R语言数据处理：飞机航行距离与到达延误时间有什么关系??

数据分析有一半以上的时间会花在对原始数据的整理及变换上，包括选取特定的分析变量、汇总并筛选满足条件的数据、排序、加工处理原始变量并生成新的变量、以及分组汇总数据等等。这一点，我想大部分使用EXCEL的童鞋都深有体会，写论文时，这么多的数据进行处理，手动汇总、筛选、变换，工作量实在是太大。而本文介绍的dplyr包简直就是Hadley Wickham （ggplot2包的作者，被称作“一个改变R的人”）大神为我们提供的“数据再加工”神器啊。

本文试图通过一个案例，对神奇的dplyr包的一些常用功能做简要介绍。在此抛砖引玉，欢迎广大盆友拍砖。先放上实践课的一个问题：航行距离与到达延误时间有什么关系?? 带着这个问题，我们将首先使用dplyr包对给出的航班数据进行处理。

1.dplyr包的安装加载与示例数据准备

1.1 安装dplyr包

脚本输入代码：

install.packages('dplyr') #加载dplyr包

library(dplyr)

1.2安装 nycflights13包，该软件包中的飞机航班数据将用于本文中dplyr包相关函数的演示。

脚本输入代码：

install.packages('nyclights13') #加载nyclights13

library(nyclights13)

flights #查看数据表

dim(flights) #查看变量的维数

输出结果如下：

如图可知，nycflights13是一个data.frame类型的对象，包含336776条数据记录、19个变量。

在处理数据之前，让我们再来回顾一下数据处理的一般步骤：

选择子集、列名重命名、删除缺失数据、处理日期、数据类型转换、数据排序

接下来，就可以进行数据处理了：

2.数据处理

2.1 选择子集

所谓选择子集，就是选择出能够实现分析目标的变量，本次数据分析的目标是得出航行距离与延误时间的关系，因此，相应的子集就是以下几个字段：

year 航班日期-年

month 航班日期-月

day 航班日期-月

dep_delay 起飞延迟时间（分）

arr_delay 到达延迟时间（分）

distance 航行里程（英里）

dest 目的地

为此，我们首先使用dpylr包里的select函数，进行变量筛选：

脚本输入代码：

myFlights <- select(flights,="" year,month,="" day,dep_delay,arr_delay,distance,dest)="">

myFlights #查看数据表

如图，子集选择完毕。