R语言<dplyr>

dplyr这个包提供让我们更加方便和高效操作数据的方法，一下是一些常见的操作以及说明

数据准备：
nycflights13（R默认没有，需要安装）中的flights
dplyr
首先来看一下flights这个data.frame

1.filter
这个函数允许你选择指定的data frame中的子集，第一个参数是data frame，其后的参数是筛选条件

例如筛选flights中month=1&day=1的数据，就可以这样写：
filter(flights, month == 1, day == 1)
等价于：
flights[flights$month == 1 & flights$day == 1, ]

也可以这样写，筛选month=1|month=2的记录：

filter(flights, month == 1 | month == 2)

2.slice()
通过这个函数选择data frame中的指定的行，这里以选取1到10行数据为例：

slice(flights, 1:10)

3.arrange
将data frame按照指定的列名进行排列
按照 dep_time进行升序排列

arrange(flights, dep_time)

按照 dep_time进行降序排列

arrange(flights, desc(dep_time))

当然你也可以指定同时按照多列进行排序，例如：

4.select
选取指定的列
选取year、month、day列

 select(flights, year, month, day)

选取year到dep_time列：

select(flights, year:dep_time)

选取year、month、day之外的列：

select(flights, -(year:day))

5.rename
给指定的列重命名：rename(flights, tail_num = tailnum)
将tailnum重命名为tail_num

6.distinct
distinct(flights, tailnum)
查看data frame中不重复的列下的数据

这个和unique很相似，但是distinct的效率会更高
7.mutate
添加列

mutate(flights,
  gain = arr_delay - dep_delay,
  speed = distance / air_time * 60)

如果你想要马上查看新建的列的内容使用

transmute(flights,
  gain = arr_delay - dep_delay,
  gain_per_hour = gain / (air_time / 60)
)

8.summarise()
对数据框调用其它函数进行汇总操作，对dep_delay求平均数

summarise(flights,
  delay = mean(dep_delay, na.rm = TRUE))

9. sample_n() sample_frac()

sample_n()随机选择n条记录
sample_frac()随机选择总数的百分比的记录