dplyr与安装
dplyr是一个强大的R软件包,用于处理,清理和汇总非结构化数据。简而言之,它使得R中的数据探索和数据操作变得简单快捷。
最简单的方法是安装 tidyverse包:
install.packages("tidyverse")
也可以只安装dplyr包:
install.packages("dplyr")
或者安装GitHub的开发版:
install.packages("devtools")
devtools::install_github("tidyverse/dplyr")
dplyr有什么特别之处?
软件包“dplyr”包含许多主要使用的数据操作功能,例如应用过滤器,选择特定列,排序数据,添加或删除列以及聚合数据。这个包的另一个最重要的优点是学习和使用dplyr函数非常容易。也很容易回想起这些功能。例如,filter()用于过滤行。dplyr函数处理速度比基本R函数快。 这是因为dplyr函数是以计算有效的方式编写的。 它们在语法上也更稳定,并且比向量更好地支持数据帧。以下是该包中的方法与用途:
dplyr Function | Description | Equivalent SQL |
select() | Selecting columns (variables) | SELECT |
filter() | Filter (subset) rows. | WHERE |
group_by() | Group the data | GROUP BY |
summarise() | Summarise (or aggregate) data | – |
arrange() | Sort the data | ORDER BY |
join() | Joining data frames (tables) | JOIN |
mutate() | Creating New Variables | COLUMN ALIAS |
dplyr中主要方法的使用
filter函数:筛选出自己想要的数据
#安装与加载包
#直接使用内置的iris、mtcars数据集来演示
#iris数据集中,筛选Species为“setosa”,并且Sepal.Length大于5的样本
#"&"也可以替换成“,”
> filter(iris, Species == "setosa" & Sepal.Length >= 5.5)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.8 4.0 1.2 0.2 setosa
2 5.7 4.4 1.5 0.4 setosa
3 5.7 3.8 1.7 0.3 setosa
4 5.5 4.2 1.4 0.2 setosa
5 5.5 3.5 1.3 0.2 setosa
filter支持以下几种判断形式:
- 关系类型:<、 <= 、 >、 >=、==、!=、is.na()、 !is.na()
- &、 |、 !、 xor() #针对向量集的操作判断
- between()、%in%、 near() #sqrt(2) ^ 2 == 2 返回FALSE,near(sqrt(2) ^ 2, 2)则TRUE
- all_vars()、any_vars() #出现于filter_all、filter_at、filter_if中,作为判断条件
filter系列,还有几个变异函数:filter_all、filter_at、filter_if
#筛选任何变量>150的样本
filter_all(mtcars, any_vars(. > 150))
#筛选变量以“d”结尾,并且变量 "%%2" 等于0
filter_at(mtcars, vars(starts_with("d")), any_vars((. %% 2) == 0))
# 筛选变量向下取整 == 原变量数值, 并且这部分变量的数值!= 0 的样本集
filter_if(mtcars, ~ all(floor(.) == .), all_vars(. != 0))
更多用法:
mtcars %>% filter_all(all_vars(.>150)) %>% head() # 筛选所有变量均大于150的行,结果为空 mtcars %>% filter_all(any_vars(.>150)) %>% head() # 筛选存在变量大于150的行, # 针对变量名称为d开头的所有列,筛选存在变量能整除2的所有行 mtcars %>% filter_at(vars(starts_with("d")), any_vars((.%% 2) == 0)) # 针对变量全为整数的列,筛选所有变量非0的所有行 mtcars %>% filter_if(~all(floor(.) == .), all_vars(.!= 0)) # 支持purrr语法筛选 mtcars %>% filter_at(vars(hp, vs), ~ .%% 2 == 0) # 筛选hp和vs变量都是偶数的所有行
select 函数:仅保留你所需要的列,并支持修改变量名称
用法:select(.data, …)
与之前讲解的filter有所不同,select是筛选变量的,而filter是筛选样本集。
应用场景:假设数据存于宽表中(比如有100个变量的表),而你仅需要其中几个变量。而select的关键在于”…“的判断条件
#mtcars数据集中,筛选mpg、cyl、wt、vs,4个变量数据 # mtcars[,c("mpg","cyl","wt","vs")],可以实现相同的功能 >select(mtcars,c("mpg","cyl","wt","vs")) mpg cyl wt vs 21.0 6 2.620 0 21.0 6 2.875 0 22.8 4 2.320 1 # Tips:select 同样支持":"与"-"操作 # 比如:select(mtcars,c("mpg":"vs"))、表示连续的列选择 # select(mtcars,-"mpg") 删除mpg列
以上给人感觉,不通过select,利用数据框与向量操作,同样可以做到,select 真正强大的地方在于,支持以下几种条件判断:
包含关系:starts_with()、 ends_with()、 one_of()
匹配关系:matches()、contains()、num_range()
# 包含关系:在Iris中,筛选以Petal开头,或Width结尾的变量
>select(iris, starts_with("Petal"), ends_with("Width"))
# Petal.Length Petal.Width Sepal.Width
# 1.4 0.2 3.5
# 1.4 0.2 3.0
# 1.3 0.2 3.2
# ...(数据省略)
# Tips:starts_with("Petal"), ends_with("Width"),2个条件不是 "且" 的关系,而是 "或"
# 包含关系:经常需要提取变化的数据集合,利用one_of再合适不过了
# 提取mtcars中,"mpg","cyl","wt","vs" ,"vss"
>var1 <- c("mpg","cyl","wt","vs","vss")
>select (mtcars, one_of(var1))
# mpg cyl wt vs
# 21.0 6 2.620 0
# 21.0 6 2.875 0
# 2.8 4 2.320 1
# ...(省略数据)
# Warning message: Unknown columns: `vss`
# Tips: select没找到额变量,系统会返回警告
# 匹配关系:筛选Iris数据集,变量名中带有"wid"的变量名
>select(iris, matches(".wid."))
>select(iris, contains("wid"))
# Sepal.Width Petal.Width
# 3.5 0.2
# 3.0 0.2
# num_range能高效匹配变量名称类似x01, x02, x03的
# 随机数据框,由X1~X5,y 组成:
df <- data.frame(x1= runif(10), x2= runif(10),
x3= runif(10), x4= runif(10),
x5= runif(10), y= letters[1:10])
# 筛选 y, x1:x3的变量,并且把y重命名为 var1
>select(df, c(var1 = "y", num_range("x", 1:3)))
# var1 x1 x2 x3
# a 0.96631605 0.29815009 0.6545414
# b 0.61046600 0.76547552 0.8247191
# c 0.70510879 0.46636723 0.4472588
# ... (数据省略)
mutate系列:对数据进行计算产生新数据
用法:mutate(.data, …)
mutate的使用方式,主要是依靠”…”的公式变化,生成新的变量
mutate支持以下几种公式 :
- +、-、*、÷ 、%%、%|% 等常用计算方式
- lead()、 lag()
- dense_rank(), min_rank(), percent_rank(), row_number(), cume_dist(), ntile()
- cumsum(), cummean(), cummin(), cummax(), cumany(), cumall()
- na_if(), coalesce()
- if_else(), recode(), case_when()
先从”rank”系列开始介绍,这一函数类,主要是用来划分名次、等级、百分比、密度等等
#############简单的+、-、*、÷ 、%%、%|% 可以增加新的数据列
>mutate(mtcars,aa=hp-drat,bb=mpg*cyl)
mpg cyl disp hp drat wt qsec vs am gear carb aa bb
1 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 106.10 126.0
2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 106.10 126.0
3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 89.15 91.2
4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 106.92 128.4
5 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 171.85 149.6
6 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1 102.24 108.6
7 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4 241.79 114.4
#######如果只想保留这些新的变量可以:
> transmute(mtcars,aa=hp-drat,bb=mpg*cyl)
aa bb
1 106.10 126.0
2 106.10 126.0
3 89.15 91.2
4 106.92 128.4
5 171.85 149.6
6 102.24 108.6
##########percent_rank,按照[0,1]百分比的形式进行排序
# 举例说明,按照x的数值,按照百分比进行划分
x <- c(5, 1, 3, 2, 4)
percent_rank(x)
# [1] 1.00 0.00 0.50 0.25 0.75
# 这类函数比较适用于 ,需要排名次的场景。比如考试、比赛...
# 比如根据iris中的Sepal.Length,进行百分比表示, 其中 %>% 管道的标识符,select函数中,everything()可以用来更换变量顺序
>iris %>% mutate(Length_rank = percent_rank(Sepal.Length)) %>% select(Length_rank,everything())
# Length_rank Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# 0.21476510 5.1 3.5 1.4 0.2 setosa
# 0.10738255 4.9 3.0 1.4 0.2 setosa
# ...(数据省略)
# row_number(),不仅可以用来对想来排序,也可以表示获取行数
mutate(mtcars, row_number() == 1L) # 新生成的变量,用来判断是否是第一行,返回TRUE 或者 FALSE
mtcars %>% filter(between(row_number(), 1, 10)) # 通过row_number,筛选1-10行.有点类似 top_n(10)
# ntile,切割数据集为N块,返回具体的数值,属于等分切割
ntile(runif(10), 5)
# [1] 1 2 4 5 5 3 4 2 3 1
# 某种程度上,ntile可以用来划分训练集和测试集(类似sample函数)
# ind <- sample(2, nrow(mtcars), replace = TRUE, prob = c(0.8,0.2))
# mtcars[ind == 1,]
# 备注:ntile对数据框使用的时候,如果没有特殊标明具体的数据列,ntile会对所有的列进行切割操作
再说一下”cum”函数系列,这类函数计算累积指标,比如截止到某一天的平均值、总和、乘积等等。
# cumsum,累积相加的数值
cumsum(1:10)
# 1 3 6 10 15 21 28 36 45 55
# 原数据集有N个,返回也是N个
# 类似MS_SQL中的sum(s)over(order by y)
# cumany(), cumall(),则是逻辑判断,并非计算数值
cumall(-5:5)
# TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
# 返回的是逻辑值,0代表FALSE
最后说一下”判断”函数系列,这类函数应用比较广泛。
比如生活中,当天空下雨了,小明就打伞了
类似EXCEL中的 if函数,vlookup函数等等
# if_else
# 用法:if_else(condition, true, false, missing = NULL),比传统的ifelse多了一个missing参数
# 并且if_else能保留原数据的数据类型,不会降维操作
# 假设x >= 0,则 y-1,y < 0 的情况下, y + 1
df <- data.frame(x = c(-5:4), y = runif(10))
df %>% mutate( xy = if_else(x >= 0, y -1, y+1, y))
# x y xy
# -5 0.7760150 1.7760150
# -4 0.9310976 1.9310976
# case_when中,判断的条件可以更加的多样化
# case_when,与SQL中的case...when...一样
# 同C语言中的switch一样
x <- c(1:10,NA)
case_when(
x %% 2 == 0 ~ "偶",
x %% 2 == 1 ~ "奇",
TRUE ~ as.character(x)
#可以设置一个默认值
)
"奇" "偶" "奇" "偶" "奇" "偶" "奇" "偶" "奇" "偶" NA
arrange 用于数据排序
arrange() 函数以行为单位进行排序,默认为升序排列,降序使用 desc( ) 函数。第一个参数为数据集名称,后面为排序依据变量。
> arrange(mtcars,hp,mpg,cyl )
mpg cyl disp hp drat wt qsec vs am gear carb
1 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
2 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
3 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
4 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
5 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
6 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
7 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
8 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
9 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
10 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
多列排序,降序用desc()
> arrange(mtcars,desc(hp),mpg,cyl )
mpg cyl disp hp drat wt qsec vs am gear carb
1 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
2 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
3 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
4 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
5 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
6 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
7 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
8 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
9 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
10 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
sample_n() and sample_frac()按行随机选取数据子集
sample_n() and sample_frac() 分别是按固定多少行随机选取,一个是按行数的比例选取;
> sample_n(mtcars,10)
mpg cyl disp hp drat wt qsec vs am gear carb
1 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
2 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
3 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
4 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
5 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
6 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
7 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
8 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
9 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
10 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
> sample_frac(mtcars,0.1)
mpg cyl disp hp drat wt qsec vs am gear carb
1 10.4 8 472 205 2.93 5.25 17.98 0 0 3 4
2 14.3 8 360 245 3.21 3.57 15.84 0 0 3 4
3 13.3 8 350 245 3.73 3.84 15.41 0 0 3 4
%>% 数据管道综合运用举例
data(iris)
data(mtcars)
iris %>% head()
mtcars %>% head()
# 筛选变量名为字符串开头的变量
iris %>% select(starts_with("Sepal")) %>% head()
# 多个筛选条件
iris %>% select(-starts_with("Sepal")) %>% head()
# 筛选变量名为字符串结尾的变量
iris %>% select(ends_with("Length")) %>% head()
iris %>% select(-ends_with("Length")) %>% head()
# 将变量Species移动到最前面
iris %>% select(Species, everything()) %>% head()
# 反筛选,筛选除了Sepal.Length变量的其它变量
iris %>% select(-Sepal.Length) %>%head()
# 将变量Species移动到最后面
iris %>% select(everything(), Species) %>% head()
iris %>% select(-Species, Species) %>% head()
# 错误的用法,结果为空
iris %>% select(Species, -Species) %>% head()
iris %>% select(contains("etal")) %>% head()
iris %>% select(matches(".t.")) %>% head() # 筛选名称中,t在中间的变量。
iris %>% select(last_col()) %>% head()# 最后一个变量
iris %>% select(last_col(offset = 2)) %>% head() # 倒数第3个变量
iris %>% select(one_of(c("Petal.Length", "Petal.Width"))) %>% head()
iris %>% group_by(Species) %>% select(group_cols()) %>% distinct() %>% head() # 获取分组变量名
df <- as.data.frame(matrix(runif(100), nrow = 10)) %>% as_tibble()
head(df)
df %>% select(V4:V7) %>% head() # 筛选V4列到V7列
df %>% select(num_range("V", 4:7)) %>% head() # 结果与前面一样
#列名重命名
iris %>% select(petal_length = Petal.Length) %>% head() # 重命名
iris %>% select(obs = starts_with('S')) %>% head() # 多个变量重命名
如若转载,请注明出处:https://www.ouq.net/114.html