介绍 R 新的数据结构 tibble

tibble 和 dplyr 包提供了对默认数据结构数据框的扩展，可以很方便实现对大数量处理任务。本文介绍tibble特点以及如何利用dplyr以统一方式处理数据。

tibble 介绍

tibble包括定义tibble为特定的数据框，它改变了标准数据框的一些行为。两者主要差异主要包括三点：

• tibble 不会像数据框一样默认改变字符串列为因子类型；
• tibble 对列的命名要求更宽松；
• tibble 的打印方法对大数据集特别方便。

我们可以使用tibble() 函数创建Tibble类型数据：

library(tibble)
dat <- tibble(TempCels = sample(-10:40, size=100, replace=TRUE),
  TempFahr = TempCels*9/5 + 32,
  Location = rep(letters[1:2] , each=50))
dat

# A tibble: 100 x 3
#  TempCels TempFahr Location
#       <int>    <dbl> <chr>   
#  1        4     39.2 a       
#  2        2     35.6 a       
#  3       -5     23   a       
#  4        5     41   a       
#  5       15     59   a       
#  6      -10     14   a       
#  7       27     80.6 a       
#  8       -3     26.6 a       
#  9       15     59   a       
# 10        7     44.6 a       
# ... with 90 more rows

该函数与标准的data.frame()函数类似，但每个列按顺序可以使用前面的列值，且字符向量不会自动转换为因子类型。

我们可以把数据框类型转为tibble类型。为了演示我们使用Iris数据集，该数据集包括150行5列信息的鸢尾花信息。

data("iris")
dim(iris)
class(iris)
# Show in New WindowClear OutputExpand/Collapse Output
# [1] 150   5
# [1] "data.frame"

上面示例首先载入iris数据，然后查看其维度和类型。虽然数据量不大，但如何你在控制台输入iris，会看到数据铺满了整个屏幕，如果tibble类型则不会，下面我们转换数据框至tibble类型：

library(tibble)
ir <- as_tibble(iris)
class(ir)
# [1] "tbl_df"     "tbl"        "data.frame"
ir
# A tibble: 150 x 5
#    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#           <dbl>       <dbl>        <dbl>       <dbl> <fct>  
#  1          5.1         3.5          1.4         0.2 setosa 
#  2          4.9         3            1.4         0.2 setosa 
#  3          4.7         3.2          1.3         0.2 setosa 
#  4          4.6         3.1          1.5         0.2 setosa 
#  5          5           3.6          1.4         0.2 setosa 
#  6          5.4         3.9          1.7         0.4 setosa 
#  7          4.6         3.4          1.4         0.3 setosa 
#  8          5           3.4          1.5         0.2 setosa 
#  9          4.4         2.9          1.4         0.2 setosa 
# 10          4.9         3.1          1.5         0.1 setosa 
# ... with 140 more rows

使用as_tibble() 函数创建tibble类型对象ir。需要说明的是，这里没有创建数据框的副本，因为网门看到新的对象仍然是data.frame类型，但同时也为"tbl_df" 和 “tbl” 类型。tbl_df为tibble类型，而第二种则是进一步的泛化，它可以独立于存储数据类型查看数据集。当打印tibble时，它并不像数据框一样沾满屏幕。当然你也可以给print()方法增加额外参数实现对数据框的输出：

 print(ir, n=Inf, width=Inf)

Inf表示无穷大，即行和列展示都没有限制。

与数据框展示的另一个差异是，对于子集的数据展示，数据框有时展示子集会让人迷惑，请看示例：

 iris[1:15, "Petal.Length"]
# Show in New WindowClear OutputExpand/Collapse Output
# [1] 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 1.5 1.6 1.4 1.1 1.2
 class(iris[1:15, "Petal.Length"] )
# [1] "numeric"

我们希望查看Petal.Length列的前15行记录，结果却为向量类型，取子集返回数据类型也改变了。这让很多人感到差异，虽然你可以通过下面代码获得期望的类型，但tibble从来不会让你差异：

iris[1:15, "Petal.Length", drop=FALSE]
#    Petal.Length
# 1           1.4
# 2           1.4
# 3           1.3
# 4           1.5
# 5           1.4
# 6           1.7
# 7           1.4
# 8           1.5
# 9           1.4
# 10          1.5
# 11          1.5
# 12          1.6
# 13          1.4
# 14          1.1
# 15          1.2

ir[1:15, "Petal.Length"]

# A tibble: 15 x 1
#    Petal.Length
#           <dbl>
#  1          1.4
#  2          1.4
#  3          1.3
#  4          1.5
#  5          1.4
#  6          1.7
#  7          1.4
#  8          1.5
#  9          1.4
# 10          1.5
# 11          1.5
# 12          1.6
# 13          1.4
# 14          1.1
# 15          1.2

tibble要想获得类似数据框的返回结果，可以先抽取列，然后再从列数据中选取需要的行：

ir$Petal.Length[1:15]
# Show in New WindowClear OutputExpand/Collapse Output
# [1] 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 1.5 1.6 1.4 1.1 1.2
# 或者使用中括号方式
ir[["Petal.Length"]][1:15]
# [1] 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 1.5 1.6 1.4 1.1 1.2

请注意，tibbles和数据帧之间的差异可能会使一些使用tibbles的包无效。如果这些包的函数在设置了单个列之后，以某种方式做了简化，那么就会出现这种情况。此时如果你传递tibble而不是数据帧，将不会得到预期的结果，并可能返回一些错误。如遇到这种情况，请使用标准数据框而不是tibble来调用这些函数。

dplyr 选择tibble数据

dplyr包定义了tbl类型，作为实际数据源的包装类型。它封装数据源病提供了一组统一的方法操作数据，该包当前支持的数据源包括：标准数据框(以tibbles的形式)、几个数据库管理系统以及其他数据源。其优势为：

• 对数据源的封装
• 提供统一的数据处理方法
• 数据处理的计算效率高

总之，只要使用dplyr连接数据源创建tbl对象，几乎可以忽略该数据源，利用统一的独立数据源的方式处理数据。

dplyr提供了很多函数可以很容易处理tbl数据对象。这里仅简单展示如何查询数据，我们可以利用select() 和 filter() 函数实现，前者过滤列，后者过滤行。

假如我们需要查看setosa类型鸢尾花的花瓣长度和宽度，实现方式如下：

library(dplyr)
 select(filter(ir,Species=="setosa"),Petal.Width, Petal.Length)
 
# A tibble: 50 x 2
#    Petal.Width Petal.Length
#          <dbl>        <dbl>
#  1         0.2          1.4
#  2         0.2          1.4
#  3         0.2          1.3
#  4         0.2          1.5
#  5         0.2          1.4
#  6         0.4          1.7
#  7         0.3          1.4
#  8         0.2          1.5
#  9         0.2          1.4
# 10         0.1          1.5
# ... with 40 more rows 

# view(select(filter(ir,Species=="setosa"),3:4))

有两点需要说明下，首先上面语句中，不是必须属于字段名称，我们可以直接使用 3:4 （3,4两列）；其次，返回结果仅展示了一部分，如果我们需要查看全部信息可以使用view()函数，它会打开新的编辑器查看完整结果数据。

上面示例使用传统函数组合方式，函数组合方式功能强大，但代码不容易理解。dplyr提供管道操作方式使得代码更容易理解，请看示例：

filter(ir, Species == "setosa")  %>% select(3:4)

# A tibble: 50 x 2
#    Petal.Length Petal.Width
#           <dbl>       <dbl>
#  1          1.4         0.2
#  2          1.4         0.2
#  3          1.3         0.2
#  4          1.5         0.2
#  5          1.4         0.2
#  6          1.7         0.4
#  7          1.4         0.3
#  8          1.5         0.2
#  9          1.4         0.2
# 10          1.5         0.1
# ... with 40 more rows

# ir %>% filter(Species == "setosa") %>% select(3:4) 

管道操作符非常简单直观，上面示例还可以写成 ir %>% filter(Species == "setosa") %>% select(3:4)，它可以应用任何R的函数。其思想是左边函数的结果作为参数传给右边函数，x %>% f(y) 被转为 f(x,y)。显然这种方式比传统的函数式写法更好读、更自然、更符合我们的思维习惯。

总结

本文我们介绍了tibble类型。说明它与数据框的关系以及如何利用dplyr提供的统一方式操作数据。