R語(yǔ)言中plyr包

apply族函數(shù)是R語(yǔ)言中很有特色的一類函數(shù)，包括了apply、sapply、lapply、tapply、aggregate等等。這一類函數(shù)本質(zhì)上是將數(shù)據(jù)進(jìn)行分割、計(jì)算和整合。它們?cè)跀?shù)據(jù)分析的各個(gè)階段都有很好的用處。例如在數(shù)據(jù)準(zhǔn)備階段，我們可以按某個(gè)標(biāo)準(zhǔn)將數(shù)據(jù)分組，然后獲得各組的統(tǒng)計(jì)描述?；蚴窃诮ｋA段，為不同組的數(shù)據(jù)建立模型并比較建模結(jié)果。apply族函數(shù)與Google提出的mapreduce策略有著一致的思路。因?yàn)閙apreduce的思路也是將數(shù)據(jù)進(jìn)行分割、計(jì)算和整合。只不過它是將分割后的數(shù)據(jù)分發(fā)給多個(gè)處理核心進(jìn)行運(yùn)算。如果你熟悉了apply族函數(shù)，那么將數(shù)據(jù)轉(zhuǎn)為并行運(yùn)算是輕而易舉的事情。plyr包則可看作是apply族函數(shù)的擴(kuò)展，使之更容易運(yùn)用，功能更為強(qiáng)大。

??plyr包的主函數(shù)是**ply形式的，其中首字母可以是(d、l、a)，第二個(gè)字母可以是(d、l、a、_)，不同的字母表示不同的數(shù)據(jù)格式，d表示數(shù)據(jù)框格式，l表示列表，a表示數(shù)組，_則表示沒有輸出。第一個(gè)字母表示輸入的待處理的數(shù)據(jù)格式，第二個(gè)字母表示輸出的數(shù)據(jù)格式。例如ddply函數(shù)，即表示輸入一個(gè)數(shù)據(jù)框，輸出也是一個(gè)數(shù)據(jù)框。

??plyr包是Hadley Wickham大神為解決split – apply – combine問題而寫的一個(gè)包，其動(dòng)機(jī)在與提供超越for循環(huán)和內(nèi)置的apply函數(shù)族的一個(gè)一攬子解決方案。使用plyr包可以針對(duì)不同的數(shù)據(jù)類型，在一個(gè)函數(shù)內(nèi)同時(shí)完成split – apply – combine三個(gè)步驟。

??plyr 的功能已經(jīng)遠(yuǎn)遠(yuǎn)超出數(shù)據(jù)整容的范圍，Hadley在plyr中應(yīng)用了split-apply-combine的數(shù)據(jù)處理哲學(xué)，即：先將數(shù)據(jù)分離，然后應(yīng)用某些處理函數(shù)，最后將結(jié)果重新組合成所需的形式返回。某些人士喜歡用“揉”來(lái)表述這樣的數(shù)據(jù)處理；“揉”，把數(shù)據(jù)當(dāng)面團(tuán)搗來(lái)?yè)v去，很哲，磚家們的磚頭落下來(lái)，拍死人絕不償命。

??先別哲了，來(lái)點(diǎn)實(shí)際的：plyr的函數(shù)命名方式比較規(guī)律，很容易記憶和使用。比如 a開頭的函數(shù)aaply, adply 和 alply 將數(shù)組（array）分別轉(zhuǎn)成數(shù)組、數(shù)據(jù)框和列表；daply, ddply 和 dlply 將數(shù)據(jù)框分別轉(zhuǎn)成數(shù)組、數(shù)據(jù)框和列表；而laply, ldaply, llply將列表（list）分別轉(zhuǎn)成數(shù)組、數(shù)據(jù)框和列表。
目錄

?1. 數(shù)據(jù)轉(zhuǎn)換: split – apply – combine 模式

?2. 知識(shí)點(diǎn)_1

?3. 知識(shí)點(diǎn)_2

?4. 知識(shí)點(diǎn)_3

?5. 知識(shí)點(diǎn)_4

?6. 參考資料
數(shù)據(jù)轉(zhuǎn)換: split – apply – combine 模式

??按：這一篇是讀Hadley Wickham的文章The Split-Apply-Combine Strategy for Data Analysis的筆記。

??在數(shù)據(jù)分析中，有許多問題可以由類似的類型和方法步驟解決，可稱之為模式，設(shè)計(jì)模式或者分析模式。下面要討論的是數(shù)據(jù)轉(zhuǎn)換的一個(gè)常用模式：split – apply – combine。其解決之道，在R語(yǔ)言中，有3種方式：

??（1） for 顯式循環(huán),但是這種方式的缺點(diǎn)也很明顯，代碼長(zhǎng)，易出錯(cuò)，也難以并行化；

??（2） 拜R語(yǔ)言的向量計(jì)算特點(diǎn)所賜，在R當(dāng)中，大多數(shù)問題不需要用顯示循環(huán)方式，而代之以base包中的apply函數(shù)族及其它的一些函數(shù)，直接對(duì)向量，數(shù)組，列表和數(shù)據(jù)框?qū)崿F(xiàn)循環(huán)的操作。

??（3） Hadley Wickham大神覺得apply族還是不夠簡(jiǎn)潔，所以開發(fā)了pylr包，以更少的代碼來(lái)解決split – apply – combine問題。


        split – apply – combine 模式

??大型數(shù)據(jù)集通常是高度結(jié)構(gòu)化的，結(jié)構(gòu)使得我們可以按不同的方式分組，有時(shí)候我們需要關(guān)注單個(gè)組的數(shù)據(jù)片斷，有時(shí)需要聚合不同組內(nèi)的信息，并相互比較。

??因此對(duì)數(shù)據(jù)的轉(zhuǎn)換，可以采用split – apply – combine模式來(lái)進(jìn)行處理：

????split：把要處理的數(shù)據(jù)分割成小片斷；

????apply：對(duì)每個(gè)小片斷獨(dú)立進(jìn)行操作；

????combine：把片斷重新組合。

??利用這種模式解決問題在很多數(shù)據(jù)分析或編程問題中都會(huì)出現(xiàn):

????Python當(dāng)中，是map( )，filter( )，reduce( )；

????Google 有MapReduce；

????R 當(dāng)中是split( )，*apply( )，aggregate( )…，以及plyr包。


        分劃：split函數(shù)

??在R當(dāng)中，split這個(gè)步驟是由split( )，subset( )等等函數(shù)完成的。

??下面主要介紹split這個(gè)函數(shù)。

??函數(shù)split（）可以按照分組因子，把向量，矩陣和數(shù)據(jù)框進(jìn)行適當(dāng)?shù)姆纸M。它的返回值是一個(gè)列表，代表分組變量每個(gè)水平的觀測(cè)。這個(gè)列表可以使用sapply（）,lappy（）進(jìn)行處理（apply – combine步驟），得到問題的最終結(jié)果。

??split( )的基本用法是：group <- split(X,f)

??其中X 是待分組的向量，矩陣或數(shù)據(jù)框。f是分組因子。

???例1：對(duì)向量分組

    > library(MASS)
    #使用Cars93數(shù)據(jù)集，利用其中的Origin變量（兩個(gè)水平），對(duì)Price變量分組
    > g<-split(Cars93$Price,Cars93$Origin)
    
    #分組結(jié)果是個(gè)列表：
    $USA
     [1] 15.7 20.8 23.7 26.3 34.7 40.1 13.4 11.4 15.1 15.9 16.3 16.6 18.8 38.0
    [15] 18.4 15.8 29.5 9.2 11.3 13.3 19.0 15.6 25.8 12.2 19.3 7.4 10.1 11.3
    [29] 15.9 14.0 19.9 20.2 20.9 34.3 36.1 14.1 14.9 13.5 16.3 19.5 20.7 14.4
    [43] 9.0 11.1 17.7 18.5 24.4 11.1
    $`non-USA`
     [1] 15.9 33.9 29.1 37.7 30.0 8.4 12.5 19.8 12.1 17.5 8.0 10.0 10.0 13.9
    [15] 47.9 28.0 35.2 8.3 11.6 16.5 19.1 32.5 31.9 61.9 10.3 26.1 11.8 15.7
    [29] 19.1 21.5 28.7 8.4 10.9 19.5 8.6 9.8 18.4 18.2 22.7 9.1 19.7 20.0
    [43] 23.3 22.7 26.7
    
    #計(jì)算組的長(zhǎng)度和組內(nèi)均值
    > sapply(g,length)        USA non-USA
         48 45
    > sapply(g,mean)         USA non-USA
    18.57292 20.50889
    
    #用lapply也可以，返回值是列表
    > lapply(g,mean)
    $USA
    [1] 18.57292
    $`non-USA`
    [1] 20.50889

???例2：對(duì)矩陣分組（按列）

    > m<-cbind(x=1:10,y=11:20)
    > split(m,col(m))
    $`1`
     [1] 1 2 3 4 5 6 7 8 9 10
    $`2`
     [1] 11 12 13 14 15 16 17 18 19 20

???例3：對(duì)數(shù)據(jù)框進(jìn)行分組

    #還是利用Cars93,它就是個(gè)數(shù)據(jù)框
    g<-split(Cars93,Cars93$Origin)
    #分組結(jié)果
    > summary(g)            Length Class Mode
    USA 27 data.frame list
    non-USA 27 data.frame list

??split還有一個(gè)逆函數(shù)，unsplit,可以讓分組完好如初。在base包里和split功能接近的函數(shù)有cut(對(duì)屬性數(shù)據(jù)分劃)，strsplit(對(duì)字符串分劃)以及subset（對(duì)向量，矩陣或數(shù)據(jù)框按給定條件取子集）等。


        base包中的apply()函數(shù)族

??接下來(lái)的apply – combine步驟主要由apply函數(shù)族完成。對(duì)于R的初學(xué)者來(lái)說(shuō)，apply函數(shù)族以其強(qiáng)大的向量運(yùn)算功能，把for循環(huán)語(yǔ)句送到了被遺忘的角落，這種震撼效果，無(wú)異于天賜神器。但是，這些冠以*apply的函數(shù)，也經(jīng)常讓人使用混亂，找不著方向。

??那么apply包括哪些函數(shù)呢？在 R console中鍵入??apply,可以看到在base包中包含如下函數(shù)：（apply在別的包里還有起到各自功能的相關(guān)函數(shù)，我們只看涉及數(shù)據(jù)轉(zhuǎn)換的這些個(gè)）

    apply ：Apply Functions Over Array Margins
    by ：Apply a Function to a Data Frame Split by Factors
    eapply ：Apply a Function Over Values in an Environment
    lapply ：Apply a Function over a List or Vector
    mapply ：Apply a Function to Multiple List or Vector Arguments
    rapply ：Recursively Apply a Function to a List
    tapply ：Apply a Function Over a Ragged Array

??除此之外，還有可作為lapply變形的sapply，vapply和 replicate，共計(jì)10個(gè)函數(shù)。具體的內(nèi)容，見apply()函數(shù)族的詳細(xì)講解?。。?br /> 知識(shí)點(diǎn)_1

??（1）下面我們看看如何使用ldply函數(shù)將ath1121501.db包中的KEGG列表數(shù)據(jù)轉(zhuǎn)成數(shù)據(jù)框：

    > library(ath1121501.db)
    > keggs <- as.list(ath1121501PATH[mappedkeys(ath1121501PATH)])
    > head(ldply(keggs, paste, collapse='; '))
            .id                                              V1
    1 261579_at                                           00190
    2 261569_at                                           04712
    3 261583_at 00010; 00020; 00290; 00620; 00650; 01100; 01110
    4 261574_at                      00903; 00945; 01100; 01110
    5 261043_at                             00051; 00520; 01100
    6 261044_at                                           04122

??（2）對(duì)于簡(jiǎn)單的問題，plyr和apply函數(shù)的效果差不多

    > m <- matrix(c(1:4,1,4,1:6),ncol=3)
    > apply(m,1,mean)
    [1] 1.666667 3.333333 3.000000 4.000000
    > aaply(m,1,mean)
           1 2 3 4
    1.666667 3.333333 3.000000 4.000000

??plyr包的函數(shù)較多，不再一一介紹，更多用法請(qǐng)參考它的在線幫助，Hadley 也寫了很詳細(xì)的tutorial：http://plyr.had.co.nz/09-user/
知識(shí)點(diǎn)_2

??下面首先來(lái)用一個(gè)簡(jiǎn)單的例子說(shuō)明一下用法。還是用iris數(shù)據(jù)集，其中包括了一個(gè)分類變量和四個(gè)數(shù)值變量。我們希望數(shù)據(jù)按不同類別，分別計(jì)算數(shù)值變量的均值。下面我們分別用三種方法來(lái)得到同樣的結(jié)果。

    library(plyr)
    library(reshape2)    # 用aggregate函數(shù)進(jìn)行數(shù)據(jù)匯總
    aggregate(iris[1:4],list(iris$Species),mean)    # 用reshape2包進(jìn)行數(shù)據(jù)匯總
    data.melt <- melt(iris,id=c('Species'))
    dcast(data.melt,Species~variable,mean)    # 用ddply函數(shù)進(jìn)行數(shù)據(jù)匯總
    # 原代碼是 ddply(iris,.(Species),function(df) mean(df[1:4]))
    # 錯(cuò)誤在于數(shù)據(jù)框的統(tǒng)計(jì)應(yīng)該用colMeans
    ddply(iris,.(Species),function(df) colMeans(df[1:4]))
    # 這個(gè)例子并沒有顯示出什么優(yōu)勢(shì),但我們可以學(xué)習(xí)到plyr的基礎(chǔ)使用方式，即對(duì)于**ply這種格式的函數(shù)，其第一個(gè)數(shù)據(jù)參數(shù)是數(shù)據(jù)源，其他參數(shù)可以用?來(lái)查詢.    

??初看起來(lái)plyr包所具備的功能并不很出彩，下面我們看一個(gè)略為復(fù)雜例子。還是用iris數(shù)據(jù)，我們希望對(duì)每一種花做一個(gè)簡(jiǎn)單回歸。

    # 首先定義回歸函數(shù)
    model <- function(x) {
        lm(Petal.Length~Petal.Width,data=x)
    }    # 如果用普通的函數(shù)則需要如下的分割、計(jì)算、整合三個(gè)步驟共四條命令
    # Split函數(shù)的作用是將數(shù)據(jù)框按照指定字段分組，但不做后續(xù)計(jì)算。lapply函數(shù)可以對(duì)每組數(shù)據(jù)都執(zhí)行同樣的算法。Split和lapply兩者結(jié)合可以實(shí)現(xiàn)本案例。
    pieces <- split(iris,list(iris$Species))
    models <- lapply(pieces,model)
    result <- lapply(models,coef)    do.call('rbind',result)    # 用plyr包只用下面兩個(gè)函數(shù)，每個(gè)函數(shù)都內(nèi)置了分割、計(jì)算、整合的功能。
    result1 <- dlply(iris,.(Species),model)
    result2 <- ldply(result1,function(x) coef(x))

??plyr包中還有兩個(gè)比較特別的函數(shù)，分別是rply和mply，它們分別對(duì)應(yīng)的是replicate和mapply函數(shù)。

    replicate(20,mean(runif(100)))
    rdply(20, mean(runif(100)))
    mapply(rnorm,mean=1:5,sd=1:5, n=2)
    mdply(data.frame(mean = 1:5, sd = 1:5), rnorm, n = 2)

??最后我們來(lái)看一個(gè)mdply函數(shù)的應(yīng)用，我們希望用神經(jīng)網(wǎng)絡(luò)包來(lái)為不同的花進(jìn)行分類，使用BP神經(jīng)網(wǎng)絡(luò)需要的一個(gè)參數(shù)就是隱藏層神經(jīng)元的個(gè)數(shù)。我們來(lái)嘗試用1到10這十個(gè)參數(shù)運(yùn)行模型十次，并觀察十個(gè)建模結(jié)果的預(yù)測(cè)準(zhǔn)確率。但我們并不需要手動(dòng)運(yùn)行十次。而是使用mdply函數(shù)來(lái)完成這個(gè)任務(wù)。

    library(nnet)    # 確定建模函數(shù)
    nnet.m <- function(...) {
      nnet(Species~.,data=iris,trace=F,...)
    }    # 確定輸入?yún)?shù)
    opts <- data.frame(size=1:10,maxiter=50)    # 建立預(yù)測(cè)準(zhǔn)確率的函數(shù)
    accuracy <- function(mod,true) {
      pred <- factor(predict(mod,type='class'),levels=levels(true))
      tb <- table(pred,true)
      sum(diag(tb))/sum(tb)
    }    # 用mlply函數(shù)建立包括10個(gè)元素的列表，每個(gè)元素包括了一個(gè)建模結(jié)果
    models <- mlply(opts,nnet.m)    # 再用ldply函數(shù)讀取列表，計(jì)算后得到最終結(jié)果
    ldply(models,'accuracy',true=iris$Species)

??下面是其他操作函數(shù)

    each()：each(min, max)等價(jià)于function(x) c(min = min(x), max = max(x))。

    colwise()：colwise(median)將計(jì)算列的中位數(shù)。

    arrange()：超級(jí)順手的函數(shù)，可以方便的給dataframe排序。

    rename()：又是一個(gè)handy的函數(shù)，按變量名而不是變量位置重命名。

    count()：返回unique值，等價(jià)于length(unique(**))。

    match_df()：方便的配合count()等，選出符合條件的行，有點(diǎn)像merge(…,all=F)的感覺。

    join()：對(duì)于習(xí)慣SQL的童鞋，可能比merge()用起來(lái)更順手吧（當(dāng)然也更快一點(diǎn)），不過靈活性還是比不上merge()。

知識(shí)點(diǎn)_3

??pylr包的使用

（1）命名規(guī)則

??命名規(guī)則：前三行是基本類型。

??根據(jù)輸入類型和輸出類型：a=array，d=data frame，l=list，_ 表示輸出放棄。第一個(gè)字母表示輸入，第2個(gè)字母表示輸出。

??后兩行是對(duì)應(yīng)apply族的replicates和mapply這兩個(gè)函數(shù)，分別表示n次重復(fù)和多元函數(shù)參數(shù)的情況，第2個(gè)字母還是表示輸出類型。

??從命名特點(diǎn)來(lái)看，我們不需要列出每個(gè)函數(shù)的情況了，只要從輸入和輸出兩方面分別討論即可。

    （2）參數(shù)說(shuō)明

    a*ply(.data, .margins, .fun, ..., .progress = "none")
    d*ply(.data, .variables, .fun, ..., .progress = "none")
    l*ply(.data, .fun, ..., .progress = "none")

??這些函數(shù)有兩到三個(gè)主要的參數(shù)，依賴于輸入的類型：

??參數(shù).data是我們要用來(lái)分片-計(jì)算-合并的；參數(shù).margins或者.variables描述了分片的方式；參數(shù).fun表示用來(lái)處理的函數(shù)，其它更多的參數(shù)（...）是傳遞給處理函數(shù)的；參數(shù).progress用來(lái)控制顯示一個(gè)進(jìn)度條。

    (3) 輸入

??輸入類型有三種，每一種類型給出了如何進(jìn)行分片的不同方法。

??簡(jiǎn)單來(lái)說(shuō)：

???a*ply( )：數(shù)組（包括矩陣和向量）按維數(shù)分為低維的片。

???d*ply( )：數(shù)據(jù)框被變量組合分成子集。

???l*ply( )：列表的每個(gè)元素就是一個(gè)分片。

??因此，對(duì)輸入數(shù)據(jù)集的分片，不是取決于數(shù)據(jù)的結(jié)構(gòu)，而是取決于所采用的方法。

???1. 一個(gè)對(duì)象采用 a*ply( )分片必須對(duì)應(yīng)dim( )且接受多維的索引；

???2. 采用 d*ply( )分片，要利用split( )并強(qiáng)制轉(zhuǎn)換為列表；

???3. 采用 l*ply( )，需要用 length() and [[。

??所以數(shù)據(jù)框可以被傳遞給 a * ply( )，可以象2維的矩陣那樣處理，也可以傳遞給l*ply( )，被視為一個(gè)向量的列表。

??三種類型各自的特點(diǎn)：

??（a）： 輸入數(shù)組（ a*ply() ）

??a*ply()的分片特點(diǎn)在于.margins參數(shù)，它和apply很相似。對(duì)于2維數(shù)組， .margins 可以取1，2，或者c(1:2)，對(duì)應(yīng)2維數(shù)組的3種分片方式。

    ? .margins = 1: Slice up into rows.
    ? .margins = 2: Slice up into columns.
    ? .margins = c(1,2): Slice up into individual cells.

??對(duì)于2維數(shù)組，則有3種分片方式：

??對(duì)于3維數(shù)組，則有7種分片方式：

??.margins對(duì)應(yīng)更高維的情況，可能會(huì)面臨一種爆發(fā)式的組合。

??（b）輸入數(shù)據(jù)框（ d*ply() ）

??使用d*ply時(shí)，需要特別指定分組所用的變量或變量函數(shù)，它們會(huì)被首先計(jì)算，然后才是整個(gè)數(shù)據(jù)框。
有下面幾種指定方式：

    ? .(var1)。按照變量var1的值來(lái)對(duì)數(shù)據(jù)框分組
    ? 多重變量 .(a,b,c)。將按照三個(gè)變量的交互值來(lái)分組。

??這種形式輸出的時(shí)候，有點(diǎn)復(fù)雜。如果輸出為數(shù)組，則數(shù)組會(huì)有三個(gè)維度，分別以 a,b,c 的值作為維數(shù)名。如果輸出為數(shù)據(jù)框，將會(huì)包含 a,b,c 取值的三個(gè)額外的列。如果輸出為列表，則列表元素名為按周期分割的 a,b,c 的值。

    ? 作為列名的字符向量：c("var1", "var2")。
    ? 公式~ var1 + var2。

??(c) 輸入列表（ l*ply() ）

?? l * ply() 不需要描述如何分片的函數(shù)，因?yàn)榱斜肀旧砭褪前凑赵氐姆謩?。使用l * ply()相當(dāng)于a*ply()作用于一維數(shù)組的效果。
知識(shí)點(diǎn)_4

??plyr包案例集

??本文給出幾個(gè)關(guān)于使用plyr包來(lái)進(jìn)行數(shù)據(jù)處理的例子。重點(diǎn)在于plyr包的應(yīng)用，而不是深入地探討數(shù)據(jù)的分析。

    1. 點(diǎn)球成金

??此例來(lái)源于 Wickham 的論文[ Hadley Wickham ：The Split-Apply-Combine Strategy for Data Analysis Journal of Statistical Software，April 2011, Volume 40, Issue 1. ]。案例里的圖形是我作的。

??布拉德.皮特在《點(diǎn)球成金》里用數(shù)據(jù)方法發(fā)掘棒球運(yùn)動(dòng)員的價(jià)值，我們也可以來(lái)試試。plyr 包的baseball數(shù)據(jù)集包括了1887-2007年間1228位美國(guó)職業(yè)棒球運(yùn)動(dòng)員15年以上的擊球記錄。

    > library(plyr)
    > data(baseball)
    > dim(baseball)
    [1] 21699    22

??下面的分析，是要研究擊球手的表現(xiàn)。

??關(guān)注四個(gè)變量：

    id：運(yùn)動(dòng)員的身份；
    year：紀(jì)錄的年份；
    rbi：跑壘得分，運(yùn)動(dòng)員在賽季內(nèi)的跑動(dòng)數(shù)目；
    ad：輪到擊球或者面對(duì)投手的次數(shù)。

??先來(lái)計(jì)算“職業(yè)年份”，就是運(yùn)動(dòng)員開始職業(yè)生涯以來(lái)的年數(shù)。

??對(duì)某一位運(yùn)動(dòng)員：

    > baberuth <- subset(baseball, id == "ruthba01")
    > # 在baberuth里加入cyear
    > baberuth <- transform(baberuth, cyear = year - min(year) + 1)

??對(duì)所有的運(yùn)動(dòng)員：

    > baseball <- ddply(baseball, .(id), transform, cyear = year - min(year) + 1)

??先看看Babe Ruth這位運(yùn)動(dòng)員的模式，畫rbi/ab（每次擊球的跑動(dòng)）的時(shí)間序列圖：

    > library(ggplot2)
    > cyear <- baberuth$cyear
    > ra <- (baberuth$rbi)/(baberuth$ab)
    > a <- data.frame(cyear,ra)
    > p <- ggplot(a,aes(cyear,ra))
    > p + geom_line()
    > # 或者（畫圖代碼）
    > # qplot(cyear, rbi / ab, data = baberuth, geom = "line")

??下面使用d_ply函數(shù)按下面的方式對(duì)各位運(yùn)動(dòng)員們畫圖并保存為pdf格式：

??（1）按照運(yùn)動(dòng)員的平均rbi / ab值對(duì)運(yùn)動(dòng)員排序，這樣確保如果某個(gè)圖畫不出的時(shí)候可以畫出其它的。

??（2）只取ab大于25的運(yùn)動(dòng)員

    > baseball <- subset(baseball, ab >= 25)
    > xlim <- range(baseball$cyear, na.rm=TRUE)
    > ylim <- range(baseball$rbi / baseball$ab, na.rm=TRUE)
    > plotpattern <- function(df) {
    +   qplot(cyear, rbi / ab, data = df, geom = "line", xlim = xlim, ylim = ylim)
    + }
    > pdf("paths.pdf", width = 8, height = 4)
    > d_ply(baseball, .(reorder(id, rbi / ab)), failwith(NA, plotpattern), .print = TRUE)
    > dev.off()

??這些圖里能看出大概的線性趨勢(shì)。來(lái)對(duì)每個(gè)運(yùn)動(dòng)員擬合一下線性模型。先看Babe Ruth的：

    > model <- function(df) {
    + lm(rbi / ab ~ cyear, data = df)
    + }
    > model(baberuth)    
    Call:
    lm(formula = rbi/ab ~ cyear, data = df)
    
    Coefficients:
    (Intercept) cyear
       0.203200 0.003413

??然后用dlply對(duì)所有的運(yùn)動(dòng)員：

    > bmodels <- dlply(baseball, .(id), model)

??這樣共有1145個(gè)模型的列表，下面提取這些模型的系數(shù)（slope and intercept）和R^2，

    > rsq <- function(x) summary(x)$r.squared
    > bcoefs <- ldply(bmodels, function(x) c(coef(x), rsquare = rsq(x)))
    > names(bcoefs)[2:3] <- c("intercept", "slope")
    > head(bcoefs)
    >
             id  intercept         slope     rsquare    1 aaronha01 0.18329371  0.0001478121 0.000862425    2 abernte02 0.00000000            NA 0.000000000
    3 adairje01 0.08670449 -0.0007118756 0.010230121
    4 adamsba01 0.05905337  0.0012002168 0.030184694    5 adamsbo03 0.08867684 -0.0019238835 0.108372596
    6 adcocjo01 0.14564821  0.0027382939 0.229040266

??把所有模型的R^2繪直方圖：（代碼有問題？？？沒畫出來(lái)？？？待修改）

    > qplot(rsquare, data=bcoefs, geom="histogram", binwidth=0.01)

??可以看出這些模型整體來(lái)說(shuō)擬合的效果是很差的。

??下面把那些擬合效果好的模型找出來(lái)：先利用系數(shù)進(jìn)行“合并”，再挑出R^2為1的模型：

    > baseballcoef <- merge(baseball, bcoefs, by = "id")
    > subset(baseballcoef, rsquare > 0.999)$id
    >
     [1] "bannifl01" "bannifl01" "bedrost01" "bedrost01"
     [5] "burbada01" "burbada01" "carrocl02" "carrocl02"
     [9] "cookde01"  "cookde01"  "davisma01" "davisma01"
    [13] "jacksgr01" "jacksgr01" "lindbpa01" "lindbpa01"
    [17] "oliveda02" "oliveda02" "penaal01"  "penaal01"
    [21] "powerte01" "powerte01" "splitpa01" "splitpa01"
    [25] "violafr01" "violafr01" "wakefti01" "wakefti01"
    [29] "weathda01" "weathda01" "woodwi01"  "woodwi01"

??所有這些擬合好的模型都只有兩個(gè)數(shù)據(jù)點(diǎn)。

??換個(gè)角度看一下這些模型。

??繪制斜率和截距的散點(diǎn)圖：（代碼有問題？？？沒畫出來(lái)？？？待修改）

    > p <- ggplot(bcoefs, aes(slope, intercept))
    > p <- p + geom_point(aes( size = rsquare), alpha = 0.6)

??放大局部：（代碼有問題？？？沒畫出來(lái)？？？待修改）

    > s <- subset(baseballcoef,slope>-0.01&slope<0.01)
    > p <- ggplot(s, aes(slope, intercept))
    > p <- p + geom_point(aes( size = rsquare), alpha = 0.6)

??可以看出，斜率和截距之間是負(fù)相關(guān)的，且擬合壞的模型其估計(jì)值都接近于0。
    2. 起個(gè)好名字
??plyr包還有很多對(duì)于數(shù)據(jù)集操作的函數(shù)。本文涉及summarise，arrange，mutate
??數(shù)據(jù)集Baby name包括了美國(guó)從1880年到2008年間排名前1000位的嬰兒姓名。數(shù)據(jù)集在課程主頁(yè)下載。
    library(plyr)
    library(ggplot2)
    bnames <- read.csv("bnames2.csv.bz2")
    births <- read.csv("births.csv")
    # 先取一個(gè)名字看一看，
    steve<-subset(bnames,name == "Steve")

qplot(year, prop, data = steve, geom = "line")

??蘋果教主生于1955年，看來(lái)是個(gè)當(dāng)時(shí)的流行名字。
    # 在steve里求概括統(tǒng)計(jì)量
    summarise(steve,least = year[prop == min(prop)],most = year[prop == max(prop)])
      least most    1 2008 1959
    # 按比例降序重排steve
    arrange(steve, desc(prop))    # 在steve中增加一列per1000，取1000 * prop的整數(shù)
    mutate(steve, per1000 = round(1000 * prop))
??下面來(lái)探索一下名字的趨勢(shì)，
??這涉及到使用外部數(shù)據(jù)集，下面合并bnames和 births
    bnames2 <- join(bnames, births, by = c("year", "sex"))
    bnames2 <- mutate(bnames2, n = round(prop * births))
??看看出生趨勢(shì)

qplot(year, births, data = births, geom = "line",color = sex)

    # 那些年，有多少個(gè)steve出生呢
    steve1<- subset(bnames2, name == "Steve")
    summarise(steve1, sum(n))
    sum(n)    1 237613數(shù)據(jù)分析師培訓(xùn)
    # 對(duì)每個(gè)名字都算一下：（這就是split-apply-combine步驟了）
    counts <- ddply(bnames2, "name", summarise, n=sum(n))

??把名字按數(shù)量重排一下：

    best<-arrange(counts, desc(n))

??大眾款的名字是：

    head(best)
         name n    1 James 5043259
    2 John 5036828
    3 Robert 4771447
    4 Michael 4226596
    5 Mary 4111514
    6 William 3966170

??稀有版：

     tail(best)
           name n    6777 Delina 4
    6778 Delle 4
    6779 Dema 4
    6780 Dollye 4
    6781 Eithel 4
    6782 Elzada 4