用R的dplyr进行数据转换(一)

在网上找了很久关于数据转换的,都没有找到比较好的。现在为大家整理一下。按照我自己的思路。当然也是为了自己做笔记。

为了方便,大家可以统一安装一个系列的包,这个只需要安装tidyverse这个包就可以,它会安装一系列的数据处理的包,比如ggplot2,dplyr等主力的包。

#安装tidyverse包
install.packages('tidyverse')
#加载这个包
library(tidyverse)

  我现在使用的版本如下:

#需要先安装devtools这个包
> devtools::session_info(c('tidyverse'))
Session info -------------------------------------------------------------------------------
 setting  value                         
 version  R version 3.4.4 (2018-03-15)  
 system   x86_64, mingw32               
 ui       RStudio (1.1.442)             
 language (EN)                          
 collate  Chinese (Simplified)_China.936
 tz       Asia/Taipei                   
 date     2018-04-11                    

Packages -----------------------------------------------------------------------------------
 package      * version   date       source        
 assertthat     0.2.0     2017-04-11 CRAN (R 3.4.4)
 backports      1.1.2     2017-12-13 CRAN (R 3.4.3)
 base64enc      0.1-3     2015-07-28 CRAN (R 3.4.1)
 BH             1.66.0-1  2018-02-13 CRAN (R 3.4.3)
 bindr          0.1.1     2018-03-13 CRAN (R 3.4.4)
 bindrcpp       0.2       2017-06-17 CRAN (R 3.4.4)
 broom          0.4.3     2017-11-20 CRAN (R 3.4.3)
 callr          2.0.2     2018-02-11 CRAN (R 3.4.4)
 cellranger     1.1.0     2016-07-27 CRAN (R 3.4.4)
 cli            1.0.0     2017-11-05 CRAN (R 3.4.4)
 colorspace     1.3-2     2016-12-14 CRAN (R 3.4.4)
 compiler       3.4.4     2018-03-15 local         
 crayon         1.3.4     2017-09-16 CRAN (R 3.4.4)
 curl           3.1       2017-12-12 CRAN (R 3.4.3)
 DBI            0.8       2018-03-02 CRAN (R 3.4.4)
 dbplyr         1.2.1     2018-02-19 CRAN (R 3.4.4)
 debugme        1.1.0     2017-10-22 CRAN (R 3.4.4)
 dichromat      2.0-0     2013-01-24 CRAN (R 3.4.1)
 digest         0.6.15    2018-01-28 CRAN (R 3.4.3)
 dplyr          0.7.4     2017-09-28 CRAN (R 3.4.3)
 evaluate       0.10.1    2017-06-24 CRAN (R 3.4.4)
 forcats        0.3.0     2018-02-19 CRAN (R 3.4.4)
 foreign        0.8-69    2017-06-22 CRAN (R 3.4.4)
 ggplot2        2.2.1     2016-12-30 CRAN (R 3.4.4)
 glue           1.2.0     2017-10-29 CRAN (R 3.4.4)
 graphics     * 3.4.4     2018-03-15 local         
 grDevices    * 3.4.4     2018-03-15 local         
 grid           3.4.4     2018-03-15 local         
 gtable         0.2.0     2016-02-26 CRAN (R 3.4.4)
 haven          1.1.1     2018-01-18 CRAN (R 3.4.4)
 highr          0.6       2016-05-09 CRAN (R 3.4.4)
 hms            0.4.2     2018-03-10 CRAN (R 3.4.4)
 htmltools      0.3.6     2017-04-28 CRAN (R 3.4.4)
 httr           1.3.1     2017-08-20 CRAN (R 3.4.4)
 jsonlite       1.5       2017-06-01 CRAN (R 3.4.4)
 knitr          1.20      2018-02-20 CRAN (R 3.4.4)
 labeling       0.3       2014-08-23 CRAN (R 3.4.1)
 lattice        0.20-35   2017-03-25 CRAN (R 3.4.4)
 lazyeval       0.2.1     2017-10-29 CRAN (R 3.4.4)
 lubridate      1.7.2     2018-02-06 CRAN (R 3.4.3)
 magrittr       1.5       2014-11-22 CRAN (R 3.4.4)
 markdown       0.8       2017-04-20 CRAN (R 3.4.4)
 MASS           7.3-49    2018-02-23 CRAN (R 3.4.4)
 methods      * 3.4.4     2018-03-15 local         
 mime           0.5       2016-07-07 CRAN (R 3.4.1)
 mnormt         1.5-5     2016-10-15 CRAN (R 3.4.1)
 modelr         0.1.1     2017-07-24 CRAN (R 3.4.4)
 munsell        0.4.3     2016-02-13 CRAN (R 3.4.4)
 nlme           3.1-131.1 2018-02-16 CRAN (R 3.4.4)
 openssl        1.0.1     2018-03-03 CRAN (R 3.4.4)
 parallel       3.4.4     2018-03-15 local         
 pillar         1.2.1     2018-02-27 CRAN (R 3.4.4)
 pkgconfig      2.0.1     2017-03-21 CRAN (R 3.4.4)
 plogr          0.2.0     2018-03-25 CRAN (R 3.4.4)
 plyr           1.8.4     2016-06-08 CRAN (R 3.4.4)
 praise         1.0.0     2015-08-11 CRAN (R 3.4.4)
 psych          1.7.8     2017-09-09 CRAN (R 3.4.4)
 purrr          0.2.4     2017-10-18 CRAN (R 3.4.4)
 R6             2.2.2     2017-06-17 CRAN (R 3.4.4)
 RColorBrewer   1.1-2     2014-12-07 CRAN (R 3.4.1)
 Rcpp           0.12.16   2018-03-13 CRAN (R 3.4.4)
 readr          1.1.1     2017-05-16 CRAN (R 3.4.4)
 readxl         1.0.0     2017-04-18 CRAN (R 3.4.4)
 rematch        1.0.1     2016-04-21 CRAN (R 3.4.4)
 reprex         0.1.2     2018-01-26 CRAN (R 3.4.4)
 reshape2       1.4.3     2017-12-11 CRAN (R 3.4.4)
 rlang          0.2.0     2018-02-20 CRAN (R 3.4.4)
 rmarkdown      1.9       2018-03-01 CRAN (R 3.4.4)
 rprojroot      1.3-2     2018-01-03 CRAN (R 3.4.4)
 rstudioapi     0.7       2017-09-07 CRAN (R 3.4.4)
 rvest          0.3.2     2016-06-17 CRAN (R 3.4.4)
 scales         0.5.0     2017-08-24 CRAN (R 3.4.4)
 selectr        0.3-2     2018-03-05 CRAN (R 3.4.4)
 stats        * 3.4.4     2018-03-15 local         
 stringi        1.1.7     2018-03-12 CRAN (R 3.4.4)
 stringr        1.3.0     2018-02-19 CRAN (R 3.4.4)
 testthat       2.0.0     2017-12-13 CRAN (R 3.4.4)
 tibble         1.4.2     2018-01-22 CRAN (R 3.4.4)
 tidyr          0.8.0     2018-01-29 CRAN (R 3.4.4)
 tidyselect     0.2.4     2018-02-26 CRAN (R 3.4.4)
 tidyverse      1.2.1     2017-11-14 CRAN (R 3.4.4)
 tools          3.4.4     2018-03-15 local         
 utf8           1.1.3     2018-01-03 CRAN (R 3.4.4)
 utils        * 3.4.4     2018-03-15 local         
 viridisLite    0.3.0     2018-02-01 CRAN (R 3.4.4)
 whisker        0.3-2     2013-04-28 CRAN (R 3.4.4)
 withr          2.1.2     2018-03-15 CRAN (R 3.4.4)
 xml2           1.2.0     2018-01-24 CRAN (R 3.4.4)
 yaml           2.1.18    2018-03-08 CRAN (R 3.4.4)

  我们选取一个航班的数据集,这个数据在下面这个包里面,也需要安装

#安装这个包
install.packages('nycflights13')
#加载这个包
library(nycflights13)

  查看这个数据集(这个数据集包含2013年从纽约市出发的所有336778架航班)

> flights
# A tibble: 336,776 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl>
 1  2013     1     1      517            515        2.      830            819       11.
 2  2013     1     1      533            529        4.      850            830       20.
 3  2013     1     1      542            540        2.      923            850       33.
 4  2013     1     1      544            545       -1.     1004           1022      -18.
 5  2013     1     1      554            600       -6.      812            837      -25.
 6  2013     1     1      554            558       -4.      740            728       12.
 7  2013     1     1      555            600       -5.      913            854       19.
 8  2013     1     1      557            600       -3.      709            723      -14.
 9  2013     1     1      557            600       -3.      838            846       -8.
10  2013     1     1      558            600       -2.      753            745        8.
# ... with 336,766 more rows, and 10 more variables: carrier <chr>, flight <int>,
#   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
#   minute <dbl>, time_hour <dttm>

  这个数据集其实是tibbles格式的,和R的普通的data.frame格式不一样。但是差不多。在这个列名称的下面会有这列的格式,比如int是整形的,dbl是双精度型的,当然啦,R和别的语言不一样,我觉得不要太关注他们的数据格式,大概知道哪些是连续的、哪些是离散的、哪些是字符型的,当然在特殊的情况下,需要考虑,我们现在就暂时不考虑。

 

好了好了,这些准备的东西就介绍到这吧。进入正题

 dplyr有几个主要的函数。如下:

filter()——这个是按照他的值进行筛选

arrange()——这个就是排序呀!

select()——这个是通过变量名选择变量

mutate()——这个是用现有的变量函数创建新变量

summarize()——这个是将许多值折叠为单个摘要(通常和group_by()函数在一起用,别说是我说的,我就是先透漏一下)

 

filter()函数

> filter(flights,month == 1,day == 1)
# A tibble: 842 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515        2.      830            819
 2  2013     1     1      533            529        4.      850            830
 3  2013     1     1      542            540        2.      923            850
 4  2013     1     1      544            545       -1.     1004           1022
 5  2013     1     1      554            600       -6.      812            837
 6  2013     1     1      554            558       -4.      740            728
 7  2013     1     1      555            600       -5.      913            854
 8  2013     1     1      557            600       -3.      709            723
 9  2013     1     1      557            600       -3.      838            846
10  2013     1     1      558            600       -2.      753            745
# ... with 832 more rows, and 11 more variables: arr_delay <dbl>, carrier <chr>,
#   flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
#   distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

  上面这个意思很明显,就是选择在这数据集中,month等于1且day等于1的行。看吧,很简单吧,这个是生成一个新的数据,不对原来的数据框进行修改。

例如:

> (dec25 <- filter(flights,month == 1,day == 25))
# A tibble: 922 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1    25       15           1815      360.      208           1958
 2  2013     1    25       17           2249       88.      119           2357
 3  2013     1    25       26           1850      336.      225           2055
 4  2013     1    25      123           2000      323.      229           2101
 5  2013     1    25      123           2029      294.      215           2140
 6  2013     1    25      456            500       -4.      632            648
 7  2013     1    25      519            525       -6.      804            820
 8  2013     1    25      527            530       -3.      820            829
 9  2013     1    25      535            540       -5.      826            850
10  2013     1    25      539            540       -1.     1006           1017
# ... with 912 more rows, and 11 more variables: arr_delay <dbl>, carrier <chr>,
#   flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
#   distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

  当然,也可以用一些逻辑符号,只要你逻辑清楚,都可以用,你只要保证你的数据集在filte()函数的最前面的位置,后面尽管添加约束条件。比如你可以这样做:

> filter(flights,month == 11 | month == 12)#这个是选择month等于11和等于12的列
# A tibble: 55,403 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013    11     1        5           2359        6.      352            345
 2  2013    11     1       35           2250      105.      123           2356
 3  2013    11     1      455            500       -5.      641            651
 4  2013    11     1      539            545       -6.      856            827
 5  2013    11     1      542            545       -3.      831            855
 6  2013    11     1      549            600      -11.      912            923
 7  2013    11     1      550            600      -10.      705            659
 8  2013    11     1      554            600       -6.      659            701
 9  2013    11     1      554            600       -6.      826            827
10  2013    11     1      554            600       -6.      749            751
# ... with 55,393 more rows, and 11 more variables: arr_delay <dbl>, carrier <chr>,
#   flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
#   distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>
> (nov_dec <- filter(flights,month %in% c(11,12)))#这个是选择month等于11和12的列 # A tibble: 55,403 x 19 year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time <int> <int> <int> <int> <int> <dbl> <int> <int> 1 2013 11 1 5 2359 6. 352 345 2 2013 11 1 35 2250 105. 123 2356 3 2013 11 1 455 500 -5. 641 651 4 2013 11 1 539 545 -6. 856 827 5 2013 11 1 542 545 -3. 831 855 6 2013 11 1 549 600 -11. 912 923 7 2013 11 1 550 600 -10. 705 659 8 2013 11 1 554 600 -6. 659 701 9 2013 11 1 554 600 -6. 826 827 10 2013 11 1 554 600 -6. 749 751 # ... with 55,393 more rows, and 11 more variables: arr_delay <dbl>, carrier <chr>, # flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, # distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>
> filter(flights,arr_delay <= 120,dep_delay <= 120)#这个可以选择arr_delay小于等于120且dep_delay小于等于120的列 # A tibble: 316,050 x 19 year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time <int> <int> <int> <int> <int> <dbl> <int> <int> 1 2013 1 1 517 515 2. 830 819 2 2013 1 1 533 529 4. 850 830 3 2013 1 1 542 540 2. 923 850 4 2013 1 1 544 545 -1. 1004 1022 5 2013 1 1 554 600 -6. 812 837 6 2013 1 1 554 558 -4. 740 728 7 2013 1 1 555 600 -5. 913 854 8 2013 1 1 557 600 -3. 709 723 9 2013 1 1 557 600 -3. 838 846 10 2013 1 1 558 600 -2. 753 745 # ... with 316,040 more rows, and 11 more variables: arr_delay <dbl>, carrier <chr>, # flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, # distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

  那么遇到了缺失值怎么办,怎么办,怎么办,,,,,,,

我来告诉你,那就是filter()会忽略所有缺失值,你可以看下面这个例子,仔细琢磨一下你就可以发现这个奥秘

> (df <- tibble(x = c(1,NA,3)))#不要惊慌,这个也就相当于构成一个data.frame()数据集,哎呀,差不多。不要怕
# A tibble: 3 x 1
      x
  <dbl>
1    1.
2   NA 
3    3.

> filter(df,x > 1)
# A tibble: 1 x 1
      x
  <dbl>
1    3.

> filter(df,is.na(x) | x > 1)#看我,看这里,有没有发现加上一个is.na(x)就出现缺失值了。厉害吧
# A tibble: 2 x 1
      x
  <dbl>
1   NA 
2    3.

  

今天就先写这么多了,我女朋友找我了,溜了

posted on 2018-04-11 22:03  yuanzhoulvpi  阅读(2445)  评论(0编辑  收藏  举报

导航