R for Data Science（笔记） ---数据变换（行排序）

R for Data Science

tidy流处理数据的方便，我想这与管道符%>% 的使用，数据处理动词化，有着很重要的关系。

arrange()

arrange()的工作方式与filter()类似，不同之处在于它不是选择行，而是改变它们的顺序。

默认排序是升序排列，数据依然使用flights。例如

arrange(flights, year, month, day)
#> # A tibble: 336,776 x 19
#>    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#>                                      
#> 1  2013     1     1      517            515         2      830            819
#> 2  2013     1     1      533            529         4      850            830
#> 3  2013     1     1      542            540         2      923            850
#> 4  2013     1     1      544            545        -1     1004           1022
#> 5  2013     1     1      554            600        -6      812            837
#> 6  2013     1     1      554            558        -4      740            728
#> # … with 336,770 more rows, and 11 more variables: arr_delay ,
#> #   carrier , flight , tailnum , origin , dest ,
#> #   air_time , distance , hour , minute , time_hour 

可以看出，可以选择多个变量进行排序，依次进行。

同样降序的要求如何达到，配合使用desc()函数。其实就是descent；descend（下降的英文单词前几个字母），所以还是很简单，人性化的，就和写文章一样，所以操作上手都是很快的。
例如

arrange(flights, desc(dep_delay))
#> # A tibble: 336,776 x 19
#>    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#>                                      
#> 1  2013     1     9      641            900      1301     1242           1530
#> 2  2013     6    15     1432           1935      1137     1607           2120
#> 3  2013     1    10     1121           1635      1126     1239           1810
#> 4  2013     9    20     1139           1845      1014     1457           2210
#> 5  2013     7    22      845           1600      1005     1044           1815
#> 6  2013     4    10     1100           1900       960     1342           2211
#> # … with 336,770 more rows, and 11 more variables: arr_delay ,
#> #   carrier , flight , tailnum , origin , dest ,
#> #   air_time , distance , hour , minute , time_hour 

没有什么难度，主要是tidyverse包的开发者大神，在这些函数背后，都为我们做好了，我们顺手拿来用就好了。

当然，对于基础函数，还有order()函数，sort()函数，都是可以运用的。

但是我觉得，这些都不是最重要的，能解决问题就好，将一项技能运用的娴熟很重要。如果，有需要自己写包的话，可以多了解一些基础函数，单纯是数据分析的话，我还是喜欢tidyverse这种动词话的操作，和python就有点像了。

排序拓展

总感觉写一个函数，没什么干货，写一项我自己平时用到的排序。

要求A数据框按照B数据框的数据排序（顺序一致）

我的操作一般是这样（没有用tidyverse）

A %>%
column_to_rownames('NAME') %>% 
  .[rownames(B),]

欢迎交流