数据处理包dplyr的函数

来源:转载

dplyr专注处理dataframe对象, 并提供更稳健的与其它数据库对象间的接口。

一、5个关键的数据处理函数:

select()   返回列的子集

filter()     返回行的子集

arrange()  根据一个或多个变量对行排序。

mutate()  使用已有数据创建新的列

summarise()  对各个群组汇总计算并返回一维结果。

Tips

1select()

Dplyr包有下列辅助函数,用于在select()中选择变量:

starts_with("X"): 以 "X"开头的变量名

ends_with("X"):   以 "X"结束的变量名

contains("X"):      包含 "X"的变量名

matches("X"):      匹配正则表达式“x"的变量名

num_range("x", 1:5):  变量名为 x01, x02, x03, x04 and x05

one_of(x):    出现在字符向量x中的所有变量名

在select()中直接使用列时不需要引用"",但使用上述辅助函数时必须引用""。

2filter()   

R 有一系列逻辑表达式可用于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))

3arrange()  

arrange()默认从小到大排序,在arrange()中使用desc()作用于变量可以使之从大到小排序.

4mutate()  

mutate()允许在同一次调用中使用新变量来创建下一个变量,例如:

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

5 summarise()

R的下列聚合函数可用于 summarise()中

  • min(x) - 最小值.
  • max(x) - 最大值
  • mean(x) - 平均值
  • median(x) - 中位数
  • quantile(x, p) -  x的第P个分位数
  • sd(x) -

    标准差

  • var(x) - 方差
  • IQR(x) - 四分位数
  • diff(range(x)) - x值的范围

dplyr包自身提供了一些有用的聚合函数:

  • first(x) -  向量x中的第1个元素
  • last(x) -  向量x中的最后1个元素
  • nth(x, n) - 向量x中的第n个元素
  • n() -

         data.frame中的行数或  summarise() 描述的观测组的数量

  • n_distinct(x) - 向量x中唯一值的数量


二、管道函数%>%

dplyr包中特有的管道函数%>%,将上一个函数的输出作为下一个函数的输入。

%>%运算符允许从参数列表中提取函数的第一个参数,并放置在%>%前面。

下面两条指令相等:

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

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

 

 三、分组函数group_by()

 对数据集定义群组。然后可对各个群组分别进行汇总统计。

通过 group_by() 添加了分组信息后,mutate(), arrange() 和 summarise() 函数会自动对这些 tbl 类数据执行分组操作。

group_by(dataframe,colnames1,colnames2,…)


四、连接数据(joins

1、6种连接函数如下:

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种属于变形连接(mutating joins),后2种属于过滤连接(filtering joins)。

semi-joins基于第二个数据集的信息来过滤第一个数据集的数据。anti-joins找出合并时哪些行不能匹配第二个数据集

 

2、key值

      R语言的 data frames可在 row.names属性中存储重要信息,虽然不是存储数据的好方式却很常见。如果数据集的主关键字在row.names中,将难以与其他数据集连接。一种解决方法是使用tibble包(tibble:a data frame with class tbl_df)中的rownames_to_column()函数,返回该数据集的副本,并且行名作为一列增加到该数据中。

       library(tibble)

       rownames_to_column(data, var="name")

   

     如果两个数据集有相同的列名,但代表的事物不同,并且by参数不包含这些重复的列名,dplyr会忽略这些列名,并对相同的列名增加.x和 .y来帮助区分列。

     当两个数据集中相同的事物有不同的列名,要完成合并,将by设置为一个命名向量。向量的名字为主数据集中的列名,向量的值为第二个数据集中的列名。例如:

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

      完成连接后保留主数据集中的列名。

 

3、多个数据集的连接

Purrr包中的 reduce()函数对多个数据集重复应用某函数,可用于连接多个数据集,与dplyr的join类函数配合使用,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用于获得数据集的交集、并集和差集。

 

六、组装数据assembling data

使用如下函数:

bind_rows() 

bind_cols() :将多个data frame合成单个data frame

data_frame() : 将一系列列向量组合成data frame

as_data_frame() :将list转换成data frame

 

 

 

分享给朋友:
您可能感兴趣的文章:
随机阅读: