r语言rank降序_R数据科学笔记（四）

dplyr基础

tibble也是一种数据框， 只是进行了一些小小的修改，使其更适合在 tidyverse 中使用。

变量类型：

• int 表示整数型变量。
• dbl 表示双精度浮点数型变量，或称实数。
• chr 表示字符向量，或称字符串。
• dttm 表示日期时间（日期 + 时间）型变量。
• lgl 表示逻辑型变量，是一个仅包括 TRUE 和 FALSE 的向量。
• fctr 表示因子，R用其来表示具有固定数目的值的分类变量。
• date 表示日期型变量。

dplyr 核心函数

• 按值筛选观测（filter()）——可以基于观测的值筛选出一个观测子集。
• 对行进行重新排序（arrange()）—— 改变行的顺序，使用 desc() 可以按列进行降序排序，缺失值总是排在最后。
• 按名称选取变量（select()）——select() 函数可以让你快速生成一个有用的变量子集。
• 使用现有变量的函数创建新变量（mutate()）——需要添加新列，新列是现有列的函数。
• 将多个值总结为一个摘要统计量（summarize()）——进行分组摘要，如果不与 group_by() 一起使用，那么 summarize() 也就没什么大用。group_by() 可以将分析单位从整个数据集更改为单个分组。group_by() 和 summarize() 的组合构成了使用 dplyr 包时最常用的操作之一：分组摘要。
• 以上函数都可以和 group_by() 函数联合起来使用，group_by() 函数可以改变以上每个函数 的作用范围，让其从在整个数据集上操作变为在每个分组上分别操作。当使用多个变量进行分组时，每次的摘要统计会用掉一个分组变量。如果想要取消分组，并回到未分组的数据继续操作，那么可以使用 ungroup() 函数

R要么输出结果，要么将结果保存在一个变量中。如果想同时完成这两种操作，那么你可以 用括号将赋值语句括起来。
计算机使用的是 有限精度运算（显然无法存储无限位的数），因此请记住，你看到的每个 数都是一个近似值。比较浮点数是否相等时，不能使用 ==，而应该使用 near()。
x %in% y。这会选取出 x 是 y 中的一个值时的所有行。

(2) dplyr 中对筛选有帮助的另一个函数是 between()。它的作用是什么？你能使用这个函数 来简化解决前面问题的代码吗？ ?between()

select () 函数中使用一些辅助函数。

• starts_with("abc")：匹配以“abc”开头的名称。
• ends_with("xyz")：匹配以“xyz”结尾的名称。
• contains("ijk")：匹配包含“ijk”的名称。
• matches("(.)1")：选择匹配正则表达式的那些变量。这个正则表达式会匹配名称中有重复字符的变量。你将在第 10 章中学习到更多关于正则表达式的知识。
• num_range("x", 1:3)：匹配 x1、x2 和 x3。
• select() 函数和 everything() 辅助函数结合起来使用。当想要将几个变 量移到数据框开头时，这种用法非常奏效。
• rename() 函数来重命名变量，以保留所有未明确 提及的变量。

(2) 如果在 select() 函数中多次计入一个变量名，那么会发生什么情况？

不会发生什么，select()函数会自动忽略重复

(3) one_of() 函数的作用是什么？为什么它结合以下向量使用时非常有用？

one_of() is superseded in favour of the more precise any_of() and all_of() selectors.

(4) 以下代码的运行结果是否出乎意料？选择辅助函数处理大小写的默认方式是什么？如何 改变默认方式？

ignore.case = FALSE

常用创建函数：

• 算术运算符：+、-、*、/、^
• 模运算符：%/% 和 %%
• 对数函数：log()、log2() 和 log10()
• 偏移函数 lead() 和 lag() 函数可以返回一个序列的领先值和滞后值。
• 累加和滚动聚合 R提供了计算累加和、累加积、累加最小值和累加最大值的函数：cumsum()、cumprod()、 commin() 和 cummax()；dplyr 还提供了 cummean() 函数以计算累加均值。如果想要计算 滚动聚合（即滚动窗口求和），那么可以尝试使用 RcppRoll 包。
• 逻辑比较：<、<=、>、>= 和 !=
• 排秩：min_rank()、row_number()、dense_rank()、 percent_rank()、cume_dist() 和 ntile()。 与Mysql的窗口函数很像。

常用摘要函数：

• 位置度量：mean()、median()
• 分散程度度量：sd(x)、IQR(x) 和 mad(x)
• 秩的度量：min(x)、quantile(x, 0.25) 和 max(x)
• 定位度量：first(x)、nth(x, 2) 和 last(x)
• 计数：n()、计算出非缺失值的数量，可以使用 sum(!is.na(x))。要想计算出唯一值的数量，可以使用 n_ distinct(x)、count(variable, wt = weights)。
• 逻辑值的计数和比例：sum(x > 10) 和 mean(y == 0)

管道函数(13章的内容)

管道 %>% 来自于 Stefan Milton Bache 开发的 magrittr 包。因为 tidyverse 中的包会自动加载 %>%，所以通常你无须显式地加载 magrittr。

支持管道操作是 tidyverse 中的 R包的核心原则之一。唯一的例外就是 ggplot2：它是在发 现管道方式前开发的。ggplot2 的下一个版本 ggvis 支持管道操作。

重点在于转换的过程，而不是转换的对象，这使得代码具有更好的可读性。

在阅读代码时，%>% 最好读作“然后”。使用这种方法时，x %>% f(y) 会转换为 f(x, y)，x %>% f(y) %>% g(z) 会转换为 g(f(x, y), z)，以此类推。

本质：

foo_foo %>% 
    hop(through = forest) %>% 
    scoop(up = field_mouse) %>% 
    bop(on = head)

my_pipe <- function(.) {
       
    . <- hop(., through = forest) 
    . <- scoop(., up = field_mice) 
    bop(., on = head)
} 
my_pipe(foo_foo)

管道不能支持以下两类函数：

• 使用当前环境的函数。 assign()、 get()、load()。
• 使用惰性求值的函数。在 R中，不会在函数调用前计算这种函数的参数，只在函数使用时才进行计算。管道依次计算每个参数，因此不能用在这种函数上。try()、suppressMessages() 和 suppressWarnings()。

不适合使用管道的情形：

• 操作步骤超过 10（参考值）个。这种情况下，应该使用有意义的变量来保存中间结果。 这样会使得调试更加容易，因为你更容易检查中间结果；还可以使得代码更容易理解， 因为有意义的变量名称可以帮助别人明白你的代码意图。
• 有多个输入和输出。如果需要处理的不是一个基本对象，而是组合在一起的两个或多个 对象，就不要使用管道。
• 操作步骤构成一张具有复杂依赖关系的有向图。管道基本上是一种线性操作，如果使用 它来表示复杂的关系，通常会使得代码混乱不清。

其他管道函数的操作：

• “T”管道操作符 %T>%。它的用法和 %>% 差不多，只是它返回的是左侧项而不是右侧项。
• 如果使用的函数不是基于数据框的（也就是说，你必须传给这些函数一个独立的向量， 不能传给它们数据框或基于数据框求值的表达式），那么你就会发现爆炸操作符 %$% 的妙处。它可以将数据框中的变量“炸出来”，让你显式地引用。当需要使用R基础包中的很多函数时，这个操作符特别奏效。
• %<>% 操作符来执行赋值操作