【R】dplyr进阶 - 窗口函数（排名、迁移、聚合、分布）

最新推荐文章于 2023-07-12 17:14:27 发布
最新推荐文章于 2023-07-12 17:14:27 发布
阅读量1.1k 收藏 2
点赞数 1
文章标签： r语言 oracle 开发语言 数据库

0c9321e847a139ef3d11aa3b95d525b0.png

前言

    dplyr中的窗口函数主要分为4类：排名、迁移、聚合、分布

    每一类的熟练掌握都可以使大家在实际的生产中提高效率100%+

    如果有忘记dplyr及其拓展包的用法，可以参考下记文章：

        【R】dplyr - 数据处理瑞士军刀

        【R】dtplyr - 史上最速：dplyr与data.table共舞

        【R】dbplyr - 数据库底层操作 SQL代码转译

        【R】magrittr - 4种管道操作符活用教程

数据准备

pacman::p_load(tidyverse)


data <- nycflights13::flights %>% 
  tbl_df() %>% 
  select(tailnum, flight, year, month, day) %>% 
  arrange(tailnum) %>% 
  slice(1:10) %>% 
  mutate(date = str_c(year, month, day, sep = "-")) %>% 
  select(-year, -month, -day)
data$date <- as.Date(data$date)

#我们将nycflights13包中flights经过变换处理为一个小型数据集

> data
# A tibble: 10 x 3
   tailnum flight date      
   <chr>    <int> <date>    
 1 D942DN    2247 2013-02-11
 2 D942DN    1685 2013-03-23
 3 D942DN    1959 2013-03-24
 4 D942DN     781 2013-07-05
 5 N0EGMQ    4579 2013-01-01
 6 N0EGMQ    4584 2013-01-01
 7 N0EGMQ    4610 2013-01-02
 8 N0EGMQ    4662 2013-01-02
 9 N0EGMQ    4661 2013-01-04
10 N0EGMQ    4610 2013-01-05

#只剩航班号tailnum，飞行时间flight，日期date 3列10行

排  名

    排名窗口函数，用于给分组后每组内的值按顺序编码

1

顺序编码 - row_number

data %>% 
  group_by(tailnum) %>%  #按tailnum分组
  mutate(f_rank = row_number(flight)) %>%  #以flight升序有序编码赋值到f_rank
  arrange(tailnum, flight)  #结果根据tailnum, flight升序排序
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       f_rank
   <chr>    <int> <date>      <int>
 1 D942DN     781 2013-07-05      1
 2 D942DN    1685 2013-03-23      2
 3 D942DN    1959 2013-03-24      3
 4 D942DN    2247 2013-02-11      4
 5 N0EGMQ    4579 2013-01-01      1
 6 N0EGMQ    4584 2013-01-01      2
 7 N0EGMQ    4610 2013-01-02      3
 8 N0EGMQ    4610 2013-01-05      4
 9 N0EGMQ    4661 2013-01-04      5
10 N0EGMQ    4662 2013-01-02      6

2

并列跳过编码 - min_rank

#观察数据集中f_rank列第7、8行的值：均等于3

#因为我们是按照flight来进行排序编码的，第7、8行的flight值相等，所以是并列第3。第9行flight的值是5，是由于并列编码占用的位置会被跳过

data %>% 
  group_by(tailnum) %>% 
  mutate(f_rank = min_rank(flight)) %>% 
  arrange(tailnum, flight)
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       f_rank
   <chr>    <int> <date>      <int>
 1 D942DN     781 2013-07-05      1
 2 D942DN    1685 2013-03-23      2
 3 D942DN    1959 2013-03-24      3
 4 D942DN    2247 2013-02-11      4
 5 N0EGMQ    4579 2013-01-01      1
 6 N0EGMQ    4584 2013-01-01      2
 7 N0EGMQ    4610 2013-01-02      3
 8 N0EGMQ    4610 2013-01-05      3
 9 N0EGMQ    4661 2013-01-04      5
10 N0EGMQ    4662 2013-01-02      6

3

并列连续编码 - dense_rank

#相反的，在使用dense_rank窗口函数的情况下，f_rank列的第9行值为4。

#表示并列编码占用的位置不会被跳过，继续连续编码

data %>% 
  group_by(tailnum) %>% 
  mutate(f_rank = dense_rank(flight)) %>% 
  arrange(tailnum, flight)
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       f_rank
   <chr>    <int> <date>      <int>
 1 D942DN     781 2013-07-05      1
 2 D942DN    1685 2013-03-23      2
 3 D942DN    1959 2013-03-24      3
 4 D942DN    2247 2013-02-11      4
 5 N0EGMQ    4579 2013-01-01      1
 6 N0EGMQ    4584 2013-01-01      2
 7 N0EGMQ    4610 2013-01-02      3
 8 N0EGMQ    4610 2013-01-05      3
 9 N0EGMQ    4661 2013-01-04      4
10 N0EGMQ    4662 2013-01-02      5

4

组内分区 - ntile

#此时f_rank列内的值代表每组行数的平均分后的第几份

#ntile(flight, 2)表示按flight升序将记录平均分成2份

data %>% 
  group_by(tailnum) %>% 
  mutate(f_rank = ntile(flight, 2)) %>% 
  arrange(tailnum, flight)
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       f_rank
   <chr>    <int> <date>      <int>
 1 D942DN     781 2013-07-05      1
 2 D942DN    1685 2013-03-23      1
 3 D942DN    1959 2013-03-24      2
 4 D942DN    2247 2013-02-11      2
 5 N0EGMQ    4579 2013-01-01      1
 6 N0EGMQ    4584 2013-01-01      1
 7 N0EGMQ    4610 2013-01-02      1
 8 N0EGMQ    4610 2013-01-05      2
 9 N0EGMQ    4661 2013-01-04      2
10 N0EGMQ    4662 2013-01-02      2

偏  移

偏移窗口函数，指定某列内的记录向上或向下偏移

1

组内向上偏移 - lead

#lead(date, 1, order_by = date))，表示根据date列并按照date升序将此列值向上平移1行

#此时我们看到lead_date列的日期正好是date列对应的下一个日期

#diff_date = difftime(lead_date, date, units = "days")是将每次日期间隔的天数计算出

data %>% 
  group_by(tailnum) %>% 
  mutate(lead_date = lead(date, 1, order_by = date)) %>% 
  arrange(tailnum, date) %>% 
  mutate(diff_date = difftime(lead_date, date, units = "days"))
  
  
  # A tibble: 10 x 5
# Groups:   tailnum [2]
   tailnum flight date       lead_date  diff_date
   <chr>    <int> <date>     <date>     <drtn>   
 1 D942DN    2247 2013-02-11 2013-03-23  40 days 
 2 D942DN    1685 2013-03-23 2013-03-24   1 days 
 3 D942DN    1959 2013-03-24 2013-07-05 103 days 
 4 D942DN     781 2013-07-05 NA          NA days 
 5 N0EGMQ    4579 2013-01-01 2013-01-01   0 days 
 6 N0EGMQ    4584 2013-01-01 2013-01-02   1 days 
 7 N0EGMQ    4610 2013-01-02 2013-01-02   0 days 
 8 N0EGMQ    4662 2013-01-02 2013-01-04   2 days 
 9 N0EGMQ    4661 2013-01-04 2013-01-05   1 days 
10 N0EGMQ    4610 2013-01-05 NA          NA days

2

组内向下偏移 - lag

#相反的，lag函数表示向下偏移

#此时lag_date列是对应date列的上一个日期

data %>% 
  group_by(tailnum) %>% 
  mutate(lag_date = lag(date, 1, order_by = date)) %>% 
  arrange(tailnum, date) %>% 
  mutate(diff_date = difftime(lag_date, date, units = "days"))
  
  
  # A tibble: 10 x 5
# Groups:   tailnum [2]
   tailnum flight date       lag_date   diff_date
   <chr>    <int> <date>     <date>     <drtn>   
 1 D942DN    2247 2013-02-11 NA           NA days
 2 D942DN    1685 2013-03-23 2013-02-11  -40 days
 3 D942DN    1959 2013-03-24 2013-03-23   -1 days
 4 D942DN     781 2013-07-05 2013-03-24 -103 days
 5 N0EGMQ    4579 2013-01-01 NA           NA days
 6 N0EGMQ    4584 2013-01-01 2013-01-01    0 days
 7 N0EGMQ    4610 2013-01-02 2013-01-01   -1 days
 8 N0EGMQ    4662 2013-01-02 2013-01-02    0 days
 9 N0EGMQ    4661 2013-01-04 2013-01-02   -2 days
10 N0EGMQ    4610 2013-01-05 2013-01-04   -1 days

3

取组内首位 - first

#将每组内按date列升序排序后的首位值提取出

data %>% 
  group_by(tailnum) %>% 
  mutate(first_date = first(date, order_by = date)) %>% 
  arrange(tailnum, date) %>% 
  mutate(diff_date = difftime(first_date, date, units = "days"))
  
  
  # A tibble: 10 x 5
# Groups:   tailnum [2]
   tailnum flight date       first_date diff_date
   <chr>    <int> <date>     <date>     <drtn>   
 1 D942DN    2247 2013-02-11 2013-02-11    0 days
 2 D942DN    1685 2013-03-23 2013-02-11  -40 days
 3 D942DN    1959 2013-03-24 2013-02-11  -41 days
 4 D942DN     781 2013-07-05 2013-02-11 -144 days
 5 N0EGMQ    4579 2013-01-01 2013-01-01    0 days
 6 N0EGMQ    4584 2013-01-01 2013-01-01    0 days
 7 N0EGMQ    4610 2013-01-02 2013-01-01   -1 days
 8 N0EGMQ    4662 2013-01-02 2013-01-01   -1 days
 9 N0EGMQ    4661 2013-01-04 2013-01-01   -3 days
10 N0EGMQ    4610 2013-01-05 2013-01-01   -4 days

4

取组内末位 - last

#相反的，我们提取出了每组排序后的末尾值

data %>% 
  group_by(tailnum) %>% 
  mutate(last_date = last(date, order_by = date)) %>% 
  arrange(tailnum, date) %>% 
  mutate(diff_date = difftime(last_date, date, units = "days"))
  
  
  # A tibble: 10 x 5
# Groups:   tailnum [2]
   tailnum flight date       last_date  diff_date
   <chr>    <int> <date>     <date>     <drtn>   
 1 D942DN    2247 2013-02-11 2013-07-05 144 days 
 2 D942DN    1685 2013-03-23 2013-07-05 104 days 
 3 D942DN    1959 2013-03-24 2013-07-05 103 days 
 4 D942DN     781 2013-07-05 2013-07-05   0 days 
 5 N0EGMQ    4579 2013-01-01 2013-01-05   4 days 
 6 N0EGMQ    4584 2013-01-01 2013-01-05   4 days 
 7 N0EGMQ    4610 2013-01-02 2013-01-05   3 days 
 8 N0EGMQ    4662 2013-01-02 2013-01-05   3 days 
 9 N0EGMQ    4661 2013-01-04 2013-01-05   1 days 
10 N0EGMQ    4610 2013-01-05 2013-01-05   0 days

5

取组内固定位 - nth

#取每组内排序后固定第2位的值

data %>% 
  group_by(tailnum) %>% 
  mutate(nth_date = nth(date, 2, order_by = date)) %>% 
  arrange(tailnum, date) %>% 
  mutate(diff_date = difftime(nth_date, date, units = "days"))
  
  
  # A tibble: 10 x 5
# Groups:   tailnum [2]
   tailnum flight date       nth_date   diff_date
   <chr>    <int> <date>     <date>     <drtn>   
 1 D942DN    2247 2013-02-11 2013-03-23   40 days
 2 D942DN    1685 2013-03-23 2013-03-23    0 days
 3 D942DN    1959 2013-03-24 2013-03-23   -1 days
 4 D942DN     781 2013-07-05 2013-03-23 -104 days
 5 N0EGMQ    4579 2013-01-01 2013-01-01    0 days
 6 N0EGMQ    4584 2013-01-01 2013-01-01    0 days
 7 N0EGMQ    4610 2013-01-02 2013-01-01   -1 days
 8 N0EGMQ    4662 2013-01-02 2013-01-01   -1 days
 9 N0EGMQ    4661 2013-01-04 2013-01-01   -3 days
10 N0EGMQ    4610 2013-01-05 2013-01-01   -4 days

聚  合

聚合窗口函数，用于组内算数&累计计算

1

分组求和 - sum

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(sum_flight = sum(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       sum_flight
   <chr>    <int> <date>          <int>
 1 D942DN    2247 2013-02-11       6672
 2 D942DN    1685 2013-03-23       6672
 3 D942DN    1959 2013-03-24       6672
 4 D942DN     781 2013-07-05       6672
 5 N0EGMQ    4579 2013-01-01      27706
 6 N0EGMQ    4584 2013-01-01      27706
 7 N0EGMQ    4610 2013-01-02      27706
 8 N0EGMQ    4662 2013-01-02      27706
 9 N0EGMQ    4661 2013-01-04      27706
10 N0EGMQ    4610 2013-01-05      27706

2

分组累计求和 - sum

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(cumsum_flight = cumsum(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       cumsum_flight
   <chr>    <int> <date>             <int>
 1 D942DN    2247 2013-02-11          2247
 2 D942DN    1685 2013-03-23          3932
 3 D942DN    1959 2013-03-24          5891
 4 D942DN     781 2013-07-05          6672
 5 N0EGMQ    4579 2013-01-01          4579
 6 N0EGMQ    4584 2013-01-01          9163
 7 N0EGMQ    4610 2013-01-02         13773
 8 N0EGMQ    4662 2013-01-02         18435
 9 N0EGMQ    4661 2013-01-04         23096
10 N0EGMQ    4610 2013-01-05         27706

3

分组计算最小值 - min

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(min_flight = min(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       min_flight
   <chr>    <int> <date>          <int>
 1 D942DN    2247 2013-02-11        781
 2 D942DN    1685 2013-03-23        781
 3 D942DN    1959 2013-03-24        781
 4 D942DN     781 2013-07-05        781
 5 N0EGMQ    4579 2013-01-01       4579
 6 N0EGMQ    4584 2013-01-01       4579
 7 N0EGMQ    4610 2013-01-02       4579
 8 N0EGMQ    4662 2013-01-02       4579
 9 N0EGMQ    4661 2013-01-04       4579
10 N0EGMQ    4610 2013-01-05       4579

4

分组计算累计最小值 - cummin

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(cummin_flight = cummin(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       cummin_flight
   <chr>    <int> <date>             <int>
 1 D942DN    2247 2013-02-11          2247
 2 D942DN    1685 2013-03-23          1685
 3 D942DN    1959 2013-03-24          1685
 4 D942DN     781 2013-07-05           781
 5 N0EGMQ    4579 2013-01-01          4579
 6 N0EGMQ    4584 2013-01-01          4579
 7 N0EGMQ    4610 2013-01-02          4579
 8 N0EGMQ    4662 2013-01-02          4579
 9 N0EGMQ    4661 2013-01-04          4579
10 N0EGMQ    4610 2013-01-05          4579

5

分组计算最大值 - max

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(max_flight = max(flight))




# A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       max_flight
   <chr>    <int> <date>          <int>
 1 D942DN    2247 2013-02-11       2247
 2 D942DN    1685 2013-03-23       2247
 3 D942DN    1959 2013-03-24       2247
 4 D942DN     781 2013-07-05       2247
 5 N0EGMQ    4579 2013-01-01       4662
 6 N0EGMQ    4584 2013-01-01       4662
 7 N0EGMQ    4610 2013-01-02       4662
 8 N0EGMQ    4662 2013-01-02       4662
 9 N0EGMQ    4661 2013-01-04       4662
10 N0EGMQ    4610 2013-01-05       4662

6

分组计算累计最大值 - cummax

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(cummax_flight = cummax(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       cummax_flight
   <chr>    <int> <date>             <int>
 1 D942DN    2247 2013-02-11          2247
 2 D942DN    1685 2013-03-23          2247
 3 D942DN    1959 2013-03-24          2247
 4 D942DN     781 2013-07-05          2247
 5 N0EGMQ    4579 2013-01-01          4579
 6 N0EGMQ    4584 2013-01-01          4584
 7 N0EGMQ    4610 2013-01-02          4610
 8 N0EGMQ    4662 2013-01-02          4662
 9 N0EGMQ    4661 2013-01-04          4662
10 N0EGMQ    4610 2013-01-05          4662

7

分组计算均值 - mean

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(mean_flight = mean(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       mean_flight
   <chr>    <int> <date>           <dbl>
 1 D942DN    2247 2013-02-11       1668 
 2 D942DN    1685 2013-03-23       1668 
 3 D942DN    1959 2013-03-24       1668 
 4 D942DN     781 2013-07-05       1668 
 5 N0EGMQ    4579 2013-01-01       4618.
 6 N0EGMQ    4584 2013-01-01       4618.
 7 N0EGMQ    4610 2013-01-02       4618.
 8 N0EGMQ    4662 2013-01-02       4618.
 9 N0EGMQ    4661 2013-01-04       4618.
10 N0EGMQ    4610 2013-01-05       4618.

8

分组计算累计均值 - cummean

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(cummean_flight = cummean(flight))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       cummean_flight
   <chr>    <int> <date>              <dbl>
 1 D942DN    2247 2013-02-11          2247 
 2 D942DN    1685 2013-03-23          1966 
 3 D942DN    1959 2013-03-24          1964.
 4 D942DN     781 2013-07-05          1668 
 5 N0EGMQ    4579 2013-01-01          4579 
 6 N0EGMQ    4584 2013-01-01          4582.
 7 N0EGMQ    4610 2013-01-02          4591 
 8 N0EGMQ    4662 2013-01-02          4609.
 9 N0EGMQ    4661 2013-01-04          4619.
10 N0EGMQ    4610 2013-01-05          4618.

9

分组计算记录数 - n

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(n_flight = n())
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       n_flight
   <chr>    <int> <date>        <int>
 1 D942DN    2247 2013-02-11        4
 2 D942DN    1685 2013-03-23        4
 3 D942DN    1959 2013-03-24        4
 4 D942DN     781 2013-07-05        4
 5 N0EGMQ    4579 2013-01-01        6
 6 N0EGMQ    4584 2013-01-01        6
 7 N0EGMQ    4610 2013-01-02        6
 8 N0EGMQ    4662 2013-01-02        6
 9 N0EGMQ    4661 2013-01-04        6
10 N0EGMQ    4610 2013-01-05        6

分  布

1

首位包含型分布 - cume_dist

#以D942DN组为例：

组内date列存在4条记录，算法是将值域为1的空间4等分，得到分布小数0.25 0.5 0.75 1

首条记录包含在值域内（不为0）

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(cume_dist_date = cume_dist(date))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       cume_dist_date
   <chr>    <int> <date>              <dbl>
 1 D942DN    2247 2013-02-11          0.25 
 2 D942DN    1685 2013-03-23          0.5  
 3 D942DN    1959 2013-03-24          0.75 
 4 D942DN     781 2013-07-05          1    
 5 N0EGMQ    4579 2013-01-01          0.333
 6 N0EGMQ    4584 2013-01-01          0.333
 7 N0EGMQ    4610 2013-01-02          0.667
 8 N0EGMQ    4662 2013-01-02          0.667
 9 N0EGMQ    4661 2013-01-04          0.833
10 N0EGMQ    4610 2013-01-05          1

2

首位非包含型分布 - percent_rank

#相应的，首位非包含型分布是指：在记录数为n时，将值域为1的空间以n-1均等分，首条记录不包含在值域内（等于0）

data %>% 
  group_by(tailnum) %>% 
  arrange(tailnum, date) %>% 
  mutate(percent_rank_date = percent_rank(date))
  
  
  # A tibble: 10 x 4
# Groups:   tailnum [2]
   tailnum flight date       percent_rank_date
   <chr>    <int> <date>                 <dbl>
 1 D942DN    2247 2013-02-11             0    
 2 D942DN    1685 2013-03-23             0.333
 3 D942DN    1959 2013-03-24             0.667
 4 D942DN     781 2013-07-05             1    
 5 N0EGMQ    4579 2013-01-01             0    
 6 N0EGMQ    4584 2013-01-01             0    
 7 N0EGMQ    4610 2013-01-02             0.4  
 8 N0EGMQ    4662 2013-01-02             0.4  
 9 N0EGMQ    4661 2013-01-04             0.8  
10 N0EGMQ    4610 2013-01-05             1

·END·

R语言与数据分析

生产力干货

f0b46ee54b90851006381ac40b382e81.jpeg

微信号：RforData
见林
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
R语言使用dplyr包进行数据聚合统计计算滑动窗口统计值（Window Statistics）、计算滑动分组均值（mean）并合并生成的统计数据到原数据集中
statistics+insight+vista+power
07-27 255
R语言使用dplyr包进行数据聚合统计计算滑动窗口统计值（Window Statistics）、计算滑动分组均值（mean）并合并生成的统计数据到原数据集中
R语言|dplyr()函数（一） ———R语言数据处理系列(一)
热门推荐
铭记yu心的博客
04-18 2万+
dplyr函数进行数据转换 筛选知识铺垫比较运算符逻辑运算符数据准备filter()函数筛选行select()函数筛选列arrange()函数排列行完整代码 dplyr()函数是R语言数据分析必学的实用包之一。 本文现阶段先讲解dplyr()函数的几个常用于数据转换的函数：filter()函数、select()函数、arrange()函数进行数据的行列筛选，以及行排序。【该部分完整代码附于文章末】...
R语言（八）dplyr扩展包常用函数介绍与应用
shine4869的博客
04-14 1712
dplyr包常用函数介绍
R语言dplyr包超完整版函数指南
柠檬的博客
07-15 9831
R语言dplyr包的使用一、常用函数功能速查二、常用函数详解iris数据集1. 取子集filter/distinctsliceselect2. 窗口函数3. 连接合并left_join/right_join/inner_join/full_joinbind_rows/bind_cols4. 生成新变量mutate/transmute5. 统计summarise6. 整合arrange/group_byrename7.语法tbl_df/glimpse%>%pipe dplyr包是R语言一个用于高级数据处
R语言dplyr包
qq_54423921的博客
06-04 2836
R语言dplyr包
L-R模型中迁移半群的本质谱
06-28
为讨论扩散型种群细胞增生中一类L-R模型相应迁移半群的本质谱型,采用了半群理论和线性算子理论,研究了Lp(1
遇见Kettle ETL工具课程入门-进阶-实战 遇见kettle etl工具.zip
11-04
对于企业级的开发或应用，会遇到种种的数据转换，迁移等工作，所以作为开发者掌握ETL工具是必须的，那么其中Kettle就是一个强大的帮手，Kettle的数据抽取高效而又稳定，我们就来掌握它。课程内容带领同学们由浅入深...
MyJDA.zip_transfer learning_transfer-learning_联合分布_边缘分布_迁移学习
07-14
联合分布适配，边缘分布+条件分布，龙明盛，Transfer feature learning with joint distribution adaptation （2013）
DBTransfer - SQL Server数据库迁移免费小工具
05-05
本免费小工具适用于迁移SQLServer数据库（从低版本到高版本，或者从A服务器到B服务器）。只要提前做好配置和准备，不管用户库的数据量有多大，每次迁移需要停止业务的时间都可以控制在5分钟之内（操作熟练的话，2...
遇见Kettle ETL工具课程入门-进阶-实战 Kettle2020全新从入门到精通实战课程
02-07
对于企业级的开发或应用，会遇到种种的数据转换，迁移等工作，所以作为开发者掌握ETL工具是必须的，那么其中Kettle就是一个强大的帮手，Kettle的数据抽取高效而又稳定，我们就来掌握它。课程内容带领同学们由浅入深...
R----dplyr包介绍学习
weixin_34205826的博客
11-14 803
dplyr包：plyr包的替代者，专门面对数据框，将ddplyr转变为更易用的接口 %&gt;%来自dplyr包的管道函数，其作用是将前一步的结果直接传参给下一步的函数，从而省略了中间的赋值步骤，可以大量减少内存中的对象，节省内存，可惜的是应用范围还不是很广。 dplyr和data.table（易于操作数据）是R的两个高效数据处理包，这两个包有它们各自的优点。 data.table在语法灵活性和p...
百日筑基篇——数据处理工具包dplyr（R语言初识三）
2301_78630677的博客
07-12 670
好了，今天的分享就到这里了，对dplyr包的掌握，有利于对数据进行处理，方便后续的操作。当然不仅仅只有使用dplyr包这一种方法。还有许多种实现方法，熟练多种方法，有利于更游刃有余的处理数据。 大丈夫生于天地之间，当提三尺剑立不世之功 – 2023-7-5 筑基篇。
R语言之dplyr函数的使用
qq_62904883的博客
08-25 921
这一部分是R语言的dplyr的具体应用
R语言 数据处理 dplyr包 数据清理
程志伟的博客
03-15 5135
dplyr包 这个包是Hadley Wickham创建和维护的。它包括了（几乎）全部可以用来加快数据处理进程的内容。它最有名的是数据探索和数据转换功能。它的链式语法让它使用起来很方便。它包括5个主要的数据处理指令： 1. 过滤——集于某一条件过滤数据 2. 选择——选出数据集中感兴趣的列 3. 排列——升序或降序排列数据集中的某一个值域 4. 变换——从已有变量生成新的变量 5. 概括
【转载】R语言dplyr包学习笔记（吐血整理宇宙无敌详细版）
王斯的博客
11-03 4876
出处：AI入门学习 dplyr包介绍 dplyr包主要用于数据清洗和整理，主要功能有：行选择、列选择、统计汇总、窗口函数、数据框交集等是非常高效、友好的数据处理包，学清楚了，基本上数据能随意玩弄，对的，随意玩弄，简直大大提高数据处理及分析效率。我以为，该包是数据分析必学包之一。学习过程需要大量试验，领悟其中设计的精妙之处。欢迎交流 #包安装与加载 install.packages("dplyr") library(dplyr) #调用mtcars数据&数据集介绍 data(mtcars)
r语言必学的十个包肖凯_【R语言】必学包之dplyr包
weixin_32503531的博客
12-31 676
R包dplyr可用于处理R内部或者外部的结构化数据，相较于plyr包，dplyr专注接受dataframe对象,大幅提高了速度,并且提供了更稳健的数据库接口。同时，dplyr包可用于操作Spark的dataframe。本文只是基础的dplyr包学习笔记，所以并不会讨论一些高级应用，或者与data.table包的性能比较。1. 数据集类型转换tbl_df()可用于将过长过大的数据集转换为显示更友...
R学习 使用dplyr进行数据转换
GoLin1的博客
03-31 659
dplyr有五个核心函数： 函数 功能 arrange() 对行进行重新排列 select() 按名称选取变量 mutate() 使用现有变量的函数创建变量 summarize() 对多这个值总结为一个摘要统计量 group_by() 可以改变以上每个函数的作用范围 步骤：第一个参数数据框→输入变量名（描述数据要进行的操作）→输出数据框 ...
svn------>gitlab数据迁移
最新发布
09-06
将svn数据迁移至GitLab的过程可以分为以下几个步骤： 1. 首先，需要确认你的GitLab版本。你可以通过运行命令`cat /opt/gitlab/embedded/service/gitlab-rails/VERSION`来查看GitLab的版本。 2. 然后，创建一个备份...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值