1、背景简介
在数据分析工作中,经常需要对原始的数据集进行清洗、整理以及变换。常用的数据整理与变换工作主要包括:特定分析变量的选取、满足条件的数据记录的筛选、按某一个或几个变量排序、对原始变量进行加工处理并生成新的变量、对数据进行汇总以及分组汇总,比如计算各组的平均值等。
其实,上述的数据处理与变换工作在任何一种SQL语言(如Oracle,MySQL)中都非常容易处理,但是R语言作为一门编程语言,如何高效地完成上述类似SQL语言的数据处理功能?本文介绍的R语言dplyr
包正是这方面工作的有力武器之一。
dplyr
包是 Hadley Wickham (ggplot2
包的作者,被称作“一个改变R的人”)的杰作, 并自称 a grammar of data manipulation, 他将原本plyr
包中的ddply()
等函数进一步分离强化,专注接受dataframe
对象, 大幅提高了速度, 并且提供了更稳健的与其它数据库对象间的接口。
本文试图对该dplyr
包的一些基础且常用的功能做简要介绍。主要包括:
- 变量筛选函数
select
- 记录筛选函数
filter
- 排序函数
arrange
- 变形(计算)函数
mutate
- 汇总函数
summarize
- 分组函数
group_by
- 多步操作连接符
%>%
- 随机抽样函数
sample_n
,sample_frac
2、dplyr
包使用介绍
2.1 dplyr
包的安装加载与示例数据准备
安装dplyr
包。
install.packages("dplyr")
library(dplyr)
安装hflights
包,该软件包中的飞机航班数据将用于本文中dplyr
包各个函数的演示。
install.packages("hflights")
library(hflights)
通过以下代码,简单了解示例数据集hflights
。
class(hflights);dim(hflights)
head(hflights)
输出结果如下:
hflights
是一个data.frame类型的对象,包含227496条数据记录、21个变量,head
函数展示了前6条数据记录。
在利用dplyr
包处理数据之前,需要将数据装载成dplyr
包的一个特定对象类型(data frame tbl / tbl_df),也称作 tibble 类型,可以用 tbl_df
函数将数据框类型的数据装载成 tibble 类型的数据对象。
packageVersion("dplyr")
tbl_hflights<-tbl_df(hflights)
class(tbl_hflights)
tbl_hflights
输出结果如下:可以看到,将hflights转换成tbl_df类型后,R语言打印数据集tbl_hflights的数据时,仅打印了适合屏幕宽度的数据,屏幕显示不下的剩余两个变量的数据(CancellationCode , Diverted )并没有打印出来,这使得屏幕上打印出来的数据可读性更强,也更美观。此外,还在每一列变量名称的下面显示了变量的类型。
04.png==p.s. 可以用packageVersion
函数查看dplyr
包的版本==
2.2 变量筛选select
select
函数可以通过指定列名选择指定的变量进行分析。
# 选择制定的变量
select(tbl_hflights,Year,Month,DayofMonth,FlightNum,Distance)
# 用类似于生成数字序列的方式选择变量
# 选择Year开始一直到ArrTime结束的所有变量
3:10
select(tbl_hflights,Year:ArrTime)
# 也可以按照倒过来的顺序选择
select(tbl_hflights,ArrTime:Year)
# 除了选择变量,也可以删除指定的变量
select(tbl_hflights,-Year,-Month,-DayofMonth,-FlightNum,-Distance)
select(tbl_hflights,-(Year:ArrTime))
05.png
06.png
07.png
08.png
09.png
2.3 数据记录筛选filter
filter
函数按照指定的条件筛选符合条件中逻辑判断要求的数据记录,类似于SQL语句中的where
语句中的筛选条件。
# 选择2011年1月而且起飞时间为1400的所有数据记录
filter(tbl_hflights,Year == 2011, Month == 1, DepTime == 1400)
# '且'的关系也可以用&符号表示,也就是列出的所有条件同时满足
filter(tbl_hflights,Year == 2011 & Month == 1 & DepTime == 1400)
# 选择起飞时间在1400之前的航班
filter(tbl_hflights,Year == 2011 & Month == 1 & DepTime <= 1400)
# '或'的关系用|符号表示。选择起飞时间为1400或者1430的航班,且UniqueCarrier为'AA'
filter(tbl_hflights,Year == 2011 & Month == 1 & (DepTime == 1400 | DepTime == 1430) & UniqueCarrier == 'AA')
上述R语句输出结果如下:
10.png
11.png
12.png
13.png
2.4 数据排序arrange
arrange
函数按给定的列名进行排序,默认为升序排列,也可以对列名加desc()
进行降序排序。
tbl_hflights1<-select(filter(tbl_hflights,Year == 2011 & Month == 1 & DepTime == 1400),Year:ArrTime,AirTime)
# 将数据按照ArrTime升序排序
arrange(tbl_hflights1,ArrTime)
# 将数据先按照AirTime降序,再按照ArrTime升序排列
arrange(tbl_hflights1,desc(AirTime),ArrTime)
上述R语句输出结果如下:
14.png15.png
2.5 变量变换/重构mutate
mutate
函数可以基于原始变量重新计算得到新的变量,在做数据分析预处理的时候经常会用到该功能。
# 由ArrTime-DepTime得到航班的飞行所用时长,并存储在DurTime变量中
# 飞行所用时长(单位:分钟)的计算方式为:小时数*60+分钟数
# 同时将飞行的分钟数,换算成秒。
# 优势在于可以在同一语句中对刚增加的列进行操作。
tbl_hflights2<-mutate(tbl_hflights1,
DurTime = (as.numeric(substr(ArrTime,1,2)) - as.numeric(substr(DepTime,1,2)))*60 + as.numeric(substr(ArrTime,3,4)) ,
Dur_Time1 = DurTime * 60)
tbl_hflights2
上述R语句输出结果如下:
16.png2.6 数据汇总summarize
summarize
函数实现对数据的汇总,比如求和、计算平均值等。
# 计算航班平均飞行时长
summarize(tbl_hflights2,avg_dur = mean(DurTime),sum_air = sum(AirTime))
上述R语句输出结果如下:
18.png
2.7 数据分组group_by
group_by
函数实现对数据进行分组,结合summarize
函数,可以对分组数据进行汇总统计。
# 按照航空公司分组进行汇总
summarise(group_by(tbl_hflights, UniqueCarrier),
m = mean(AirTime,na.rm = TRUE),
sd = sd(AirTime,na.rm = TRUE),
cnt = n(),
me = median(AirTime,na.rm = TRUE))
上述R语句输出结果如下:
19.png2.8 多步操作连接符%>%
dplyr
包里还新引进了一个操作符,%>%
, 使用时把数据集名作为开头, 然后依次对此数据进行多步操作。
这种运算符的编写方式使得编程者可以按数据处理时的思路写代码, 一步一步操作不断叠加,在程序上就可以非常清晰的体现数据处理的步骤与背后的逻辑。
# 对数据进行分布处理:分组-汇总-排序-打印
tbl_hflights %>%
group_by(UniqueCarrier) %>%
summarize(m = mean(AirTime,na.rm = TRUE), sd = sd(AirTime,na.rm = TRUE)) %>%
arrange(desc(m),sd) %>%
head(10)
上述R语句输出结果如下:
20.png2.9 挑选随机样本sample_n, sample_frac
sample_n
随机选出指定个数(样本容量)的样本数;sample_frac
随机选出指定百分比(占整个数据集总体百分比)的样本数。
# 随机抽取10个样本
sample_n(tbl_hflights,10)
# 随机抽取10%的样本
tbl_hflights %>%
sample_frac(0.1) %>%
select(Year:UniqueCarrier) %>%
group_by(UniqueCarrier) %>%
summarize(m = mean(ArrTime,na.rm = TRUE), cnt = n()) %>%
arrange(desc(m))
上述R语句输出结果如下:
21.png22.png
3、参考文献与其他学习资料
3.1 dplyr
包中自带的参考资料查看
可以通过如下名称查看dplyr
包中自带的参考资料。
# 查看自带的参考资料
vignette(package = "dplyr")
vignette("introduction", package = "dplyr")
23.png
24.png
3.2 本文写作用到的参考链接
R语言扩展包dplyr笔记
R语言扩展包dplyr——数据清洗和整理
网友评论