()
data1 %>% arrange(desc(id))
data1 %>% arrange(by=class)

• 去重distinct，相当于base函数的unique,该函数有一个.keep_all的参数，如果等于FALSE，输出去重的变量。如果等于TRUE，输出全部变量，有多个相同的观测数据，输出第一条数据。

data2 %>% distinct()
data2 %>% distinct(type)
 type
1    a
2    b
data2 %>% distinct(type,.keep_all=TRUE)
id class score ennum type
1  1    15    十   one    a
2  2    14    九   two    b

• do
• 条件筛选filter，根据条件变量筛选观察值。
  常用的筛选条件

==, >, >= etc

&, |, !, xor()

is.na()

between(), near()

data2 %>%filter(id==10)
id class score ennum type
1 10     6    一   six    b
2 10     6    一   six    b

等价于

data2[id==10,]

• group_by
  按条件分组

data1 %>% group_by(class) #按照class进行分组，在组内可以进行统计操作。

# A tibble: 10 x 5
# Groups:   class [2]
      id class  score  ennum   type
       
 1     1     1     十    one      a
 2     2     2     九    two      b
 3     3     1     八  three      a
 4     4     2     七   four      b
 5     5     1     六   five      a
 6     6     2     五    ten      b
 7     7     1     四   nine      a
 8     8     2     三  eight      b
 9     9     1     二  seven      a
10    10     2     一    six      b

ungroup

• mutate transmute
• select rename
• current_vars
  -starts_with end_with
• contains matches
• num_range one_of
• everything
• sample_n sample_frac
• summarise summarize
• 拉取一列变量pull
  pull(data,var=-1)
  data是数据集，var为空时默认拉取最后一列，var为正时从左边开始的列，var为负数从右边开始的列。
• 根据位置选取观测值slice
  slice(data1,10:n())
  选取十行以后的数据

2. 两个表操作

• inner_join
  内联
  匹配两个表相同的内容，返回两个表都有的内容。
• left_join
  左表匹配右表，返回左表。
• right_join
  右表匹配左表，返回右表。
• full_join
  两表匹配，返回两个表的元素。
• semi_join
  返回能够与y表匹配的x表的所有记录。
• anti_join
  返回无法与y表匹配的x表的所有记录。

3. 向量函数
   between
   介于两向量之间
   case_when

coalesce
cumull cumany cumean
desc降序排列
if_else
lead lag
向前和滞后
order_by
排序

n
观测值的数量
n_distinct
不同的观测值的数量
na_if
near
比较两组向量是否相等，等价于"=="
nth first last
向量中第n、第一、最后一个元素
row_number ntitle
min_rank dense_rank
percent_rank cum_dist
recode recode_factor

4. 元数据
   groups
   分组

groups_vars

5. 数据集
   dplyr 包中包含乐队成员信息，NASA的空间数据，星际争霸人物特征，和风暴数据：
   band_instruments、band_instruments2 、band_members 、nasa 、starwars、storms

扩展用法

参考

官方参考