【译文】利用dplyr包进行数据操作
作者 Teja Kodali
译者 钱亦欣
dplyr是R中用来进行数据操作的一个包,由Hadley Wickham(男神!)编写维护。它提供了一些功能强大,易于使用的函数,这些函数对于数据探索分析和数据操作而言非常使用。在本文中我将对这些常用函数做一个基本的概述。
本文中我将使用包中自带的空气质量数据集做示例。这个数据集包含了纽约从1973年5月到1973年9月的空气质量测量数据。
该数据集前几行是这样的:
head(airquality)
Ozone Solar.R Wind Temp Month Day
1 41 190 7.4 67 5 1
2 36 118 8.0 72 5 2
3 12 149 12.6 74 5 3
4 18 313 11.5 62 5 4
5 NA NA 14.3 56 5 5
6 28 NA 14.9 66 5 6
在介绍函数之前,先让我们加载两个包
library(datasets)
library(dplyr)
准备完毕,让我们来看看函数吧!
Filter
filter()函数会返回满足设定条件的观测数据(行),举个例子,我们可以用如下方法返回Temp变量值大于70的观测:
filter(airquality, Temp > 70)
Ozone Solar.R Wind Temp Month Day
1 36 118 8.0 72 5 2
2 12 149 12.6 74 5 3
3 7 NA 6.9 74 5 11
4 11 320 16.6 73 5 22
5 45 252 14.9 81 5 29
6 115 223 5.7 79 5 30
···
我们也可以设置过个过滤条件。下方的例子会返回Temp大于80并且Month大于5的子集。
filter(airquality, Temp > 80 & Month > 5)
Ozone Solar.R Wind Temp Month Day
1 NA 186 9.2 84 6 4
2 NA 220 8.6 85 6 5
3 29 127 9.7 82 6 7
4 NA 273 6.9 87 6 8
5 71 291 13.8 90 6 9
6 39 323 11.5 87 6 10
...
Mutate()
Mutate()函数可以给数据集添加新变量。比如,我们可以在表中添加新的一列,记录用摄氏度表示的温度数据。
mutate(airquality, TempInC = (Temp - 32) * 5 / 9)
Ozone Solar.R Wind Temp Month Day TempInC
1 41 190 7.4 67 5 1 19.44444
2 36 118 8.0 72 5 2 22.22222
3 12 149 12.6 74 5 3 23.33333
4 18 313 11.5 62 5 4 16.66667
5 NA NA 14.3 56 5 5 13.33333
...
Summarise
summarise()是用来将多个变量总结成单个变量的函数。将它和dplyr包中的其他函数组合使用可谓威力无穷。如下所示,na.rm=TRUE设置会在计算均值时剔除所有NA的观测,防止返回异常结果。
summarise(airquality, mean(Temp, na.rm = TRUE))
mean(Temp)
1 77.88235
Group By
group_by()函数可以把数据集根据一个或多个变量进行分组。比如我们可以根据月份把数据分组,并用summarise()函数计算每个组的温度均值。
summarise(group_by(airquality, Month), mean(Temp, na.rm = TRUE))
Month mean(Temp)
1 5 65.54839
2 6 79.10000
3 7 83.90323
4 8 83.96774
5 9 76.90000
Sample
sample()函数可以从表格中随机抽取一定数量的行(观测)。下述第一行代码从数据集中随机抽取了10行,第二行代码随机抽取了15行(153个观测的10%)。
sample_n(airquality, size = 10)
sample_frac(airquality, size = 0.1)
Count
count()函数会在数据分好组的基础上进行计数。这个函数功能和base包的table()有些类似。例子如下:
count(airquality, Month)
Month n
1 5 31
2 6 30
3 7 31
4 8 31
5 9 30
输出结果表示,5月份有31个观测,6月有30个观测,等等。
Arrange
arrange()函数可以按照变量值对观测进行排序。当前情况下,空气质量数据集是按照月份(Month)进行排序,每个月的数据在按照日期(Day)排序。我们可以用arrange函数将数据集按照月份降序排列,再逐月按照日期升序排列。
arrange(airquality, desc(Month), Day)
Ozone Solar.R Wind Temp Month Day
1 96 167 6.9 91 9 1
2 78 197 5.1 92 9 2
3 73 183 2.8 93 9 3
4 91 189 4.6 93 9 4
5 47 95 7.4 87 9 5
6 32 92 15.5 84 9 6
Pipe(管道操作符)
R中的管道操作符为%>%,这个符号可以把一系列操作函数链接起来。(译者注:管道操作符%>%会将不同指令连接起来。%>%符号会把左边的输出传递到右边的函数,作为右侧函数的第一个参数。)当你对一个数据集进行连续操作时利用管道操作符非常有用,它可以让你不用逐步记录每一次操作的输出。
举个例子,如果我们想要移除数据集中5月份的观测,并将观测按月份排序,再机选每个月的平均温度。传统的方法可能要把代码写成这样:
filteredData <- filter(airquality, Month != 5)
groupedData <- group_by(filteredData, Month)
summarise(groupedData, mean(Temp, na.rm = TRUE))
利用管道操作符,上述代码可以重写为:
airquality %>%
filter(Month != 5) %>%
group_by(Month) %>%
summarise(mean(Temp, na.rm = TRUE))
这是一个非常基础的例子,管道操作的便利性可能无法体现。但只要对于数据的操作数越来越多,管道操作的优势将会逐步体现。
到这里本文就要结束了。我希望你们能享受阅读的过程,并且认为dplyr包真的实用。如果你有任何问题,请在下方自由留言或访问我的推特。
注:原文刊载于datascience+网站