作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。
邮箱：huang.tian-yuan@qq.com
前言
本章介绍如何从表中检索一个或多个数据列。
首先我们加载需要使用的包。其中我们需要的航班数据flights数据集需要在nycflights13中加载：
1library(tidyverse)2library(nycflights13)select是最常用的ETL函数之一，用途就是从表格中选取需要的列。
要使用这个函数，要搞清楚两个问题：1.从哪里获取数据？2.从数据里面提取什么？所以需要给出至少两个信息：1.表格名称；2.列名称。
我们从最简单的语句开始：
1flights %>%2 select(year) 1## # A tibble: 336,776 x 1 2## year 3## 4## 1 2013 5## 2 2013 6## 3 2013 7## 4 2013 8## 5 2013 9## 6 201310## 7 201311## 8 201312## 9 201313## 10 201314## # ... with 336,766 more rows上面的语句表示：从flights表格中提取了名为year的列。相应的SQL语句如下：
1 SELECT `year`2FROM `flights`提示：尽管SQL不区分大小写，但是统一使用大写来写SQL语句有利于提高可读性。另外，很多SQL语句要求最后要加分号(;)，否则会报错。
检索多个列检索多个列与检索单列相似，需要给出多个列名称，而且列名称之间需要用逗号(,)隔开。需要注意的是，最后的列名称后面不能加逗号，否则会报错。
1flights %>%2 select(year,month,day) 1## # A tibble: 336,776 x 3 2## year month day 3## 4## 1 2013 1 1 5## 2 2013 1 1 6## 3 2013 1 1 7## 4 2013 1 1 8## 5 2013 1 1 9## 6 2013 1 110## 7 2013 1 111## 8 2013 1 112## 9 2013 1 113## 10 2013 1 114## # ... with 336,766 more rows相应SQL语句如下：
1 SELECT `year`, `month`, `day`2FROM `flights`R中只要输入表格名称，默认就是包含了表格所有列，因此提取所有列非常简单：
1flights 1## # A tibble: 336,776 x 19 2## year month day dep_time sched_dep_time dep_delay arr_time 3## 4## 1 2013 1 1 517 515 2 830 5## 2 2013 1 1 533 529 4 850 6## 3 2013 1 1 542 540 2 923 7## 4 2013 1 1 544 545 -1 1004 8## 5 2013 1 1 554 600 -6 812 9## 6 2013 1 1 554 558 -4 74010## 7 2013 1 1 555 600 -5 91311## 8 2013 1 1 557 600 -3 70912## 9 2013 1 1 557 600 -3 83813## 10 2013 1 1 558 600 -2 75314## # ... with 336,766 more rows, and 12 more variables: sched_arr_time ,15## # arr_delay , carrier , flight , tailnum ,16## # origin , dest , air_time , distance , hour ,17## # minute , time_hour SQL代码：
1 SELECT *2FROM `flights`有的时候我们的表格具有很多列，而列名称是具有一定的命名规则的，我们可以根据这些规则来选择特定的列。比如在flights表格中，我们先看一下flights有哪些列名称：
1flights %>% names()1## [1] "year" "month" "day" "dep_time" 2## [5] "sched_dep_time" "dep_delay" "arr_time" "sched_arr_time"3## [9] "arr_delay" "carrier" "flight" "tailnum" 4## [13] "origin" "dest" "air_time" "distance" 5## [17] "hour" "minute" "time_hour"这样我们就知道flights都有哪些列，现在我们想要检索以“time”结尾的列，可以这样操作：
1flights %>%2 select(ends_with("time")) 1## # A tibble: 336,776 x 5 2## dep_time sched_dep_time arr_time sched_arr_time air_time 3## 4## 1 517 515 830 819 227 5## 2 533 529 850 830 227 6## 3 542 540 923 850 160 7## 4 544 545 1004 1022 183 8## 5 554 600 812 837 116 9## 6 554 558 740 728 15010## 7 555 600 913 854 15811## 8 557 600 709 723 5312## 9 557 600 838 846 14013## 10 558 600 753 745 13814## # ... with 336,766 more rows这样一来我们就选择了所有与时间相关的变量。如果要选择以一定的字符串起始的列，可以使用starts_with，比如：
1flights %>%2 select(starts_with("dep")) 1## # A tibble: 336,776 x 2 2## dep_time dep_delay 3## 4## 1 517 2 5## 2 533 4 6## 3 542 2 7## 4 544 -1 8## 5 554 -6 9## 6 554 -410## 7 555 -511## 8 557 -312## 9 557 -313## 10 558 -214## # ... with 336,766 more rows关于选择列的条件还有很多，它们是tidyselect包中的函数，比如contains可以选择列名称中包含某一特定字符串的列，详情可以用?vars_select来查询你需要的功能。
检索独特的值有时候我们只想知道出现的值的不同种类，不需要每次出现都表示出来，这个时候我们可以使用distinct函数，下面我们举个例子。
我们想要知道数据中包含了哪些月份的数据，但是单纯选择月份这一字段是做不到的。
1flights %>%2 select(month) 1## # A tibble: 336,776 x 1 2## month 3## 4## 1 1 5## 2 1 6## 3 1 7## 4 1 8## 5 1 9## 6 110## 7 111## 8 112## 9 113## 10 114## # ... with 336,766 more rows我们需要使用distinct函数，让month列中重复出现的值不会第二次出现：
1flights %>%2 select(month) %>%3 distinct() 1## # A tibble: 12 x 1 2## month 3## 4## 1 1 5## 2 10 6## 3 11 7## 4 12 8## 5 2 9## 6 310## 7 411## 8 512## 9 613## 10 714## 11 815## 12 9SQL代码：
1 SELECT DISTINCT *2FROM (SELECT `month`3FROM `flights`)前面的例子中其实我们也可以知道，flights这个数据表一共有336,776行，也就是说，我们无法在屏幕中就浏览全数据，我们只能截取一部分查看。
比较常见的方法，是查看前几行，或者最后几行。但是事实上，只要我们可以根据需要查看任意行(使用切片函数slice)。
查看前6行：
1flights %>%2 head() 1## # A tibble: 6 x 19 2## year month day dep_time sched_dep_time dep_delay arr_time 3## 4## 1 2013 1 1 517 515 2 830 5## 2 2013 1 1 533 529 4 850 6## 3 2013 1 1 542 540 2 923 7## 4 2013 1 1 544 545 -1 1004 8## 5 2013 1 1 554 600 -6 812 9## 6 2013 1 1 554 558 -4 74010## # ... with 12 more variables: sched_arr_time , arr_delay ,11## # carrier , flight , tailnum , origin , dest ,12## # air_time , distance , hour , minute ,13## # time_hour 查看后6行：
1flights %>%2 tail() 1## # A tibble: 6 x 19 2## year month day dep_time sched_dep_time dep_delay arr_time 3## 4## 1 2013 9 30 NA 1842 NA NA 5## 2 2013 9 30 NA 1455 NA NA 6## 3 2013 9 30 NA 2200 NA NA 7## 4 2013 9 30 NA 1210 NA NA 8## 5 2013 9 30 NA 1159 NA NA 9## 6 2013 9 30 NA 840 NA NA10## # ... with 12 more variables: sched_arr_time , arr_delay ,11## # carrier , flight , tailnum , origin , dest ,12## # air_time , distance , hour , minute ,13## # time_hour 查看第100行到第103行：
1flights %>%2 slice(100:103) 1## # A tibble: 4 x 19 2## year month day dep_time sched_dep_time dep_delay arr_time 3## 4## 1 2013 1 1 752 759 -7 955 5## 2 2013 1 1 753 755 -2 1056 6## 3 2013 1 1 754 759 -5 1039 7## 4 2013 1 1 754 755 -1 1103 8## # ... with 12 more variables: sched_arr_time , arr_delay , 9## # carrier , flight , tailnum , origin , dest ,10## # air_time , distance , hour , minute ,11## # time_hour 这里只展示取前6行的代码的SQL代码：
1 SELECT *2FROM `flights`3LIMIT 6任何编程语言都需要有注释，注释能够方便别人读懂你的代码。即使你不打算把代码分享给别人，注释也有助于自己在往后的工作中，重新使用自己已经写过的代码。
R语言中，注释一般采用井号(#)，即#后面的内容就是需要注释的部分，我们举个例子。
1flights %>% #这是我们的表格名称flights2 select(year) #这是我们要取的列year 1## # A tibble: 336,776 x 1 2## year 3## 4## 1 2013 5## 2 2013 6## 3 2013 7## 4 2013 8## 5 2013 9## 6 201310## 7 201311## 8 201312## 9 201313## 10 201314## # ... with 336,766 more rows#上面的井号后面的都是注释，不会被执行
提示：尽管本系列的重点不是SQL，但是这里还是提及一下SQL中的注释格式。SQL中，与R语言井号(#)对等的注释代码是“–”(两个减号，又称连字符)。例子如下：
1 SELECT DISTINCT *2FROM (SELECT `month` --不用执行我，我只是注释3FROM `flights`)本章主要内容就是，如何选择列：选择一列，选择多列，选择列中独特的值，只显示其中的若干行。最后，我们还介绍了如何在R语言中对代码进行注释，加强代码的可读性，从而提高代码的重复利用性。老实说，这些内容都比较简单，不过被使用频次是最多的，必须要牢牢掌握，随时使用。
往期精彩：
R语言ETL工程系列：总论
R语言ETL工程系列：R语言基础设置
R语言ETL工程系列：读写(read/write)
R语言文本特征工程：词袋模型
公众号后台回复关键字即可学习
回复 爬虫 爬虫三大案例实战 回复 Python 1小时破冰入门
回复 数据挖掘 R语言入门及数据挖掘回复 人工智能 三个月入门人工智能回复 数据分析师 数据分析师成长之路 回复 机器学习 机器学习的商业应用回复 数据科学 数据科学实战回复 常用算法 常用数据挖掘算法
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
