R语言基础之第六部分 分类（史上最全含ddply、aggregate、split、by）

R语言基础之第六部分 分类（史上最全含ddply、aggregate、split、by）

数据：
某市2014年-2018年空气质量指数日数据，需要按年分类计算每年 warm值为1和 0的均值。
数据长这个样子：

目标：求下列的均值

一、数据处理（提取年月）

首先需要处理一下日期数据，拿到想要的年月。
这里先看一下R语言自带的 和 lubridate包的 提取年月季度的函数 的区别

> sjz = read.csv('C:/Users/Administrator/Desktop/简书/sjz.csv')
> head(sjz)     #读取的日期格式不是R可以处理的             
         date AQI quality_level PM2.5 PM10 SO2  CO NO2 O3_8h level
1    2014/1/1  85            良    46  120  98 0.9  53    56     2
2    2014/1/2 205      重度污染   155  261 221 2.5 106    23     5
3    2014/1/3 138      轻度污染   106  210 178 1.6  74    50     3
4    2014/1/4 229      重度污染   179  333 171 3.0  87    27     5
5    2014/1/5 274      重度污染   224  376 150 3.3  85    30     5
6    2014/1/6 372      严重污染   322  467 150 4.3  85    22     6

> sjz$date = as.Date(sjz$date)    #R可以处理的日期格式是：y-m-d或者y/m/d
> head(sjz)
        date AQI quality_level PM2.5 PM10 SO2  CO NO2 O3_8h level
1 2014-01-01  85            良    46  120  98 0.9  53    56     2
2 2014-01-02 205      重度污染   155  261 221 2.5 106    23     5
3 2014-01-03 138      轻度污染   106  210 178 1.6  74    50     3
4 2014-01-04 229      重度污染   179  333 171 3.0  87    27     5
5 2014-01-05 274      重度污染   224  376 150 3.3  85    30     5
6 2014-01-06 372      严重污染   322  467 150 4.3  85    22     6

1.1 R自带函数提取年月日季度

> head(years(sjz$date))     #R自带函数提取年
[1] "16071y 0m 0d 0H 0M 0S" "16072y 0m 0d 0H 0M 0S" "16073y 0m 0d 0H 0M 0S"
[4] "16074y 0m 0d 0H 0M 0S" "16075y 0m 0d 0H 0M 0S" "16076y 0m 0d 0H 0M 0S"

> head(months(sjz$date))   #R自带函数提取月
[1] "一月" "一月" "一月" "一月" "一月" "一月"

> head(quarters(sjz$date))   #R自带函数提取季度
[1] "Q1" "Q1" "Q1" "Q1" "Q1" "Q1"

> head(days(sjz$date))      #R自带函数提取天
[1] "16071d 0H 0M 0S" "16072d 0H 0M 0S" "16073d 0H 0M 0S" "16074d 0H 0M 0S" "16075d 0H 0M 0S"
[6] "16076d 0H 0M 0S"

1.2 lubridate包提取年月日

> library(lubridate)
> sjz$year = year(sjz$date)
> sjz$month = month(sjz$date)
> head(sjz)                #最后两列提取结果是不是就很人性
        date AQI quality_level PM2.5 PM10 SO2  CO NO2 O3_8h level year month
1 2014-01-01  85            良    46  120  98 0.9  53    56     2 2014     1
2 2014-01-02 205      重度污染   155  261 221 2.5 106    23     5 2014     1
3 2014-01-03 138      轻度污染   106  210 178 1.6  74    50     3 2014     1
4 2014-01-04 229      重度污染   179  333 171 3.0  87    27     5 2014     1
5 2014-01-05 274      重度污染   224  376 150 3.3  85    30     5 2014     1
6 2014-01-06 372      严重污染   322  467 150 4.3  85    22     6 2014     

1.3 生成分类变量warm

如果月份是11,12,1,2,3，则设置warm为1.其他为0

> #本行这种写法错误 sjz$warm = ifelse(sjz$month == 11|12|1|2|3,1,0)，须多次使用ifelse语句，即下面这种

> sjz$warm = ifelse(
+   sjz$month == 11,
+   1,
+   ifelse(
+     sjz$month == 12,
+     1,
+     ifelse(sjz$month == 1, 1, ifelse(
+       sjz$month == 2, 1, ifelse(sjz$month == 3, 1, 0)
+     ))))

> head(sjz)
        date AQI quality_level PM2.5 PM10 SO2  CO NO2 O3_8h level year month warm
1 2014-01-01  85            良    46  120  98 0.9  53    56     2 2014     1    1
2 2014-01-02 205      重度污染   155  261 221 2.5 106    23     5 2014     1    1
3 2014-01-03 138      轻度污染   106  210 178 1.6  74    50     3 2014     1    1
4 2014-01-04 229      重度污染   179  333 171 3.0  87    27     5 2014     1    1
5 2014-01-05 274      重度污染   224  376 150 3.3  85    30     5 2014     1    1
6 2014-01-06 372      严重污染   322  467 150 4.3  85    22     6 2014     1    1

综上，我们得到了含有AQI、year、month、warm等变量的数据。这样就可以进行下面的分类了。

二、分类

2.1 使用ddply函数

ddply(data，variables，fun = NULL, …,progress = “none”,drop = TRUE, parallel = FALSE)
data ： 要处理的数据框
variables ：变量，以数据框的拆分，作为引用变量，公式或字符向量
drop ：因变量的组合不会出现在输入数据被保存（FALSE）或下降（TRUE，默认情况下）

> library(plyr)
> a = ddply(sjz,c("year","warm"),summarise,mean = mean(AQI),length = length(AQI))
> class(a)
[1] "data.frame"
> a
   year warm      mean length
1  2014    0 131.85514    214
2  2014    1 198.65972    144
3  2015    0  93.99065    214
4  2015    1 165.17361    144
5  2016    0 102.68692    214
6  2016    1 186.37500    144
7  2017    0 117.07944    214
8  2017    1 152.25694    144
9  2018    0  97.78505    214
10 2018    1 120.75694    144

2.2 使用aggregate函数：

aggregate(x,by, FUN, …, simplify = TRUE, drop = TRUE)
x : 要分类汇总的数据，可以是各种形式，包括公式形式
by : 分类依据，必须是list形式
FUN : 汇总使用的函数
simplify : 默认为TRUE，表示汇总结果以简化形式表现
drop : 默认为TRUE，表示不存在的Level组合自动舍弃

> b = aggregate(x = sjz$AQI,by = list(sjz$year,sjz$warm),FUN = mean)
> class(b)
[1] "data.frame"
> b
   Group.1 Group.2         x
1     2014       0 131.85514
2     2015       0  93.99065
3     2016       0 102.68692
4     2017       0 117.07944
5     2018       0  97.78505
6     2014       1 198.65972
7     2015       1 165.17361
8     2016       1 186.37500
9     2017       1 152.25694
10    2018       1 120.75694

2.3 使用split 函数

split(x, f,drop = FALSE, …)
x ： 要进行划分的数据
f ： 划分的依据，可以是list，表示按list中各变量的Level组合来划分
drop ： 默认为FALSE，若为TRUE，当f为list时，各变量的Level组合为空时自动舍弃这一分组

> c = split(sjz$AQI,list(sjz$year,sjz$warm))
> class(c)
[1] "list"
> sapply(c,mean)
   2014.0    2015.0    2016.0    2017.0    2018.0    2014.1    2015.1    2016.1    2017.1 
131.85514  93.99065 102.68692 117.07944  97.78505 198.65972 165.17361 186.37500 152.25694 
   2018.1 
120.75694 

2.4 使用by函数

by(data, INDICES, FUN)
data : 数据框或矩阵
INDICES : 一个因子或因子组成的列表，定义了分组
FUN :任意函数

> d = by(sjz,list(sjz$year,sjz$warm), function(x) mean(x[,2]))    
#fun这里用mean = sjz$AQI 显示错误是为啥 
> class(d)      
[1] "by"
> d
: 2014
: 0
[1] 131.8551
---------------------------------------------------------------------- 
: 2015
: 0
[1] 93.99065
---------------------------------------------------------------------- 
: 2016
: 0
[1] 102.6869
---------------------------------------------------------------------- 
: 2017
: 0
[1] 117.0794
---------------------------------------------------------------------- 
: 2018
: 0
[1] 97.78505
---------------------------------------------------------------------- 
: 2014
: 1
[1] 198.6597
---------------------------------------------------------------------- 
: 2015
: 1
[1] 165.1736
---------------------------------------------------------------------- 
: 2016
: 1
[1] 186.375
---------------------------------------------------------------------- 
: 2017
: 1
[1] 152.2569
---------------------------------------------------------------------- 
: 2018
: 1
[1] 120.7569

R语言基础之第一部分：5种数据对象类型
R语言基础之第二部分：操纵数据/取子集
R语言基础之第三部分：重要函数apply族函数的使用
R语言基础之第四部分 : 排序
R语言基础之第五部分 : 总结数据信息