ggplot2-数据变换3

有用的工具

summarise()有时需要和别的函数一起协作，这类函数可以对n个值的向量进行计算并返回一个单值，比如：

• 计数 n() n_distinct(x)
• 中间值 mean(x) median(x)
• 离散程度 sd(x) mad(x) IQR(x)
• 极端值 quartile(x) min(x) max(x)
• 位置 first(x) last(x) nth(x, 2)

另外一个十分有用的方法是对逻辑向量使用sum()或mean()。当逻辑向量作为数值处理时，TRUE计为1，FALSE计为0，所以sum()表示TRUE的数量而mean()则可表示TRUE的比例。比如下面的代码就计算了克拉数大于等于4的钻石个数和$1000以下钻石所占的比例

summarise(diamonds, 
	n_big = sum(carat >= 4),
	prop_cheap = mean(price < 1000))

大多数汇总函数都包含na.rm的参数，na.rm = TRUE意味着在汇总前删去缺失值。这是个很好用的缺失值，不必再手动删除缺失值再汇总，而可以一步到位

统计上的考虑

当利用均值或中位数进行汇总时，顺手记一下数并衡量一下离散程度，往往可以帮助做出结论——如果不计算它们，可能会低估数据的波动性，从而有可能得出极不可靠的结论

下面对刚才的分净度平均价格的汇总做一个补充：增加每组的计数和上下四分位点。这显示出均值对这个数据的汇总效果并不好——价格的分布时严重偏态的：在某些组内，均值甚至比上四分位点还高！

by_clarity <- diamonds %>%
	group_by(clarity) %>%
	summarise(
		n = n(), mean = mean(price),
		lq = quantile(price, 0.25, uq = quantile(price, 0.75)))

by_clarity
ggplot(by_clarity, aes(clarity, mean)) +
	geom_linerange(aes(ymin = lq, ymax = uq)) +
	geom_line(aes(group = 1), color = "grey50") +
	geom_point(aes(size = n))

下面的例子来自棒球比赛。计算一下安打率：安打（击球上垒）的次数除以在棒数。在这个标准下，谁是最好的击球手？

data(Batting, package = "Lahman")
batters <- filter(Batting, AB > 0)
per_player <- group_by(batters, palyerID)
ba <- summarise(per_player,
	ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE))
ggplot(ba, aes(ba)) +
	geom_histogram(binwidth = 0.01)

有些球员几乎次次命中！通过计算一下在棒数，再仔细确认一遍他们是否真的那么好

ba <- summarise(per_player,
	ba = sum(H, na.rm = TRUE)/ sum(AB, na.rm = TRUE),
	ab = sum(AB, na.rm = TRUE))
ggplot(ba, aes(ab, ba)) +
	geom_bin2d(bins = 100) +
	geom_smooth()

安打率最高的球员就是那些在棒最少的球员——如果仅有一两次击球机会，每次都命中当然不难。如果去掉那些在棒补足10次的球员，可以看到更清晰的规律

ggplot(filter(ba, ab >= 10), aes(ab, ba)) +
	geom_bin2d() + geom_smooth()

当比较观测数对平均值的图时，总是会发现类似的情况。所以一定要谨慎

管道操作

多数实际操作中，需要用一连串的mutate()、filter()、group_by()和summarise()。比如之前就组合了全部四个函数手动创造了频率多边形

# 通过中介变量
cut_depth <- group_by(diamonds, cut, depth)
cut_depth <- summarise(cut_depth, n = n())
cut_depth <- filter(cut_depth, depth > 55, depth < 70)
cut_depth <- mutate(cut_depth, prop = n / sum(n))

这一系列操作略显繁琐，因为需要多次重复数据框的名称，一个代替方法是用函数调用序列来完成它

# 通过“组合”函数
mutate(filter(summarise(group_by(diamonds, cut, depth),
	n = n()), depth > 55, depth < 70), prop = n / sum(n)))

但是这个方法会增加代码阅读的难度，因为操作顺序是由内而外的，且各个函数的参数设置可能相去甚远。dplyr提供了另一种替代方案：利用管道函数%>%。通过这种方法，可以将上述一系列操作写为：

cut_depth <- diamonds %>%
	group_by(cut, depth) %>%
	summarise(n = n()) %>%
	filter(depth > 55, depth < 70) %>%
	mutate(prop = n / sum(n))

现在要理解做了什么事就很容易了，就和对一个句子一样：首先分组，再汇总，然后筛选，最后建立新的变量。事实上，读代码序列时，%>%符号最好的读法就是“然后”。%>% 来时Stefan Milton Bache的magrittr包，它还提供了许多dplyr默认情况下不显示的其它工具，所以强烈推荐参阅magrittr的官方网站
%>%的运作原理是将其左边（left hand side, LHS）的内容作为其右边（right hand side, RHS）函数的第一个参数。以下的表达是等价的：

f(x, y)
# 等价于
x %>% f(x)

g(f(x, y), z)
# 等价于
x %>% f(y) %>% g(z)

了解更多

dplyr包提供了很多其它函数，它们虽然再可视化中不如之前几个常用，但也十分重要

• arrange() 函数可以将观测依据某（些）变量排序。当从控制台（console）看数据时，这个函数是最有用的。在绘图时，它还可以帮助控制哪些带你绘制在最上面
• select()函数可以基于变量名选择变量，当希望从大量变量中只选取几个作分析时尤其有用
• rename()函数可以更改变量名
• 分组建立变量和分组筛选也是有用的，并且更为高级。详情见vignette(“window-functions”, package = “dplyr”)
• 还有一些用于同时处理两套数据的函数。它们包含了SQL接口（如R自导的mergge()函数）和集合操作。详情见vignette(“two-table”, package = “dplyr”)
• dplyr可以直接对数据库中的数据进行操作——用和本地操作时一样的R代码，然后dplyr能处理成SQL语言并发送至数据库。详情见vignette(“databases”, package = “dplyr”)
  最后RStudio还提供了一个便捷的dplyr备忘录