dplyr包筛选数据

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 FunctionDescriptionEquivalent SQL
select()Selecting columns (variables)SELECT
filter()Filter (subset) rows.WHERE
group_by()Group the dataGROUP BY
summarise()Summarise (or aggregate) data
arrange()Sort the dataORDER BY
join()Joining data frames (tables)JOIN
mutate()Creating New VariablesCOLUMN 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:

  1. 关系类型:<、 <= 、 >、 >=、==、!=、is.na()、 !is.na()
  2. &、 |、 !、 xor() #针对向量集的操作判断
  3. between()、%in%、 near() #sqrt(2) ^ 2 == 2 返回FALSE,near(sqrt(2) ^ 2, 2)则TRUE
  4. 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 :

  1. +、-、*、÷ 、%%、%|% 等常用计算方式
  2. lead()、 lag()
  3. dense_rank(), min_rank(), percent_rank(), row_number(), cume_dist(), ntile()
  4. cumsum(), cummean(), cummin(), cummax(), cumany(), cumall()
  5. na_if(), coalesce()
  6. 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

原创文章,作者:bio,如若转载,请注明出处:https://www.ouq.net/dplyr%e5%8c%85%e7%ad%9b%e9%80%89%e6%95%b0%e6%8d%ae.html

发表评论

登录后才能评论