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