【译文】利用dplyr包进行数据操作

发表: 2017-03-23 浏览: 1955

R语言

Clipboard Image.png

dplyr是R中用来进行数据操作的一个包，由Hadley Wickham(男神！)编写维护。它提供了一些功能强大，易于使用的函数，这些函数对于数据探索分析和数据操作而言非常实用。在本文中我将对这些常用函数做一个基本的概述。

我将使用包中自带的空气质量数据集做示例。这个数据集包含了纽约从1973年5月到1973年9月的空气质量测量数据。

该数据集前几行是这样的：

head(airquality)



  Ozone Solar.R Wind Temp Month Day

1    41     190  7.4   67     5   1

2    36     118  8.0   72     5   2

3    12     149 12.6   74     5   3

4    18     313 11.5   62     5   4

5    NA      NA 14.3   56     5   5

6    28      NA 14.9   66     5   6

在介绍函数之前，先让我们加载两个包

library(datasets)

library(dplyr)

准备完毕，来看看函数吧！

Filter

filter()函数会返回满足设定条件的观测数据(行)，举个例子，我们可以用如下方法返回Temp变量值大于70的观测：

filter(airquality, Temp > 70)



  Ozone Solar.R Wind Temp Month Day

1    36     118  8.0   72     5   2

2    12     149 12.6   74     5   3

3     7      NA  6.9   74     5  11

4    11     320 16.6   73     5  22

5    45     252 14.9   81     5  29

6   115     223  5.7   79     5  30

...

也可以设置多个过滤条件。下方的例子会返回Temp大于80并且Month大于5的子集。

filter(airquality, Temp > 80 & Month > 5)



   Ozone Solar.R Wind Temp Month Day

1     NA     186  9.2   84     6   4

2     NA     220  8.6   85     6   5

3     29     127  9.7   82     6   7

4     NA     273  6.9   87     6   8

5     71     291 13.8   90     6   9

6     39     323 11.5   87     6  10

...

Mutate()

Mutate()函数可以给数据集添加新变量。比如，可以在表中添加新的一列，记录用摄氏度表示的温度数据。

mutate(airquality, TempInC = (Temp - 32) * 5 / 9)



  Ozone Solar.R Wind Temp Month Day  TempInC

1    41     190  7.4   67     5   1 19.44444

2    36     118  8.0   72     5   2 22.22222

3    12     149 12.6   74     5   3 23.33333

4    18     313 11.5   62     5   4 16.66667

5    NA      NA 14.3   56     5   5 13.33333

...

Summarise

summarise()是用来将多个变量总结成单个变量的函数。将它和dplyr包中的其他函数组合使用可谓威力无穷。如下所示，na.rm=TRUE设置会在计算均值时剔除所有NA的观测，防止返回异常结果。

summarise(airquality, mean(Temp, na.rm = TRUE))



  mean(Temp)

1   77.88235

Group By

group_by()函数可以把数据集根据一个或多个变量进行分组。比如可以根据月份把数据分组，并用summarise()函数计算每个组的温度均值。

summarise(group_by(airquality, Month), mean(Temp, na.rm = TRUE))



  Month mean(Temp)

1     5   65.54839

2     6   79.10000

3     7   83.90323

4     8   83.96774

5     9   76.90000

Sample

sample()函数可以从表格中随机抽取一定数量的行（观测）。下述第一行代码从数据集中随机抽取了10行，第二行代码随机抽取了15行（153个观测的10%）。

sample_n(airquality, size = 10)

sample_frac(airquality, size = 0.1)

Count

count()函数会在数据分好组的基础上进行计数。这个函数功能和base包的table()有些类似。例子如下：

count(airquality, Month)



  Month  n

1     5 31

2     6 30

3     7 31

4     8 31

5     9 30

输出结果表示，5月份有31个观测，6月有30个观测，等等。

Arrange

arrange()函数可以按照变量值对观测进行排序。当前情况下，空气质量数据集是按照月份（Month）进行排序，每个月的数据在按照日期（Day）排序。我们可以用arrange函数将数据集按照月份降序排列，再逐月按照日期升序排列。

arrange(airquality, desc(Month), Day)



  Ozone Solar.R Wind Temp Month Day

1    96     167  6.9   91     9   1

2    78     197  5.1   92     9   2

3    73     183  2.8   93     9   3

4    91     189  4.6   93     9   4

5    47      95  7.4   87     9   5

6    32      92 15.5   84     9   6

Pipe(管道操作符)

R中的管道操作符为%>%，这个符号可以把一系列操作函数链接起来。（译者注：管道操作符%>%会将不同指令连接起来。%>%符号会把左边的输出传递到右边的函数，作为右侧函数的第一个参数。）当你对一个数据集进行连续操作时利用管道操作符非常有用，它可以让你不用逐步记录每一次操作的输出。

举个例子，如果我们想要移除数据集中5月份的观测，并将观测按月份排序，再机选每个月的平均温度。传统的方法可能要把代码写成这样：

filteredData <- filter(airquality, Month != 5)

groupedData <- group_by(filteredData, Month)

summarise(groupedData, mean(Temp, na.rm = TRUE))

利用管道操作符，上述代码可以重写为：

airquality %>% 

    filter(Month != 5) %>% 

    group_by(Month) %>% 

    summarise(mean(Temp, na.rm = TRUE))

【译文】利用dplyr包进行数据操作

dplyr是R中用来进行数据操作的一个包，由Hadley Wickham(男神！)编写维护。它提供了一些功能强大，易于使用的函数，这些函数对于数据探索分析和数据操作而言非常实用。在本文中我将对这些常用函数做一个基本的概述。

我将使用包中自带的空气质量数据集做示例。这个数据集包含了纽约从1973年5月到1973年9月的空气质量测量数据。

该数据集前几行是这样的：

在介绍函数之前，先让我们加载两个包

准备完毕，来看看函数吧！

Filter

filter()函数会返回满足设定条件的观测数据(行)，举个例子，我们可以用如下方法返回Temp变量值大于70的观测：

也可以设置多个过滤条件。下方的例子会返回Temp大于80并且Month大于5的子集。

Mutate()

Mutate()函数可以给数据集添加新变量。比如，可以在表中添加新的一列，记录用摄氏度表示的温度数据。

Summarise

summarise()是用来将多个变量总结成单个变量的函数。将它和dplyr包中的其他函数组合使用可谓威力无穷。如下所示，na.rm=TRUE设置会在计算均值时剔除所有NA的观测，防止返回异常结果。

Group By

group_by()函数可以把数据集根据一个或多个变量进行分组。比如可以根据月份把数据分组，并用summarise()函数计算每个组的温度均值。

Sample

sample()函数可以从表格中随机抽取一定数量的行（观测）。下述第一行代码从数据集中随机抽取了10行，第二行代码随机抽取了15行（153个观测的10%）。

Count

count()函数会在数据分好组的基础上进行计数。这个函数功能和base包的table()有些类似。例子如下：

输出结果表示，5月份有31个观测，6月有30个观测，等等。

Arrange

arrange()函数可以按照变量值对观测进行排序。当前情况下，空气质量数据集是按照月份（Month）进行排序，每个月的数据在按照日期（Day）排序。我们可以用arrange函数将数据集按照月份降序排列，再逐月按照日期升序排列。

Pipe(管道操作符)

举个例子，如果我们想要移除数据集中5月份的观测，并将观测按月份排序，再机选每个月的平均温度。传统的方法可能要把代码写成这样：

利用管道操作符，上述代码可以重写为：

这是一个非常基础的例子，管道操作的便利性可能无法体现。但只要对于数据的操作数越来越多，管道操作的优势将会逐步体现。

到这里本文就要结束了。我希望你们能享受阅读的过程，并且认为dplyr包真的实用。

注:原文刊载于datascience+网站

链接:Data Manipulation with dplyr

0 个评论