R語(yǔ)言：數(shù)據(jù)處理包dplyr的函數(shù)

dplyr專(zhuān)注處理dataframe對(duì)象, 并提供更穩(wěn)健的與其它數(shù)據(jù)庫(kù)對(duì)象間的接口。

一、5個(gè)關(guān)鍵的數(shù)據(jù)處理函數(shù)：

select()   返回列的子集
filter()     返回行的子集
arrange()  根據(jù)一個(gè)或多個(gè)變量對(duì)行排序。
mutate()  使用已有數(shù)據(jù)創(chuàng)建新的列
summarise()  對(duì)各個(gè)群組匯總計(jì)算并返回一維結(jié)果。

Tips：

1、select()

Dplyr包有下列輔助函數(shù)，用于在select()中選擇變量：

starts_with("X"): 以 "X"開(kāi)頭的變量名
ends_with("X"):   以 "X"結(jié)束的變量名
contains("X"):      包含 "X"的變量名
matches("X"):      匹配正則表達(dá)式“x"的變量名
num_range("x", 1:5):  變量名為 x01, x02, x03, x04 and x05
one_of(x):    出現(xiàn)在字符向量x中的所有變量名

在select()中直接使用列時(shí)不需要引用""，但使用上述輔助函數(shù)時(shí)必須引用""。

2、filter()   

R 有一系列邏輯表達(dá)式可用于filter()中：

x < y；x <= y；x == y；x != y；x >= y；x > y；x %in% c(a, b, c)

示例：

filter(df, a > 0, b > 0)

filter(df, !is.na(x))
3、arrange()  
arrange()默認(rèn)從小到大排序，在arrange()中使用desc()作用于變量可以使之從大到小排序.

4、mutate()  

mutate()允許在同一次調(diào)用中使用新變量來(lái)創(chuàng)建下一個(gè)變量，例如：

mutate(my_df, x = a + b, y = x + c)

5、 summarise（）

R的下列聚合函數(shù)可用于 summarise()中

min(x) - 最小值.

max(x) - 最大值

mean(x) - 平均值

median(x) - 中位數(shù)

quantile(x, p) -  x的第P個(gè)分位數(shù)

sd(x) - 標(biāo)準(zhǔn)差

var(x) - 方差

IQR(x) - 四分位數(shù)

diff(range(x)) - x值的范圍

dplyr包自身提供了一些有用的聚合函數(shù)：

first(x) -  向量x中的第1個(gè)元素

last(x) -  向量x中的最后1個(gè)元素

nth(x, n) - 向量x中的第n個(gè)元素

n() -      data.frame中的行數(shù)或  summarise() 描述的觀(guān)測(cè)組的數(shù)量

n_distinct(x) - 向量x中唯一值的數(shù)量

二、管道函數(shù)%>%

dplyr包中特有的管道函數(shù)%>%，將上一個(gè)函數(shù)的輸出作為下一個(gè)函數(shù)的輸入。

%>%運(yùn)算符允許從參數(shù)列表中提取函數(shù)的第一個(gè)參數(shù)，并放置在%>%前面。

下面兩條指令相等：

mean(c(1, 2, 3, NA), na.rm = TRUE)

c(1, 2, 3, NA) %>% mean(na.rm = TRUE)

三、分組函數(shù)group_by()

對(duì)數(shù)據(jù)集定義群組。然后可對(duì)各個(gè)群組分別進(jìn)行匯總統(tǒng)計(jì)。

通過(guò) group_by() 添加了分組信息后,mutate(), arrange() 和 summarise() 函數(shù)會(huì)自動(dòng)對(duì)這些 tbl 類(lèi)數(shù)據(jù)執(zhí)行分組操作。

group_by(dataframe,colnames1,colnames2,…)

四、連接數(shù)據(jù)（joins）

1、6種連接函數(shù)如下：
left_join(dataset1,dataset2)
right_join(dataset1,dataset2)

inner_join(dataset1,dataset2,by=c(“”))

full_join(dataset1,dataset2, by = c("first", "last"))

semi_join(dataset1,dataset2, by = c("first", "last"))

anti_join(dataset1,dataset2, by = c("first", "last"))

前4種屬于變形連接（mutating joins），后2種屬于過(guò)濾連接（filtering joins）。

semi-joins基于第二個(gè)數(shù)據(jù)集的信息來(lái)過(guò)濾第一個(gè)數(shù)據(jù)集的數(shù)據(jù)。anti-joins找出合并時(shí)哪些行不能匹配第二個(gè)數(shù)據(jù)集

2、key值

R語(yǔ)言的 data frames可在 row.names屬性中存儲(chǔ)重要信息，雖然不是存儲(chǔ)數(shù)據(jù)的好方式卻很常見(jiàn)。如果數(shù)據(jù)集的主關(guān)鍵字在row.names中，將難以與其他數(shù)據(jù)集連接。一種解決方法是使用tibble包（tibble：a data frame with class tbl_df)中的rownames_to_column()函數(shù)，返回該數(shù)據(jù)集的副本，并且行名作為一列增加到該數(shù)據(jù)中。

library(tibble)

rownames_to_column(data, var="name")

如果兩個(gè)數(shù)據(jù)集有相同的列名，但代表的事物不同，并且by參數(shù)不包含這些重復(fù)的列名，dplyr會(huì)忽略這些列名，并對(duì)相同的列名增加.x和 .y來(lái)幫助區(qū)分列。

當(dāng)兩個(gè)數(shù)據(jù)集中相同的事物有不同的列名，要完成合并，將by設(shè)置為一個(gè)命名向量。向量的名字為主數(shù)據(jù)集中的列名，向量的值為第二個(gè)數(shù)據(jù)集中的列名。例如：

x %>% left_join(y, by = c("x.name" = "y.name"))

完成連接后保留主數(shù)據(jù)集中的列名。

3、多個(gè)數(shù)據(jù)集的連接

Purrr包中的 reduce()函數(shù)對(duì)多個(gè)數(shù)據(jù)集重復(fù)應(yīng)用某函數(shù)，可用于連接多個(gè)數(shù)據(jù)集，與dplyr的join類(lèi)函數(shù)配合使用，例如：
library(purrr)
list(data1,data2,data3) %>% reduce(left_join,by = c("first", "last"))

五、集合操作（set operations）

dplyr提供了intersection、union和setdiff用于獲得數(shù)據(jù)集的交集、并集和差集。

六、組裝數(shù)據(jù)assembling data

使用如下函數(shù)：

bind_rows() 

bind_cols() ：將多個(gè)data frame合成單個(gè)data frame

data_frame() : 將一系列列向量組合成data frame

as_data_frame() :將list轉(zhuǎn)換成data frame