【译文】利用dplyr包进行数据操作
Vivian27C
9年前
<p> </p> <h2>【译文】利用dplyr包进行数据操作</h2> <h3>作者 Teja Kodali</h3> <h3>译者 钱亦欣</h3> <p>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。</p> <p>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。</p> <h3>该数据集前几行是这样的：</h3> <pre> 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 </pre> <h3>在介绍函数之前，先让我们加载两个包</h3> <pre> library(datasets) library(dplyr) </pre> <h3>准备完毕，来看看函数吧！</h3> <h2>Filter</h2> <p>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：</p> <pre> 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 ... </pre> <h3>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。</h3> <pre> 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 ... </pre> <h2>Mutate()</h2> <p>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。</p> <pre> 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 ... </pre> <h2>Summarise</h2> <p>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。</p> <pre> summarise(airquality, mean(Temp, na.rm = TRUE)) mean(Temp) 1 77.88235 </pre> <h2>Group By</h2> <p>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。</p> <pre> 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 </pre> <h2>Sample</h2> <p>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%）。</p> <pre> sample_n(airquality, size = 10) sample_frac(airquality, size = 0.1) </pre> <h2>Count</h2> <h3>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：</h3> <pre> count(airquality, Month) Month n 1 5 31 2 6 30 3 7 31 4 8 31 5 9 30 </pre> <h3>输出结果表示，5月份有31个观测，6月有30个观测，等等。</h3> <h2>Arrange</h2> <p>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。</p> <pre> 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 </pre> <h2>Pipe(管道操作符)</h2> <p>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。</p> <p>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：</p> <pre> filteredData <- filter(airquality, Month != 5) groupedData <- group_by(filteredData, Month) summarise(groupedData, mean(Temp, na.rm = TRUE)) </pre> <h3>利用管道操作符，上述代码可以重写为：</h3> <pre> airquality %>% filter(Month != 5) %>% group_by(Month) %>% summarise(mean(Temp, na.rm = TRUE)) </pre> <p>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。</p> <p>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。如果你有任何问题，请在下方自由留言或访问我的 <a href="/misc/goto?guid=4959670877945237554" rel="nofollow,noindex">推特</a> 。</p> <h3>注:原文刊载于datascience+网站</h3> <h3>链接: <a href="/misc/goto?guid=4959670878033761968" rel="nofollow,noindex">http://datascienceplus.com/data-manipulation-with-dplyr/</a></h3> <p>来自： <a href="/misc/goto?guid=4959670878112245879" rel="nofollow">http://www.ituring.com.cn/article/214094</a></p>