R 的 plyr 包

在数据分析中，整理数据的本质可以归纳为：对数据进行分割（Split），然后应用（Apply）某些处理函数，最后将结果重新组合（Combine）成所需的格式返回，简单描述为：Split - Apply - Combine。这个过程可以通过Basic包的apply家族函数来实现，apply家族函数包括了apply、sapply、lapply、tapply、aggregate等，可以应用于数据分析的各个阶段。plyr包是apply家族函数的升级，使用plyr包可以实现：在一个函数内同时完成“Split - Apply - Combine”，并且，plyr包实现R类型（vector, list, data.frame）之间的分组变换，基本上可以取代basic包中的apply家族函数。

plyr包对核心函数的命名采用统一的格式：**ply，所有的函数名都由5个字符组成，且最后三个字符是ply，函数名的第一个字符代表输入数据的类型，第二个字符代表输出数据的类型，R类型的简写是：

• d：data.frame

• l：list

• a：array，vector，matrix

• r：代表replicate

• _：舍弃输出结果

这种统一的命名格式，使得plyr包的函数更容易记忆和使用，但是，plyr包不是预装于R语言中，使用之前，需要加载和引用plyr包：

install.packages("plyr")library(plyr)

一，使用apply家族函数实现分组聚合

在apply家族函数中，函数有适用的数据类型：

• apply函数只能用于矩阵，

• lapply函数能够用于向量和列表（list），其工作原理是把一个函数应用于一个列表中的每个元素上，并且把结果作为列表返回；

• sapply处理列表，返回向量。

• mapply函数，把调用的函数应用到多个列表的每一个元素中。

• tapply函数用于分组聚合运算，在研究数据时，有时需要对数据按照特定的字段进行分组，然后统计各个分组的数据，这就是SQL语法中的分组聚合。

在R语言中，分组聚合可以通过三步实现：拆分-应用-合并（Split-Apply-Combine）。例如，对玩家的游戏成绩进行统计和分析，创建示例数据：

> players_scores <- data.frame(     player=rep(c('Tom','Dick','Jim'),times=c(2,5,3)),     score=round(runif(10,1,100),-1) )

1，分组数据

计算每个玩家的平均得分，首先对玩家分组，需要用到split()函数，按照特定的字段对数据进行分组：

split(x, f, drop = FALSE, ...)

参数注释：

• x：数据框或向量，是被分组的数据；

• f：因子类型，按照f对x进行分组；

函数的返回值是一个列表对象，每一个列表项都是包含分组数据的向量。

例如，split(score,player)函数的作用是按照player字段把数据框中的score拆分成一组，也就是说，player 相同的score是同一个分组，填充到同一个列表项中：

> (scores_by_player <- with(players_scores,split(score,player)))$Dick[1] 70 20 30 70 70$Jim[1] 80 90 50$Tom[1] 80 90

2，应用函数

当数据分割之后，对每个分组计算平均分。使用lapply()函数，对于每个列表项，应用mean()函数，计算单个列表项的平均值，例如：

list_mean_by_player <- lapply(scores_by_player,mean)

3，组合数据

组合数据是为了显示数据，在显示最终的数据时，通常把列表转换为向量。lapply()函数返回的结果是一个列表对象，每一个列表项都是一个向量，因此可以使用unlist()函数，把列表转换为向量，例如：

> unlist(list_mean_by_player)    Dick      Jim      Tom 52.00000 73.33333 85.00000

二，使用plyr包实现分组聚合

在数据分析中，使用Basic包实现”拆分-应用-合并“ 显得十分繁琐，可以使用tapply()函数一次完成所有的三个步骤，一气呵成：

with(players_scores,tapply(score,player,mean))

tapply()函数常用的参数共有三个，第一个参数是：数据框对象或向量，第二个参数是因子列表，也就是分组字段，第三个参数是指对单个分组应用的函数变量：

tapply(X, INDEX, FUN = NULL, ...)

by()函数和aggregate()函数是tapply()函数的包装函数，功能相同，接口稍微不同。

by(data, INDICES, FUN, ..., simplify = TRUE)aggregate(x, by, FUN, ..., simplify = TRUE, drop = TRUE)

三，plyr包的核心函数

plyr包中最常用的函数是ddply()函数，该函数对数据框进行操作，对每一行调用一个函数，并返回数据框类型：

ddply(.data, .variables, .fun = NULL, ...)

参数注释：

• .data：函数处理的数据框；

• .variables：要进行拆分的变量名称，传递变量的格式是： .(col_name)，就是把进行分组的变量名包含在.()中；

• .fun：应用到每行的函数

• ...：传递到fun的其他参数

对于参数fun，有两种赋值方式：

1. 如果使用colwise函数，那么这使ddply函数把参数fun应用于每一列，除了参数variable指定的数据列之外，例如：

ddply(diamonds,.(color),colwise(mean))

2. 使用summarize函数对指定的列执行操作，更为灵活，例如：

> ddply(diamonds,.(color),summarize,avg_price=mean(price),avg_carat=mean(carat))  color avg_price avg_carat1     D  3169.954 0.65779482     E  3076.752 0.6578667
.....

四，each函数

plyr包的each()函数，能够把多个函数整合到一个函数中，每一个函数必须只能返回一个数值：

each(...)

使用each()函数，可以使函数aggregate()同时调用多个函数：

> aggregate(cbind(price,carat)~cut+color,diamonds,each(mean,sum))         cut color