使用dplyr进行数据转换

dplyr包是清洗数据时常用的一个包，因为我的编程深得师兄真传，清洗数据时从不调用函数，用基础的which,sapply,ifelse自己硬写，虽然最后程序乱得惨不忍睹，不过现在回想一下，确实这种方式让基本功打得非常扎实。

这次主要介绍五个函数，他们是dplyr的核心，分别是:

• filter() 按值进行筛选
• arrange() 对行进行排序
• select() 按名称选取变量
• mutate() 使用现有的变量函数创建新变量
• summarize() 将多值总结成一个摘要统计量

灵活调用函数，能让你在清洗数据时节省大量的时间。

一 filter

基于观测值筛选出一个子集。这次我们用nycflights13包中的一个数据集做测试。

library(nycflights13)
flights

• 想筛选12月25号的航班

filter(flights,month=12,day=25)

• 若是筛选对象过多，就用%in%这个函数。如，筛选11月和12月的航班

filter(flights,month %in% c(11,12))

二 arrange

arrange()的工作方式和filter函数非常相似，但是前者不是选择行，而是改变行的排序。有点类似于excel中的排序功能。

• 想把数据框按年，月，日的升序排列

arrange(flights,year,month,day)

• 也可以降序排列

arrange(flights,desc(arr_delay))

三 select

select() 数据集成百上千个变量都是常事，从中快速选出感兴趣的列，就靠这个函数。

• 按名称选列

select(flights,year,month,day)

• 也可以选择year到day之间的所有变量

select(flights,year:day)

• 想将几个变量放在开头，剩下的放在末尾

select(flights,time_hour,air_time,everything())

四 mutate添加新变量

• 在数据集的末尾添加新变量

mutate(flights,gain=arr_delay-dep_delay)

• 如果只想保留新变量，就用transmute

transmute(flights,gain=arr_delay-dep_delay)

五 group_by结合summarize()进行分组运算

先用group_by进行分组，再用summarize()针对分组进行运算，非常好用

• 想对每一天的dep_delay均值进行计算，怎么办？

by_day<-group_by(flights,year,month,day)
summarize(by_day,delay=mean(dep_delay,na.rm=T))

六 最后的最后，用管道函数%>%综合上述所有的函数，就可以写成一个小脚本啦。

delays %>% 
  filter(n>24) %>%
  ggplot(mapping=aes(x=n,y=delay))+
  geom_point(alpha=1/10)