【译文】利用dplyr包进行数据操作

【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

链接:http://datascienceplus.com/data-manipulation-with-dplyr/