tidyverse —— dplyr包

作者简介Introduction

野菜团子，R语言中文社区专栏作者 

博客专栏：https://ask.hellobi.com/blog/esperanca 

• tidyverse包

tidyverse是一个汇总包，一包更比6包强，用于数据清洗、转换、可视化等。

tidyverse_packages()    #列示tidyverse中所有的包

其核心包有ggplot、readr、tibble、purrr、 tidyr  、dplyr、ggplot、forcats 和stringr8个，本篇主要讲dplyr这一个。

• dplyr包主要操作函数

dplyr包用于数据处理。整体而言，功能和data.table包的重合部分很多，也都有运算很快的优点，data.table包过几天写，根据个人偏好选取吧。速度快，底层运行是C++代码，通过Rcpp运行；而且适用范围广，无论数据存储在data.frame、data.table还是database，都可以处理。作为tidyverse包中一员，其函数可以结合rlang包进行引用或注明结束引用，在编程中提供了很大便利。rlang包以后写。下面简单介绍dplyr包主要操作函数。要了解更多深入的用法，可以参考：

browseVignettes(package = "dplyr")

• mutate()和transmute()
  

mutate()函数用于生成新的变量，返回一个全新的包含了指定生成的变量的数据，而不是在原有数据上更改。transmute()函数用法相似，但是只返回生成的新变量。

mutate(.data, ...)
transmute(.data, ...)

…表示一系列的变量生成表达式，用“,”隔开，定义为NULL则表示删除变量。

mtcars %>% as_tibble() %>% mutate(
 cyl2 = cyl * 2,
 cyl4 = cyl2 * 2，
 mpg = NULL
)

管道函数%>%表示传递值给下一个函数的第一个参数。

也可以用于分组后的变量生成。

mtcars %>%
group_by(cyl) %>%
mutate(rank = min_rank(desc(mpg)))

新生成的rank是在按照cyl分组后的排序值。

另外还有mutate_all()，mutate_if() 和mutate_at()三个函数可以划定函数和变量范围来生成新变量。

iris %>% as_tibble() %>% mutate_if(is.factor, as.character)    

第一个参数判定作用变量范围，第二个参数声明应用函数。表示如果是因子变量，就生成对应的字符变量。如果要应用多个函数，则使用funs()来声明。

kk4 <- iris %>% mutate_at(vars(matches("Sepal")), funs(l = log, cm = . / 2.54))

vars()函数声明作用的对象，上命令表示如果变量名中有"Sepal"，就对该变量进行取对和除以2.54的运算，生成的变量名后缀分别为l和cm。“.”指代传入的数据。

• arrange()
  

arrange()函数用于对变量进行排序。

by_cyl <- mtcars %>% group_by(cyl)     #按照cyl分组
by_cyl %>% arrange(desc(wt))     #无视之前的分组
by_cyl %>% arrange(desc(wt), .by_group = TRUE)     #在之前的分组内再排序

• filter()
  

filter()函数用于筛选行子集。

filter(starwars, hair_color == "none", eye_color == "black")
filter(starwars, hair_color == "none" & eye_color == "black")
filter(starwars, hair_color == "none" | eye_color == "black")

前两行筛选出同样的子集，表示要同时满足第2和第3个参数的要求，最后一行表示表示满足其一即可。

• select()

select()用于筛选列子集，即变量。

select(iris, contains("etal", ignore.case = TRUE))
select(iris, matches(".t."))

matches()函数可以用正则表达式匹配变量名，而contains()只能匹配字符串，ignore.case选项表示忽略大小写。

• slice()
  

slice()函数通过行数来选取子集，前加“-”表示除去该行不选。支持组内操作。

slice(mtcars, 1L)
slice(mtcars, n())
slice(mtcars, 5:n())

by_cyl <- group_by(mtcars, cyl)
slice(by_cyl, 1:2)

以上操作和下列代码完全等效，但是速度上有欠缺：

filter(mtcars, row_number() == 1L)
filter(mtcars, row_number() == n())
filter(mtcars, between(row_number(), 5, n()))

filter(by_cyl, between(row_number(), 1, 2))

• summarise()
  

顾名思义，summarise()函数用于概述数据的统计特征等，结合group_by函数风味更佳。

mtcars %>%
 group_by(cyl) %>%
 summarise(disp = mean(disp))

mtcars %>%
 group_by(cyl) %>%
 summarise(sd = sd(disp))

结果就如下图：

之前觉得要一个一个的求均值和方差会很麻烦，想要把它们写在一起，毕竟mutate()函数就可以一次生成多个变量，比如这样：

mtcars %>%
 group_by(cyl) %>%
 summarise(disp = mean(disp), sd = sd(disp))

结果就是这样：

这是因为summarize()函数一旦运行就会重写覆盖变量。

但是想要一次求多个值还是有办法的。

前文提到tidyverse包很适合编程，是因为它适用引用函数quo()函数，即只引用而不计算表达式，它和base包中的quote()用法相似，但是多附带环境信息。这里就用quo()函数来求多值。

var <- list(quo(mean(disp)), quo(sd(disp)))

mtcars %>%
 group_by(cyl) %>%
 summarise(!!! var)

结果如图：

这样就成功地算出多值了。其中“!!!”是引用终值并解析操作符，使用对象为元素为引用的列表或向量，它将引用的表达式解析并计算，每个列表元素都释放为summarize()函数的参数。另有“!!”操作符针对非列表对象，作用相同。

　往期精彩内容整理合集　

2017年R语言发展报告（国内）

R语言中文社区历史文章整理（作者篇）

R语言中文社区历史文章整理（类型篇）

公众号后台回复关键字即可学习

回复 R                  R语言快速入门及数据挖掘 
回复 Kaggle案例  Kaggle十大案例精讲（连载中）
回复 文本挖掘      手把手教你做文本挖掘
回复 可视化          R语言可视化在商务场景中的应用 
回复 大数据         大数据系列免费视频教程 
回复 量化投资      张丹教你如何用R语言量化投资 
回复 用户画像      京东大数据，揭秘用户画像
回复 数据挖掘     常用数据挖掘算法原理解释与应用
回复 机器学习     人工智能系列之机器学习与实践
回复 爬虫            R语言爬虫实战案例分享