r语言dmy()函数转化出现na_【R语言新书】2.1 tidyverse简介与管道

张敬信：我的R语言新书信息汇总​zhuanlan.zhihu.com

2.1.1 tidyverse 包简介

tidyverse 包是 Hadley Wickham 及团队的集大成之作，是专为数据科学而开发的一系列包的合集， 基于整洁数据，提供了一致的底层设计哲学、语法、数据结构 。

tidyverse 用 “ 现代 的 " 、 “ 优雅 的" 方式，以 管道式 、 泛函式 编程技术实现了数据科学的整个流程： 数据导入、数据清洗、数据操作、数据可视化、数据建模、可重现与交互报告 。

在 tidyverse 包的引领下，近年来涌现出一系列具体研究领域的 tidy* 版本的包，比较综合的有 tidymodels （机器学习）、 rstatix （统计）、 tidybayes （贝叶斯模型）、 tidyquant（金融）、 fpp3 （时间序列）、 tidytext （文本挖掘）、 sf （空间数据分析）、 tidybulk （生信）等。

tidyverse 与 data.table

tidyverse 操作数据语法优雅、容易上手，但效率与主打高效的 data.table 包不可同日而语，处理几 G 甚至几十 G 的数据，需要用 data.table.

但 data.table 的语法高度抽象、不容易上手。本书不对 data.table 做过多展开，其简单使用可参阅附录 2 。另一种不错的方案是使用专门的转化包：有不少包尝试底层用 data.table ，上层用 tidyverse 语法包装（转化），如 dtplyr, tidyfst 等。

2.1.2 管道操作

1. 什么是管道操作？

magrittr 包引入了管道操作，能够通过管道将数据从一个函数传给另一个函数，从而用若干函数构成的 管道 依次变换你的数据。

例如，对数据集 mtcars ，先按分类变量 cyl 分组，再对连续变量 mpg 做分组汇总：计算均值。

library(tidyverse)

mtcars %>%
  group_by(cyl) %>%
  summarise(mpg_avg = mean(mpg))

管道运算符 %>% 的意思是：将左边的运算结果，以输入的方式传给右边函数。若干个函数通过管道链接起来，叫做 管道（ pipeline ） 。

x %>% f() %>% g()                       # 等同于 g(f(x))

对该管道示例应该这样理解：

依次对数据进行若干操作：先对 x 进行 f 操作 , 接着对结果进行 g操作 。

管道，也支持 R base 函数：

month.abb %>%                          # 内置月份名缩写字符向量
  sample(6) %>%
  tolower() %>%
  str_c(collapse = "|")

使用管道的好处是：

• 避免使用过多的中间变量；
• 程序可读性大大增强：

管道操作的过程，读起来就是对原数据集依次进行一系列操作的过程。而非管道操作，读起来与操作的过程是相反的，比如同样实现上例：

str_c(tolower(sample(month.abb, 6)), collapse="|")

2. 常用管道操作

（1）管道默认将数据传给下一个函数的第 1 个参数，且它可以省略

c(1, 3, 4, 5, NA) %>% 
  mean(., na.rm = TRUE)                  # "." 可以省略
c(1, 3, 4, 5, NA) %>% 
  mean(na.rm = TRUE)                     # 建议写法

这种机制使得管道代码看起来就是：从数据开始，依次用函数对数据施加一系列的操作（变换数据），各个函数都直接从非数据参数开始写即可，而不用再额外操心数据的事情，数据会自己沿管道向前 "流动 " 。

正是这种管道操作，使得 tidyverse 能够 优雅 地操作数据。

所以， tidyverse 中的函数都设计为数据作为第 1 个参数，自定义的函数也建议这样做。

（2）数据可以在下一个函数中使用多次

数据经过管道默认传递给函数的第 1 个参数（通常直接省略）；若在非第 1 个参数处使用该数据，必须用 “.” 代替（绝对不能省略），这使得管道作用更加强大和灵活。

下面看一些具体实例：

# 数据传递给 plot 第一个参数作为绘图数据 (. 省略 ),
# 同时用于拼接成字符串给 main 参数用于图形标题
c(1, 3, 4, 5) %>% 
  plot(main = str_c(., collapse=","))

# 数据传递给第二个参数 data
mtcars %>% 
  plot(mpg ~ disp, data = .)

# 选择列
iris %>% 
  .$Species                 # 选择 Species 列内容
iris %>% 
  .[1:3]                    # 选择 1-3 列子集

再来看一个更复杂的例子：

mtcars %>%
  split(.$cyl) %>%                        # . 相当于 mtcars
  map(~ lm(mpg ~ wt, data = .x))

split() 是将数据框 mtcars 根据其 cyl 列（包含 3 个水平的分类变量）分组，得到包含 3 个成分的列表；列表接着传递给 map(.x, .f) 的第一个参数（直接省略），

~ lm(mpg ~ wt, data = .x) 是第二参数 .f ，为 purrr 风格公式写法。

整体来看，实现的是分组建模：将数据框根据分类变量分组，再用 map 循环机制依次对每组数据建立线性回归模型。

主要参考文献

1. Hadley Wickham，R for Data Science，2017.
2. Desi Quintans, Jeff Powell. Working in the Tidyverse.http://www.hiercourse.com/

________________________________

版权声明：原创作品，版权所有，禁止用于一切出版。