[学习分享] R语言扩展包dplyr笔记 （转载）

 2014年刚到, 就在 Feedly 订阅里看到 RStudio Blog 介绍 dplyr 包已发布 (Introducing dplyr), 此包将原本 plyr 包中的 ddply() 等函数进一步分离强化, 专注接受dataframe对象, 大幅提高了速度, 并且提供了更稳健的与其它数据库对象间的接口。

0.1 安装

install.packages("dplyr")

0.2 示范数据

• library(Lahman)  : Lahman 包里的棒球比赛数据集 Batting
• library(hflights)   : hflights 包里的飞机航班数据
  

0.3 数据集类型

## 将过长过大的数据集转换为显示更友好的 tbl_df 类型:

hflights_df <- tbl_df(hflights)

## 可以 hflights_df 感受一下不再被刷屏的感觉.

1 基本操作

把常用的数据操作行为归纳为以下五种:

1.1 筛选: filter()

按给定的逻辑判断筛选出符合要求的子数据集, 类似于base::subset() 函数

例如:

filter(hflights_df, Month == 1, DayofMonth == 1)

## 用R自带函数实现:

hflights[hflights$Month == 1 & hflights$DayofMonth == 1, ] ;

除了代码简洁外, 还支持对同一对象的任意个条件组合, 如:

filter(hflights_df, Month == 1 | Month == 2)

## 注意: 表示 AND 时要使用& 而避免 &&

1.2 排列: arrange()

按给定的列名依次对行进行排序.

例如:

arrange(hflights_df, DayofMonth, Month, Year)

对列名加 desc() 进行倒序:

arrange(hflights_df, desc(ArrDelay))

## 这个函数和 plyr::arrange() 是一样的, 类似于 order()

## 用R自带函数实现:

hflights[order(hflights$DayofMonth,hflights$Month, hflights$Year),] ;

hflights[order(desc(hflights$ArrDelay)), ] ;

1.3 选择: select()

用列名作参数来选择子数据集:

select(hflights_df, Year, Month, DayOfWeek)

还可以用 :来连接列名, 没错, 就是把列名当作数字一样使用

select(hflights_df, Year : DayOfWeek)

## 选择从Year列（第一列）到DayOfWeek列（第四列）

用 - 来排除列名:

select(hflights_df, -(Year : DayOfWeek))

## 减号后面的列将不会被选择

 同样类似于R自带的 subset() 函数 (但不用再写一长串的 c("colname1", "colname2") 或者 which(colname(data) == "colname3"), 甚至还要去查找列号)

1.4 变形: mutate()

对已有列进行数据运算并添加为新列:

mutate(hflights_df,   gain = ArrDelay - DepDelay,   speed = Distance / AirTime * 60)

## 作用与 plyr::mutate() 相同, 与 base::transform() 相似,优势在于可以在同一语句中对刚增加的列进行操作

mutate(hflights_df,   gain = ArrDelay - DepDelay,   gain_per_hour = gain / (AirTime / 60))

## 而同样操作用R自带函数 transform() 的话就会报错

transform(hflights,   gain = ArrDelay - DepDelay,   gain_per_hour = gain / (AirTime / 60))1.5 汇总: summarise()

对数据框调用其它函数进行汇总操作, 返回一维的结果:

summarise(hflights_df,   delay = mean(DepDelay, na.rm = TRUE))

## 该函数功能尚不是非常有用

2 分组动作 group_by()

 以上5个动词函数已经很方便了, 但是当它们跟分组操作这个概念结合起来时, 那才叫真正的强大! 

 当对数据集通过 group_by() 添加了分组信息后,mutate(),arrange() 和summarise() 函数会自动对这些 tbl 类数据执行分组操作 (R语言泛型函数的优势).

 例如: 对飞机航班数据按飞机编号 (TailNum) 进行分组, 计算该飞机航班的次数 (count = n()), 平均飞行距离 (dist = mean(Distance, na.rm = TRUE)) 和 延时 (delay = mean(ArrDelay, na.rm = TRUE)) .

• planes <- group_by(hflights_df, TailNum);
• delay <- summarise(planes, count = n(), dist = mean(Distance, na.rm = TRUE), delay = mean(ArrDelay, na.rm = TRUE));

• delay <- filter(delay, count > 20, dist < 2000);

## 用 ggplot2 包作个图观察一下, 发现飞机延时不延时跟飞行距离没太大相关性

ggplot(delay, aes(dist, delay)) + geom_point(aes(size = count), alpha = 1/2) + geom_smooth() + scale_size_area()

## 更多例子见 vignette("introduction", package = "dplyr")

另: 一些汇总时的小函数

• n(): 计算个数
• n_distinct(): 计算 x 中唯一值的个数. (原文为 count_distinct(x), 测试无用)
• first(x), last(x) 和 nth(x, n): 返回对应秩的值, 类似于自带函数 x[1], x[length(x)], 和 x[n]
  

## 注意: 分组计算得到的统计量要清楚样本已经发生了变化, 此时的中位数是不可靠的

3连接符 %.%

包里还新引进了一个操作符, 使用时把数据名作为开头, 然后依次对此数据进行多步操作.

Batting %.%    group_by(playerID) %.%    summarise(total = sum(G)) %.%    arrange(desc(total)) %.%    head(5)

## 在R中试了一下上面的代码，显示报错如下，没有找到原因，在help里也搜索不到%.%函数，不晓得是不是dplyr包中这个函数已经取消了，如有问题，欢迎批评指正：

Batting %.%

+ group_by(playerID) %.%

+ summarise(total = sum(G)) %.%

+ arrange(desc(total)) %.%

+ head(5)

Error in Batting %.% group_by(playerID) %.% summarise(total = sum(G)) %.%  : 

  could not find function "%.%"

? "%.%"

No documentation for ‘%.%’ in specified packages and libraries:

you could try ‘??%.%’

## 这样可以按进行数据处理时的思路写代码, 一步步深入, 既易写又易读, 接近于从左到右的自然语言顺序, 对比一下用R自带函数实现的

head(arrange(summarise(group_by(Batting, playerID), total = sum(G)) , desc(total)), 5)

## 或者像下面方法

totals <- aggregate(. ~ playerID, data=Batting[,c("playerID","R")], sum)

ranks <- sort.list(-totals$R)totals[ranks[1:5],]

## 文章里还表示: 用他的 MacBook Air 跑 %.% 那段代码用了 0.036 秒, 跑上面这段代码则用了 0.266 秒, 运算速度提升了近7倍. (当然这只是一例, 还有其它更大的数字.)

**************** 感想 ****************************************************************************

可以看到, 用 dplyr 所含函数实现的代码都要简洁易读得多, 说到底, R语言只是一个工具, 作为工具, 就是要拿来用的, 越称手越便利越简洁越好, 反思之下, 本人也是将大把的时间花在了对数据的反复调整上, 或许是手生, 当然R语言在这方面也确实有一定不足, 大神又说了:

数据分析有两个瓶颈，一是我们的目标是什么，二是我们如何用计算机去实现。我现有的很多作品，如 ggplot2，plyr 和 reshape2，更关注的是如何更简单地表达你的目标，而不是如何让计算机算得更快。

这种内在的理念正是要将工具工具化, 把无谓的时间减少, 让精力用在真正需要考虑的地方. 正如 Vim 一样, 在投入一定的学习成本后, 继续用继续学, 不知不觉地就能心手如一, 想做什么, 就已经按下去了, 从而更多地思考要编辑什么, 而不必纠结于光标移动选择等细节. 这其中的巧妙之处在于: 实现过程要以人脑的思维运作方式为标准, 让工具来适应人, 以实现目的为导向, ggplot2 的图形图层语法也是如此. 不管是软件也好, 编程语言也好, 高效的方法都是相通的, 这也正是许多人努力的方向, 另外平素语出惊人的王垠最近也表达了类似观点.

深入学习

暂时没有太多的相关资料, 如欲进一步学习, 可参阅:

• dplyr 包自带的60页详细文档
• 其余几个vignettes (网页) 或 vignette(package = "dplyr") , 包含了数据库相关, 混合编程, 运算性能比较, 以及新的 window-functions 等内容.
  简单看了下vignette("window-functions", package = "dplyr"), 提供了一系列函数, 扩展了原来只能返回一个数值的聚焦类函数(如sum(), mean())至返回等长度的值, 变成 cumsum()和 cummean(), 以及 n(), lead() 和 lag()等便捷功能.
• plyr 包的相关文档
• 还有 data.table 包也是很强大的哦, 空下来可以学一学