R for Data Science ---数据变换（创建新的变量）

tidy流处理数据的方便，我想这与管道符%>% 的使用，数据处理动词化，有着很重要的关系。

用最少的时间，解决最重要的、最常见的问题，从而提高效率，剩余的难点，可以在遇到问题的时候，重点突破。

mutate动词的使用

首先需要明确的是
mutate是在原有的变量基础上，再创造相关变量，保留原来的变量。
在这个基础之上，展开实战

flights_sml <- select(flights, 
  year:day, 
  ends_with("delay"), 
  distance, 
  air_time
)
mutate(flights_sml,
  gain = dep_delay - arr_delay,
  speed = distance / air_time * 60
)
#> # A tibble: 336,776 x 9
#>    year month   day dep_delay arr_delay distance air_time  gain speed
#>   <int> <int> <int>     <dbl>     <dbl>    <dbl>    <dbl> <dbl> <dbl>
#> 1  2013     1     1         2        11     1400      227    -9  370.
#> 2  2013     1     1         4        20     1416      227   -16  374.
#> 3  2013     1     1         2        33     1089      160   -31  408.
#> 4  2013     1     1        -1       -18     1576      183    17  517.
#> 5  2013     1     1        -6       -25      762      116    19  394.
#> 6  2013     1     1        -4        12      719      150   -16  288.
#> # … with 336,770 more rows

上面的例子是利用现有的时间和距离计算了飞机的速度，以及总共多出的时间。

mutate函数的强大之处在于，你在创建新变量的同时，你就可以使用新变量再创造新的变量，这一点结合管道符，可以发挥很大的作用。

例如

mutate(flights_sml,
  gain = dep_delay - arr_delay,
  hours = air_time / 60,
  gain_per_hour = gain / hours
)

transmute()函数使用

如果只想保留新变量，那么就可以使用transmute()函数。例如

transmute(flights,
  gain = dep_delay - arr_delay,
  hours = air_time / 60,
  gain_per_hour = gain / hours
)
#> # A tibble: 336,776 x 3
#>    gain hours gain_per_hour
#>   <dbl> <dbl>         <dbl>
#> 1    -9  3.78         -2.38
#> 2   -16  3.78         -4.23
#> 3   -31  2.67        -11.6 
#> 4    17  3.05          5.57
#> 5    19  1.93          9.83
#> 6   -16  2.5          -6.4 
#> # … with 336,770 more rows

mutate的其他用法

创建新的变量，不止可以使用算数方法，其实还包括逻辑值使用方法。我经常使用mutate结合逻辑判断值进行新变量创造。

使用TCGA数据，编号14，15位如果小于11，记为“cancer”，否则记为“normal”可以如下写

mutate(data, type = ifelse(sample_type_id < 11, 'cancer', 'normal'))

**再结合之前select排序，改变以下位置就好。

rename的使用

rename其实算不上创建新变量，因为只是对变量的名称进行了修改。
具体使用如下:

rename(flights, tail_num = tailnum)
#> # A tibble: 336,776 x 19
#>    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#>   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
#> 1  2013     1     1      517            515         2      830            819
#> 2  2013     1     1      533            529         4      850            830
#> 3  2013     1     1      542            540         2      923            850
#> 4  2013     1     1      544            545        -1     1004           1022
#> 5  2013     1     1      554            600        -6      812            837
#> 6  2013     1     1      554            558        -4      740            728
#> # … with 336,770 more rows, and 11 more variables: arr_delay <dbl>,
#> #   carrier <chr>, flight <int>, tail_num <chr>, origin <chr>, dest <chr>,
#> #   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

通常要使用rename是因为有些名称是以“.”或者空格连接的，会让R不好识别，需要重新命名，方便后续分析。