R数据科学第三章读书笔记和习题

这篇文章只是记录个人理解，有时间会写第五章EDA（探索性分析部分）

概述

dplyr包在r语言中是用来整理数据集，以便数据更容易处理。
dplyr中有5个核心函数，分别是
按值筛选观测 filter()
对行重新排序 arrange()
按名称选取变量 select()
创建新变量 mutate()
将多个值总结为一个摘要统计量 summarize()

还有个改变作用范围的函数group_by()

一、filter()按值筛选

1、按指定条件筛选

library(dplyr)
library(nycflights13)
df <- nycflights13::flights
#筛选1月的航班信息
filter(df, month == 1)

加入逻辑运算符

#筛选1月或2月的航班信息
filter(df, month == 1|month == 2)

使用 %in%

#筛选1月或2月的航班信息
filter(df, month %in% c(1, 2))

2、处理缺失值

NA代表未知的值，当数据处理遇到NA，往往结果也会是NA

#提取month变量中缺失值
filter(df, is.na(month))
#提取month变量中非缺失的数据
filter(df, !is.na(month))

3.2.4 练习题

(1) 找出满足以下条件的所有航班。
a. 到达时间延误 2 小时或更多的航班。

library(tidyverse)
library(nycflights13)
nycflights13::flights
filter(flights,  arr_delay >= 120)

b. 飞往休斯顿（IAH 机场或 HOU 机场）的航班。

filter(flights,  dest %in% c('IAH', 'HOU'))

c. 由联合航空United、美利坚航空American或三角洲航空Delta运营的航班。

filter(flights,  carrier  %in% c('UA',  'AA', 'DL'))

d. 夏季（7 月、 8 月和 9 月）出发的航班。

filter(df, month %in% c(7, 8, 9))

e. 到达时间延误超过 2 小时，但出发时间没有延误的航班。

filter(flights, arr_delay >= 120 & dep_delay <= 0)

f. 延误至少 1 小时，但飞行过程弥补回 30 分钟的航班。

filter(flights, dep_delay >= 60 & dep_delay - arr_delay > 30)

g. 出发时间在午夜和早上 6 点之间（包括 0 点和 6 点）的航班。
根据帮助文档