R数据科学-第六章用dplyr处理关系数据

关系数据：存在于多个表的数据。

三类操作处理关系数据：

1.合并连接：向数据框中加入新变量，新变量的值为另一个数据框的匹配观测。

2.筛选连接：根据是否匹配另一个数据框的观测，筛选数据框的观测。

3.集合操作：将观测作为集合元素来处理。

一、数据准备

我们将研究一下nycflights13数据集的关系数据。nycflightsb13包含与flights相关的4个tibble：

airlines:可以根据航空公司的缩写查找到航空公司全名。

planes:给出了每架飞机的信息，通过tailnum进行标识。

weather:给出了纽约机场每小时的天气情况。

airports:给出了每个机场的信息，通过faa机场编码进行标识。

关系总结如下：

flights与planes通过tailnum相连。

flights与airlines通过carrier相连。

flights与airports通过origin和dest相连。

flights与weather通过origin以及year,month,day,hour相连。

二、键

用于连接每个数据表的变量称为键。键有两种类型：

1.主键：唯一标识其所在数据表中的观测。例如planes$tailnum是planes的一个主键，因为其可唯一标识其中的每架飞机。

2.外键：唯一标识另一个数据表中的观测。例如flights$tailnum是一个外键，因为其出现在flights表中，可以与唯一一架飞机相匹配。

一个变量既可以是主键也可以是外键，例如origin是weather表主键的一部分，也是airports的外键。

验证主键可以对主键进行count()操作，看看是否有n>1的记录。

library(tidyverse)
library(nycflights13)
planes %>% count(tailnum) %>% filter(n>1)

# A tibble: 0 x 2
# ... with 2 variables: tailnum <chr>, n <int>

有时数据表没有明确的主键：每一行都是一个观测，但没有一个变量组合能明确的标识它。例如flights数据表就是这样。如果一张表没有主键，需要使用mutate函数和row_number函数为表加上一个主键，这种主键称为代理键。

三、合并连接

合并连接可以将两个表格中的变量组合起来，先通过两个表格的键匹配观测，然后将一个表格中的变量复制到另一个表格中。

1.实例

left_join函数通过carrier属性连接两个数据框：

flights2<-flights %>% select(year:day,hour,origin,dest,tailnum,carrier)
flights2 %>% select(-origin,-dest) %>% left_join(airlines,by='carrier')
# A tibble: 336,776 x 7
    year month   day  hour tailnum carrier name        
   <int> <int> <int> <dbl> <chr>   <chr>   <chr>       
 1  2013     1     1     5 N14228  UA      United Air ~
 2  2013     1     1     5 N24211  UA      United Air ~
 3  2013     1     1     5 N619AA  AA      American Ai~
 4  2013     1     1     5 N804JB  B6      JetBlue Air~
 5  2013     1     1     6 N668DN  DL      Delta Air L~
 6  2013     1     1     5 N39463  UA      United Air ~
 7  2013     1     1     6 N516JB  B6      JetBlue Air~
 8  2013     1     1     6 N829AS  EV      ExpressJet ~
 9  2013     1     1     6 N593JB  B6      JetBlue Air~
10  2013     1     1     6 N3ALAA  AA      American Ai~
# ... with 336,766 more rows
>

使用mutate函数和R取子集操作也可以达到同样的效果：

flights2 %>% select(-origin,-dest) %>% mutate(name=airlines$name[match(carrier,airlines$carrier)])
# A tibble: 336,776 x 7
    year month   day  hour tailnum carrier name