接1，2。 完整笔记查看使用dplyr进行数据转换
使用mutate()添加新变量
除了选择已存在的列，另一个常见的操作是添加新的列。这就是mutate()函数的工作了。
mutate()函数通常将新增变量放在数据集的最后面。为了看到新生成的变量，我们使用一个小的数据集。
flights_sml <- select(flights,
year:day,
ends_with("delay"),
distance,
air_time)
mutate(flights_sml,
gain = arr_delay - dep_delay,
speed = distance / air_time * 60)
## # A tibble: 336,776 x 9
## year month day dep_delay arr_delay distance air_time gain speed
##
## 1 2013 1 1 2.00 11.0 1400 227 9.00 370
## 2 2013 1 1 4.00 20.0 1416 227 16.0 374
## 3 2013 1 1 2.00 33.0 1089 160 31.0 408
## 4 2013 1 1 -1.00 -18.0 1576 183 -17.0 517
## 5 2013 1 1 -6.00 -25.0 762 116 -19.0 394
## 6 2013 1 1 -4.00 12.0 719 150 16.0 288
## 7 2013 1 1 -5.00 19.0 1065 158 24.0 404
## 8 2013 1 1 -3.00 -14.0 229 53.0 -11.0 259
## 9 2013 1 1 -3.00 - 8.00 944 140 - 5.00 405
## 10 2013 1 1 -2.00 8.00 733 138 10.0 319
## # ... with 336,766 more rows
mutate(flights_sml,
gain = arr_delay - dep_delay,
hours = air_time / 60,
gain_per_hour = gain / hours)
## # A tibble: 336,776 x 10
## year month day dep_delay arr_delay dista~ air_~ gain hours gain_p~
##
## 1 2013 1 1 2.00 11.0 1400 227 9.00 3.78 2.38
## 2 2013 1 1 4.00 20.0 1416 227 16.0 3.78 4.23
## 3 2013 1 1 2.00 33.0 1089 160 31.0 2.67 11.6
## 4 2013 1 1 -1.00 -18.0 1576 183 -17.0 3.05 - 5.57
## 5 2013 1 1 -6.00 -25.0 762 116 -19.0 1.93 - 9.83
## 6 2013 1 1 -4.00 12.0 719 150 16.0 2.50 6.40
## 7 2013 1 1 -5.00 19.0 1065 158 24.0 2.63 9.11
## 8 2013 1 1 -3.00 -14.0 229 53.0 -11.0 0.883 -12.5
## 9 2013 1 1 -3.00 - 8.00 944 140 - 5.00 2.33 - 2.14
## 10 2013 1 1 -2.00 8.00 733 138 10.0 2.30 4.35
## # ... with 336,766 more rows
如果你仅仅想要保存新的变量，使用transmute()：
transmute(flights,
gain = arr_delay - dep_delay,
hours = air_time / 60,
gain_per_hour = gain / hours)
## # A tibble: 336,776 x 3
## gain hours gain_per_hour
##
## 1 9.00 3.78 2.38
## 2 16.0 3.78 4.23
## 3 31.0 2.67 11.6
## 4 -17.0 3.05 - 5.57
## 5 -19.0 1.93 - 9.83
## 6 16.0 2.50 6.40
## 7 24.0 2.63 9.11
## 8 -11.0 0.883 -12.5
## 9 - 5.00 2.33 - 2.14
## 10 10.0 2.30 4.35
## # ... with 336,766 more rows
有用的创造函数
有很多函数可以结合mutate()一起使用来创造新的变量。这些函数的一个关键属性就是向量化的：它必须使用一组向量值作为输入，然后返回相同长度的数值作为输出。我们没有办法将所有的函数都列举出来，这里选择一些被频繁使用的函数。
算术操作符
- 算术操作符本质都是向量化的函数，遵循“循环补齐”的规则。如果一个参数比另一个参数短，它会自动扩展为后者同样的长度。比如
air_time / 60，hours * 60等等。
模运算（%/%和%%）
-
%/%整除和%%取余。
对数
-
log()，log2()和log10()
位移量/偏移量
-
lead()和lag()允许你前移或后移变量的值。
(x <- 1:10)
## [1] 1 2 3 4 5 6 7 8 9 10
lag(x)
## [1] NA 1 2 3 4 5 6 7 8 9
lead(x)
## [1] 2 3 4 5 6 7 8 9 10 NA
累积计算
- R提供了累积和、累积积、和累积最小值、和累积最大值：
cumsum(),cumprod(),cummin(),cummax()。dplyr提供勒cummean()用于计算累积平均值。如果你想要进行滚动累积计算，可以尝试下RcppRoll包。
x
## [1] 1 2 3 4 5 6 7 8 9 10
cumsum(x)
## [1] 1 3 6 10 15 21 28 36 45 55
cummean(x)
## [1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
逻辑比较
-
<,<=,>,>=,!=
排序rank
- 存在很多rank函数，但我们从
min_rank()的使用开始，它可以实现最常见的rank（例如第一、第二、第三、第四），使用desc()进行辅助可以给最大值最小的rank。
y <- c(1,2,2,NA,3,4)
min_rank(y)
## [1] 1 2 2 NA 4 5
min_rank(desc(y))
## [1] 5 3 3 NA 2 1
如果min_rank()解决不了你的需求，看看变种row_number()、dense_rank()、percent_rank()、cume_dist()和ntile()，查看他们的帮助页面获取使用方法。
row_number(y)
## [1] 1 2 3 NA 4 5
dense_rank(y)
## [1] 1 2 2 NA 3 4
percent_rank(y)
## [1] 0.00 0.25 0.25 NA 0.75 1.00
cume_dist(y)
## [1] 0.2 0.6 0.6 NA 0.8 1.0
使用summarize()计算汇总值
最后一个关键的动词是summarize()，它将一个数据框坍缩为单个行：
summarize(flights, delay = mean(dep_delay, na.rm = TRUE))
## # A tibble: 1 x 1
## delay
##
## 1 12.6
除非我们将summarize()与group_by()配对使用，不然summarize()显得没啥用。这个操作会将分析单元从整个数据集转到单个的组别。然后，当你使用dplyr动词对分组的数据框进行操作时，它会自动进行分组计算。比如，我们想要按日期分组，得到每个日期的平均延期：
by_day <- group_by(flights, year, month, day)
summarize(by_day, delay = mean(dep_delay, na.rm = TRUE))
## # A tibble: 365 x 4
## # Groups: year, month [?]
## year month day delay
##
## 1 2013 1 1 11.5
## 2 2013 1 2 13.9
## 3 2013 1 3 11.0
## 4 2013 1 4 8.95
## 5 2013 1 5 5.73
## 6 2013 1 6 7.15
## 7 2013 1 7 5.42
## 8 2013 1 8 2.55
## 9 2013 1 9 2.28
## 10 2013 1 10 2.84
## # ... with 355 more rows
group_by()与summarize()的联合使用是我们最常用的dplyr工具：进行分组汇总。在我们进一步学习之前，我们需要了解一个非常强大的思想：管道。
使用管道整合多个操作
想象你要探索每个位置距离和平均航班延迟的关系。使用你已经知道的dplyr知识，你可能会写出下面的代码：
by_dest <- group_by(flights, dest)
delay <- summarize(by_dest,
count = n(),
dist = mean(distance, na.rm = TRUE),
delay = mean(arr_delay, na.rm = TRUE) )
delay <- filter(delay, count > 20, dest != "HNL")
ggplot(data = delay, mapping = aes(x = dist, y = delay)) +
geom_point(aes(size=count), alpha = 1/3) +
geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'loess'
[图片上传失败...(image-b53f79-1522248030773)]
看起来在大概750英里之前，距离增大，延误时间也增加；随后减少。可能是航班长了之后，飞机更有能力在空中进行调整？
上述代码分三步进行了数据准备：
- 按目的地将航班分组
- 汇总计算距离、平均延时和航班数目
- 移除噪声点和Honolulu航班，它太远了。
这个代码写的有点令人沮丧，尽管我们不关心中间变量（临时变量），但我们却不得不创造这些中间变量存储结果数据框。命名是一件非常困难的事情，它会降低我们分析的速度。
另一种方式可以解决同样的问题，这就是管道pipe，%>：
delays <- flights %>%
group_by(dest) %>%
summarize(
count = n(),
dist = mean(distance, na.rm = TRUE),
delay = mean(arr_delay, na.rm = TRUE)
) %>%
filter(count > 20, dest != "HNL")
这代码聚焦于转换，而不是什么被转换，这让代码更容易阅读。你可以将这段代码当作命令式的语句：分组、然后汇总，然后过滤。对%>%理解的一种好的方式就是将它发音为”然后“。
在后台，x %>% f(y)会变成f(x, y)，x %>% f(y) %>% g(z)会变成g(f(x, y), z)等等如此。你可以使用管道——用一种从上到下，从左到右的的方式重写多个操作。从现在开始我们将会频繁地用到管道，因为它会提升代码的可读性，这些我们会在后续进行深入学习。
使用管道进行工作是属于tidyverse的一个重要标准。唯一的例外是ggplot2，它在管道开发之前就已经写好了。不幸的是，ggplot2的下一个版本ggvis会使用管道，但还没有发布。
缺失值
你可能会好奇我们先前使用的na.rm参数。如果我们不设置它会发生什么呢？
flights %>%
group_by(dest) %>%
summarize(
count = n(),
dist = mean(distance),
delay = mean(arr_delay)
) %>%
filter(count > 20, dest != "HNL")
## # A tibble: 96 x 4
## dest count dist delay
##
## 1 ABQ 254 1826 4.38
## 2 ACK 265 199 NA
## 3 ALB 439 143 NA
## 4 ATL 17215 757 NA
## 5 AUS 2439 1514 NA
## 6 AVL 275 584 NA
## 7 BDL 443 116 NA
## 8 BGR 375 378 NA
## 9 BHM 297 866 NA
## 10 BNA 6333 758 NA
## # ... with 86 more rows
我们得到了一堆缺失值！如果输入不去除缺失值，结果必然是缺失值。幸运的是，所有的聚集函数都有na.rm参数，它可以在计算之前移除缺失值。
flights %>%
group_by(year, month, day) %>%
summarize(mean = mean(dep_delay, na.rm = TRUE))
## # A tibble: 365 x 4
## # Groups: year, month [?]
## year month day mean
##
## 1 2013 1 1 11.5
## 2 2013 1 2 13.9
## 3 2013 1 3 11.0
## 4 2013 1 4 8.95
## 5 2013 1 5 5.73
## 6 2013 1 6 7.15
## 7 2013 1 7 5.42
## 8 2013 1 8 2.55
## 9 2013 1 9 2.28
## 10 2013 1 10 2.84
## # ... with 355 more rows
这个例子中，缺失值代表了取消的航班，所以我们解决这样问题的办法就是首先移除取消的航班。
not_cancelled <- flights %>%
filter(!is.na(dep_delay), !is.na(arr_delay))
not_cancelled %>%
group_by(year, month, day) %>%
summarize(mean = mean(dep_delay))
## # A tibble: 365 x 4
## # Groups: year, month [?]
## year month day mean
##
## 1 2013 1 1 11.4
## 2 2013 1 2 13.7
## 3 2013 1 3 10.9
## 4 2013 1 4 8.97
## 5 2013 1 5 5.73
## 6 2013 1 6 7.15
## 7 2013 1 7 5.42
## 8 2013 1 8 2.56
## 9 2013 1 9 2.30
## 10 2013 1 10 2.84
## # ... with 355 more rows
计数
无论什么时候你进行汇总，包含计数n()或者非缺失值计数sum(!is.na(x))总是一个好想法。这样你可以检查你下结论来源的数据数目。例如，让我们看下有最高平均延时的飞机（根据尾号识别）：
delays <- not_cancelled %>%
group_by(tailnum) %>%
summarize(
delay = mean(arr_delay)
)
ggplot(data = delays, mapping = aes(x = delay)) +
geom_freqpoly(binwidth = 10)
[图片上传失败...(image-8fe604-1522248030773)]
哇！居然有些飞机平均延时5个小时（300分钟）。
绘制平均延时下航班数目的散点图可以呈现更多的信息：
delays <- not_cancelled %>%
group_by(tailnum) %>%
summarize(
delay = mean(arr_delay, na.rm = TRUE),
n = n()
)
ggplot(data = delays, mapping = aes(x = n, y = delay)) +
geom_point(alpha = 1/10)
[图片上传失败...(image-258585-1522248030773)]
当航班数少时平均延时存在很大的变异，这并不奇怪。这个图的形状很有特征性：无论什么时候你按照组别绘制均值（或其他汇总量），你会看到变异会随着样本量的增加而减少。
当你看到这种类型图时，过滤掉有很少数目的组别是很有用的，可以看到数据更多的模式和更少的极端值。这正是下面代码做的事情，它同时展示了整合dplyr与ggplot2的一种手动方式。突然从%>%转换到+可能会感觉有点伤，但习惯了就会感觉很便利啦：
delays %>%
filter(n > 25) %>%
ggplot(mapping = aes(x = n, y = delay)) +
geom_point(alpha = 1/10)
[图片上传失败...(image-855b13-1522248030773)]
让我们看另一个例子：棒球运动中击球手的平均表现与上场击球次数的关系。这里我们使用来自Lahman包的数据计算每个选手平均成功率（击球平均得分数，击球数/尝试数）。
当我画出击球手技能（用成功率衡量）与击球的机会数关系时，你会看到两种模式：
- 数据点越多，变异越少
- 选手技能和击球机会成正相关关系。这是因为队伍可以控制谁可以上场，很显然他们都会选自己最棒的选手：
# 转换为tibble，看起来更舒服
batting <- as.tibble(Lahman::Batting)
batters <- batting %>%
group_by(playerID) %>%
summarize(
ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),
ab = sum(AB, na.rm = TRUE)
)
batters %>%
filter(ab > 100) %>%
ggplot(mapping = aes(x = ab, y = ba)) +
geom_point() +
geom_smooth(se = FALSE)
## `geom_smooth()` using method = 'gam'
[图片上传失败...(image-b34bc7-1522248030773)]
有用的汇总函数
仅仅使用均值、计数和求和这些函数就可以帮我做很多事情，但R提供了许多其他有用的汇总函数：
位置度量
- 我们已经使用过
mean()函数求取平均值（总和除以长度），median()函数也非常有用，它会找到中位数。
有时候整合聚集函数和逻辑操作符是非常有用的：
not_cancelled %>%
group_by(year, month, day) %>%
summarize(
# 平均延时
avg_delay1 = mean(arr_delay),
# 平均正延时
avg_delay2 = mean(arr_delay[arr_delay > 0])
)
## # A tibble: 365 x 5
## # Groups: year, month [?]
## year month day avg_delay1 avg_delay2
##
## 1 2013 1 1 12.7 32.5
## 2 2013 1 2 12.7 32.0
## 3 2013 1 3 5.73 27.7
## 4 2013 1 4 - 1.93 28.3
## 5 2013 1 5 - 1.53 22.6
## 6 2013 1 6 4.24 24.4
## 7 2013 1 7 - 4.95 27.8
## 8 2013 1 8 - 3.23 20.8
## 9 2013 1 9 - 0.264 25.6
## 10 2013 1 10 - 5.90 27.3
## # ... with 355 more rows
分布度量sd(x),IQR(x),mad(x)
-
sd()计算均方差（也称为标准差或简写为sd），是分布的标准度量；IQR()计算四分位数极差；mad()计算中位绝对离差（存在离群点时，是更稳定的IQR值等价物）。
# 为何到某些目的地航班的距离比其他存在更多变异
not_cancelled %>%
group_by(dest) %>%
summarize(distance_sd = sd(distance)) %>%
arrange(desc(distance_sd))
## # A tibble: 104 x 2
## dest distance_sd
##
## 1 EGE 10.5
## 2 SAN 10.4
## 3 SFO 10.2
## 4 HNL 10.0
## 5 SEA 9.98
## 6 LAS 9.91
## 7 PDX 9.87
## 8 PHX 9.86
## 9 LAX 9.66
## 10 IND 9.46
## # ... with 94 more rows
等级度量 min(x),quantile(x, 0.25),max(x)
分位数是中位数更通用化的一种形式。比如，quantile(x, 0.25)会找到x中刚好大于25%的值而小于7%的值的那个数。
# 每天第一班飞机和最后一般飞机是什么时候？
not_cancelled %>%
group_by(year, month, day) %>%
summarize(
first = min(dep_time),
last = max(dep_time)
)
## # A tibble: 365 x 5
## # Groups: year, month [?]
## year month day first last
##
## 1 2013 1 1 517 2356
## 2 2013 1 2 42.0 2354
## 3 2013 1 3 32.0 2349
## 4 2013 1 4 25.0 2358
## 5 2013 1 5 14.0 2357
## 6 2013 1 6 16.0 2355
## 7 2013 1 7 49.0 2359
## 8 2013 1 8 454 2351
## 9 2013 1 9 2.00 2252
## 10 2013 1 10 3.00 2320
## # ... with 355 more rows
位置度量 first(x), nth(x, 2), last(x)
这些函数跟x[1],x[2],x[length(x)]工作相似，但是如果该位置不存在会返回一个默认值。例如，我们想找到每天起飞的第一班和最后一班飞机：
not_cancelled %>%
group_by(year, month, day) %>%
summarize(
first_dep = first(dep_time),
last_dep = last(dep_time)
)
## # A tibble: 365 x 5
## # Groups: year, month [?]
## year month day first_dep last_dep
##
## 1 2013 1 1 517 2356
## 2 2013 1 2 42 2354
## 3 2013 1 3 32 2349
## 4 2013 1 4 25 2358
## 5 2013 1 5 14 2357
## 6 2013 1 6 16 2355
## 7 2013 1 7 49 2359
## 8 2013 1 8 454 2351
## 9 2013 1 9 2 2252
## 10 2013 1 10 3 2320
## # ... with 355 more rows
这些函数可以与基于rank的函数互补：
not_cancelled %>%
group_by(year, month, day) %>%
mutate(r = min_rank(desc(dep_time))) %>%
filter(r %in% range(r))
## # A tibble: 770 x 20
## # Groups: year, month, day [365]
## year month day dep_t~ sched_~ dep_d~ arr_~ sched~ arr_d~ carr~ flig~
##
## 1 2013 1 1 517 515 2.00 830 819 11.0 UA 1545
## 2 2013 1 1 2356 2359 - 3.00 425 437 -12.0 B6 727
## 3 2013 1 2 42 2359 43.0 518 442 36.0 B6 707
## 4 2013 1 2 2354 2359 - 5.00 413 437 -24.0 B6 727
## 5 2013 1 3 32 2359 33.0 504 442 22.0 B6 707
## 6 2013 1 3 2349 2359 -10.0 434 445 -11.0 B6 739
## 7 2013 1 4 25 2359 26.0 505 442 23.0 B6 707
## 8 2013 1 4 2358 2359 - 1.00 429 437 - 8.00 B6 727
## 9 2013 1 4 2358 2359 - 1.00 436 445 - 9.00 B6 739
## 10 2013 1 5 14 2359 15.0 503 445 18.0 B6 739
## # ... with 760 more rows, and 9 more variables: tailnum , origin
## # , dest , air_time , distance , hour , minute
## # , time_hour , r
计数
你已经见过了n()函数，它没有任何参数并返回当前组别的大小。为了对非缺失值计数，使用sum(!is.na(x))。要对唯一值进行计数，使用n_distinct()：
# 哪个目的地有最多的carrier
not_cancelled %>%
group_by(dest) %>%
summarize(carriers = n_distinct(carrier)) %>%
arrange(desc(carriers))
## # A tibble: 104 x 2
## dest carriers
##
## 1 ATL 7
## 2 BOS 7
## 3 CLT 7
## 4 ORD 7
## 5 TPA 7
## 6 AUS 6
## 7 DCA 6
## 8 DTW 6
## 9 IAD 6
## 10 MSP 6
## # ... with 94 more rows
计数十分有用，如果你仅仅想要计数，dplyr提供了一个帮助函数：
not_cancelled %>%
count(dest)
## # A tibble: 104 x 2
## dest n
##
## 1 ABQ 254
## 2 ACK 264
## 3 ALB 418
## 4 ANC 8
## 5 ATL 16837
## 6 AUS 2411
## 7 AVL 261
## 8 BDL 412
## 9 BGR 358
## 10 BHM 269
## # ... with 94 more rows
你可以选择性提供一个权重变量。比如，你想用它计数（求和）一个飞机飞行的总里程：
not_cancelled %>%
count(tailnum, wt = distance)
## # A tibble: 4,037 x 2
## tailnum n
##
## 1 D942DN 3418
## 2 N0EGMQ 239143
## 3 N10156 109664
## 4 N102UW 25722
## 5 N103US 24619
## 6 N104UW 24616
## 7 N10575 139903
## 8 N105UW 23618
## 9 N107US 21677
## 10 N108UW 32070
## # ... with 4,027 more rows
计数与逻辑值比例 sum(x > 10), mean(y == 0)
当与数值函数使用时，TRUE被转换为1，FALSE被转换为0。这让sum()与mean()变得非常有用，sum(x)可以计算x中TRUE的数目，mean()可以计算比例：
# 多少航班在5点前离开
not_cancelled %>%
group_by(year, month, day) %>%
summarize(n_early = sum(dep_time < 500))
## # A tibble: 365 x 4
## # Groups: year, month [?]
## year month day n_early
##
## 1 2013 1 1 0
## 2 2013 1 2 3
## 3 2013 1 3 4
## 4 2013 1 4 3
## 5 2013 1 5 3
## 6 2013 1 6 2
## 7 2013 1 7 2
## 8 2013 1 8 1
## 9 2013 1 9 3
## 10 2013 1 10 3
## # ... with 355 more rows
# 延时超过1小时的航班比例是多少
not_cancelled %>%
group_by(year, month, day) %>%
summarize(hour_perc = mean(arr_delay > 60))
## # A tibble: 365 x 4
## # Groups: year, month [?]
## year month day hour_perc
##
## 1 2013 1 1 0.0722
## 2 2013 1 2 0.0851
## 3 2013 1 3 0.0567
## 4 2013 1 4 0.0396
## 5 2013 1 5 0.0349
## 6 2013 1 6 0.0470
## 7 2013 1 7 0.0333
## 8 2013 1 8 0.0213
## 9 2013 1 9 0.0202
## 10 2013 1 10 0.0183
## # ... with 355 more rows
按多个变量分组
当你按多个变量分组时，可以非常容易地对数据框汇总：
daily <- group_by(flights, year, month, day)
(per_day <- summarize(daily, flights = n()))
## # A tibble: 365 x 4
## # Groups: year, month [?]
## year month day flights
##
## 1 2013 1 1 842
## 2 2013 1 2 943
## 3 2013 1 3 914
## 4 2013 1 4 915
## 5 2013 1 5 720
## 6 2013 1 6 832
## 7 2013 1 7 933
## 8 2013 1 8 899
## 9 2013 1 9 902
## 10 2013 1 10 932
## # ... with 355 more rows
(per_month <- summarize(per_day, flights = sum(flights)))
## # A tibble: 12 x 3
## # Groups: year [?]
## year month flights
##
## 1 2013 1 27004
## 2 2013 2 24951
## 3 2013 3 28834
## 4 2013 4 28330
## 5 2013 5 28796
## 6 2013 6 28243
## 7 2013 7 29425
## 8 2013 8 29327
## 9 2013 9 27574
## 10 2013 10 28889
## 11 2013 11 27268
## 12 2013 12 28135
(per_year <- summarize(per_month, flights = sum(flights)))
## # A tibble: 1 x 2
## year flights
##
## 1 2013 336776
解开分组
当你想要移除分组时，使用ungroup()函数：
daily %>%
ungroup() %>% # 不再按日期分组
summarize(flights = n()) # 所有的航班
## # A tibble: 1 x 1
## flights
##
## 1 336776
分组的Mutates
分组在与汇总衔接时非常有用，但你也可以与mutate()和filter()进行便利操作：
- 找到每组中最糟糕的成员：
flights_sml %>%
group_by(year, month, day) %>%
filter(rank(desc(arr_delay)) < 10 )
## # A tibble: 3,306 x 7
## # Groups: year, month, day [365]
## year month day dep_delay arr_delay distance air_time
##
## 1 2013 1 1 853 851 184 41.0
## 2 2013 1 1 290 338 1134 213
## 3 2013 1 1 260 263 266 46.0
## 4 2013 1 1 157 174 213 60.0
## 5 2013 1 1 216 222 708 121
## 6 2013 1 1 255 250 589 115
## 7 2013 1 1 285 246 1085 146
## 8 2013 1 1 192 191 199 44.0
## 9 2013 1 1 379 456 1092 222
## 10 2013 1 2 224 207 550 94.0
## # ... with 3,296 more rows
- 找到大于某个阈值的所有组
(popular_dests <- flights %>%
group_by(dest) %>%
filter(n() > 365))
## # A tibble: 332,577 x 19
## # Groups: dest [77]
## year month day dep_t~ sched_~ dep_d~ arr_~ sched~ arr_d~ carr~ flig~
##
## 1 2013 1 1 517 515 2.00 830 819 11.0 UA 1545
## 2 2013 1 1 533 529 4.00 850 830 20.0 UA 1714
## 3 2013 1 1 542 540 2.00 923 850 33.0 AA 1141
## 4 2013 1 1 544 545 -1.00 1004 1022 -18.0 B6 725
## 5 2013 1 1 554 600 -6.00 812 837 -25.0 DL 461
## 6 2013 1 1 554 558 -4.00 740 728 12.0 UA 1696
## 7 2013 1 1 555 600 -5.00 913 854 19.0 B6 507
## 8 2013 1 1 557 600 -3.00 709 723 -14.0 EV 5708
## 9 2013 1 1 557 600 -3.00 838 846 - 8.00 B6 79
## 10 2013 1 1 558 600 -2.00 753 745 8.00 AA 301
## # ... with 332,567 more rows, and 8 more variables: tailnum , origin
## # , dest , air_time , distance , hour , minute
## # , time_hour
- 标准化来计算每组的指标
popular_dests %>%
filter(arr_delay > 0) %>%
mutate(prop_delay = arr_delay / sum(arr_delay)) %>%
select(year:day, dest, arr_delay, prop_delay)
## # A tibble: 131,106 x 6
## # Groups: dest [77]
## year month day dest arr_delay prop_delay
##
## 1 2013 1 1 IAH 11.0 0.000111
## 2 2013 1 1 IAH 20.0 0.000201
## 3 2013 1 1 MIA 33.0 0.000235
## 4 2013 1 1 ORD 12.0 0.0000424
## 5 2013 1 1 FLL 19.0 0.0000938
## 6 2013 1 1 ORD 8.00 0.0000283
## 7 2013 1 1 LAX 7.00 0.0000344
## 8 2013 1 1 DFW 31.0 0.000282
## 9 2013 1 1 ATL 12.0 0.0000400
## 10 2013 1 1 DTW 16.0 0.000116
## # ... with 131,096 more rows
（完）
