相信我，这是全网最详细的R包dplyr教程

R语言包 dplyr之常用函数

欢迎关注公众号：统计与数据挖掘

一、安装

我的环境：win10 64位。R版本：4.0

以下所有操作均基于 jupyter lab+R语言。

install.packages(“dplyr”)

二、加载包

library(“dplyr”)

三、查看包中有哪些函数和函数的具体信息

help(package=“dplyr”) #查看包中有哪些函数

?select #查看包中的select函数的文档，或者使用help(函数名)

example(select) #有关select函数的例子

四、数据集

本篇文章使用的是R自带的数据集，mtcars

如果你是使用R或者Rstudio，建议使用df<-tbl_df(mtcars)，这样df看起来会比较简介。

但是我是用的jupyter lab，所以我就直接使用df<-mtcras,改个名了。

数据集预览：

五、常用函数介绍

PS:df为dataframe数据框的简称，以下统称df

1.select 作用：选择df中列的函数。

?help或者help(select),即可查阅该函数的文档。

该函数的第一个参数为df,第二个参数如下。

现在来了解下该函数的操作符吧，呃嗯，英语跟我一样不行的建议看右边 😃

我就简单的介绍一下这四个操作符吧。

1. “:” 该符号表示用于选择一系列的变量。

2. “!”:表示取反操作的，类似于在df中不选择某列，比如df[,-1],表示不选择第一列

3. “&”:表示逻辑运算符“与”，表示“且”的意思。A&B，表示满足条件A，且满足条件B

4. “|”:表示逻辑运算符“或”，表示“或”的意思。A|B，表示满足条件A或者满足条件B就可以了，通常具有短路操作。

5. “c()”:就是表示列的组合，其实就是向量，元素可为数字或者字符串。

   之所以单独拉出来讲，是因为后面会用得非常频繁。

下面还有几个比较重要的函数，我简单介绍下，这些函数可以作为select选择列的参数来使用。

• last_col():表示选择最后一列。
• starts_with():表示以什么开头的列。
• ends_with():表示以什么结尾的列。
• contains():表示某列是否包含什么内容。

例子：

1. 选择df中的第一列到第五列。

   用法：select(df,1:5)或者select(df,c(1,2,3,4,5))

2. 选择df中的mpg到wt之间的所有列，包括(mpg,wt)

   用法：select(df,“mpg”:“wt”)

3. 选择某些列以"d"开头，或者以"p"结尾的。

   用法：select(df,starts_with(“d”)|ends_with(“p”))

4. 选择某些列以"d"开头，且以"t"结尾的。

   用法：select(df,starts_with(“d”)&ends_with(“t”))

5. 选择以"d"开头，且包含"s"的列。

   用法：select(df,starts_with(“d”)&contains(“s”))

6. 选择不以"d"开头，且以"p"结尾的列.

   用法：select(df,!(starts_with(“d”))&(ends_with(“p”)))

好了，我现在向大家来介绍一下这个包中引进的管道符:%>%

如果你使用过Linux系统，你对管道符应该会比较了解，现在来看下R中的吧。

用法：df%>%select(mpg,wt)->df1,运行一下，看看是不是选择了df中的，mpg，wt两列呢,并且我们将结果赋值给了变量df1

作用1：将df,传递到select函数中的第一个位置，事实上，我们还可以通过"."作为占位符，来将df放到任意位置。

比如df%>%select(mpg,wt,.),注意看，wt后面有一个点，当然这条语句是不能正常运行的，我只是想告诉大家，通过“点”作为占位符，可以将上一个结果，放到下一个管道中的任意位置。

作用2：有没有发现用了管道符之后，我们再次使用列名mpg的时候，便不需要使用df$mpg了呢，没错，它的另外一个功能就是类似于attach，数据绑定的功能，使用管道符，能让我们的代码更加简洁。

2.filter 作用：用来筛选行的函数。

该函数的第一个参数依然是df，第二个参数与上面的select的用法其实差不多。

首先来看下第二个参数的操作符吧,值介绍一个，其余的，大家应该都能看懂。

1. between(x,a,b):假设x是一个数值型向量，该函数判断x中元素是否(>=a)&(<=b)，返回一个逻辑型向量。

   

2. 选择df中，hp列大于等于110，小于等于150的行,且gear列等于4。

   filter(df,between(df$hp,110,150)&(df​[“gear”]==4))

3. 选择df中，hp列大于disp列的行。

   filter(df,df[“hp”]>df​[“disp”])

第二个参数，作为筛选满足条件的df的行，其实非常考验大家的基本功。它不像select函数筛选列那么简单，但是，只要弄明白了，第二个参数是用来筛选行的，再对照对照select函数，其实还是不难的。

3.arrange 作用：用来使df按照一列或者多列进行排序

1.使df按照mpg列升序排列，wt列，降序排列。

arrange(df,“mpg”,desc(“wt”)) 默认是升序，如需降序，则使用desc()函数。

4.mutate 作用：产生新的列，保留旧的列。

下面我们一起搭配，管道符，以及select函数来操作一下。

df%>%select(cyl,gear,wt)%>%mutate(

cyl2=cyl*2,

gear4=gear*4,

wt=NULL #将值设置为NULL，可将这列删除

)%>%head()

结果如下:

首先，我们将df通过管道，送入select函数的第一个位置中，然后筛选出了cyl,gear,wt三列。

然后我们通过mutate函数，增加了cyl2,gear4两列，并且将wt列给删除掉了。
假如我们想指定这些新增加的列放在哪个列之前或者之后，我们使用 .before=原来df中的某个列名，我们可以将新增加列，放在原来的那个列名前面，注意before参数前面有个点！！，.after表示放在某个列之后。

5.summarise 作用：主要对数据框或者分组变量进行统计性描述。

还是先来看下文档的官方描述吧。

这个函数我主要讲解的是，它针对数据框的使用，至于它针对分组变量的使用，我将放在group_by函数中讲解。

下面我将继续介绍一下常用函数，这对于summarize非常有用。

下面我将介绍几个常用的函数；

1. mean:均值函数。
2. median():中位数函数。
3. sd():标准差函数
4. IQR():四分位间距，如果有兴趣，可以查看《概率论与数理统计》（浙大第四版）P132
5. mad():中位数绝对偏差，是不是有点难理解呢，没关系，控制台输入?mad，查看该函数文档，非常详细。

6. quantile:四分位数函数，第一个参数为数值型向量，第二个参数可以自己定义要返回几分位数的值。

需要特别注意的是，该函数返回的是一个数值型向量，而不是像其他函数一样简单返回一个数值。

7. nth():表示抽取向量中哪一个位置的元素，比如nth(c(1,5,2),2)抽取的是第二个位置的，返回5，还可以通过负号，来表示抽取倒数第几个，比如nth(c(1,5,2),-3)，表示抽取倒数第三个，就是1
8. n():返回当前分组或者变量的信息，通常是计数，通常用在特定函数，比如summarize,mutate中。
9. n_distinct():去重后，再计数。
10. first(),last():参数可以为一个向量，分别返回向量的第一个值，和最后一个值。

现在开始正式介绍，summarize函数对数据框的使用。

然后呢，就没有然后了，但是这仅仅是针对数据框的，下面开始准备介绍针对分组的。

6.group_by 作用：对数据框按照一列或者多列进行分组，通常与summarise组合使用。

如果你想再多了解一下，可以使用example(group_by)去看看这个函数的案例。

7.sample_n 作用：从给定的数据框中，采样n个数据。

下面的df同上面的df，为R内置数据集mtcars

replace表示是否放回抽样，默认为FALSE，不放回抽样，如果需要放回抽样，则需要设置为 replace=TRUE

sample_n(df,5,replace=FALSE) 采样df的5条数据

8.sample_frac 作用：从给定的数据框中，采样多少比例的数据。

replace表示是否放回抽样，默认为FALSE，不放回抽样，如果需要放回抽样，则需要设置为 replace=TRUE

sample_frac(df,0.5,replace=FALSE) 从df中，采样50%的数据。

9.case_when 作用：针对向量元素，对符合条件的，做操作。

当使用这个函数的时候，有几点，我希望你能特别注意以下几点：

1.当向量中的元素不符合条件时候，会被当做NA，你操作的向量元素个数，和case_when输出的向量元素个数相等。

2.每个条件的执行是有顺序的，顺序从上往下执行！

3.输出的向量的类型必须是统一的，要么为数值型向量，要么为字符型向量，是什么类型取决于最上面执行的条件判断。

4.当进行两个向量间的条件判断的时候，两个向量的元素个数必须相等

好了，估计说得有点绕，下面我用两个例子，你应该就明白了。

格式为：case_when(

条件1~针对条件1进行的操作,

TRUE~某操作

)

其中，符号"~"可理解为赋值操作。TRUE 可理解为else,注意else的范围是最大的，如果放在第一行，并且进行的是赋值操作，那么就会返回你赋的值，如果是针对向量元素的操作，那么返回的还是一个向量。见下图。

单针对单个向量的时候：

当针对多个向量的时候：

总结一下：类型，顺序非常重要，你稍不注意类型，便会报错。

10.if_else 作用：对向量进行条件筛选，然后操作。

这个函数更像是case_when的迷你版

if_else(条件，满足条件的元素的操作，不满足条件的元素的操作)

看一下文档的案例，你就会了

11.集合操作

以下集合操作均可针对向量进行操作。

a<-1:5

b<-3:8

12.distinct 作用：对数据框进行去重。

格式:distinct(df,变量名1,变量名2,.keep_all=FALSE) 参数介绍见图。

13.数据框连接操作：inner_join, left_join, right_join, full_join,等

这篇文章写得还不错，可以作为参考。

https://www.jianshu.com/p/1f4c7bfed3d4

对于文章有疑问的话，可以添加好友与我交流。

以上基本就是dplyr包的中常用函数了，觉得不错的话，不妨点赞收藏哦:)