R语言扩展包dplyr——数据清洗和整理

 

R语言扩展包dplyr——数据清洗和整理

标签: 数据R语言数据清洗数据整理
 分类:

该包主要用于数据清洗和整理,coursera课程链接:Getting and Cleaning Data

也可以载入swirl包,加载课Getting and Cleaning Data跟着学习。

如下:

 

[html] view plain copy
 
  1. library(swirl)  
  2. install_from_swirl("Getting and Cleaning Data")  
  3. swirl()  

 

此文主要是参考R自带的简介:Introduce to dplyr

1、示范数据

 

[html] view plain copy
 
  1. > library(nycflights13)  
  2. > dim(flights)  
  3. [1] 336776     16  
  4. > head(flights, 3)  
  5. Source: local data frame [3 x 16]  
  6.   
  7.   year month day dep_time dep_delay arr_time arr_delay carrier tailnum flight origin dest air_time  
  8. 1 2013     1   1      517         2      830        11      UA  N14228   1545    EWR  IAH      227  
  9. 2 2013     1   1      533         4      850        20      UA  N24211   1714    LGA  IAH      227  
  10. 3 2013     1   1      542         2      923        33      AA  N619AA   1141    JFK  MIA      160  
  11. Variables not shown: distance (dbl), hour (dbl), minute (dbl)  

2、将过长的数据整理成友好的tbl_df数据

 

 

[html] view plain copy
 
  1. > flights_df <- tbl_df(flights)  
  2. > flights_df  

 

 

3、筛选filter()

 

[html] view plain copy
 
  1. > filter(flights_df, month == 1, day == 1)  
  2. Source: local data frame [842 x 16]  
  3.   
  4.    year month day dep_time dep_delay arr_time arr_delay carrier tailnum flight origin dest air_time  
  5. 1  2013     1   1      517         2      830        11      UA  N14228   1545    EWR  IAH      227  
  6. 2  2013     1   1      533         4      850        20      UA  N24211   1714    LGA  IAH      227  
筛选出month=1和day=1的数据

 

同样效果的,

 

[html] view plain copy
 
  1. flights_df[flights_df$month == 1 & flights_df$day == 1, ]  

4、选出几行数据slice()

 

 

[html] view plain copy
 
  1. slice(flights_df, 1:10)  

5、排列arrange()

 

 

[html] view plain copy
 
  1. >arrange(flights_df, year, month, day)  
将flights_df数据按照year,month,day的升序排列。

 

降序

 

[html] view plain copy
 
  1. >arrange(flights_df, year, desc(month), day)  
R语言当中的自带函数

 

 

[html] view plain copy
 
  1. flights_df[order(flights$year, flights_df$month, flights_df$day), ]  
  2. flights_df[order(desc(flights_df$arr_delay)), ]  

 

 

6、选择select()

通过列名来选择所要的数据

[html] view plain copy
 
  1. select(flights_df, year, month, day)  
选出三列数据
使用:符号
[html] view plain copy
 
  1. select(flights_df, year:day)  
使用-来删除不要的列表

 

 

[html] view plain copy
 
  1. select(flights_df, -(year:day))  

7、变形mutate()

 

产生新的列

 

[html] view plain copy
 
  1. > mutate(flights_df,  
  2. +        gain = arr_delay - dep_delay,  
  3. +        speed = distance / air_time * 60)  

 

 

8、汇总summarize()
[html] view plain copy
 
  1. <pre name="code" class="html">> summarise(flights,  
  2. +           delay = mean(dep_delay, na.rm = TRUE)  

求dep_delay的均值

 

 

9、随机选出样本

 

[html] view plain copy
 
  1. sample_n(flights_df, 10)  
随机选出10个样本
[html] view plain copy
 
  1. sample_frac(flights_df, 0.01)  
随机选出1%个样本

 

10、分组group_py()

 

[html] view plain copy
 
  1. by_tailnum <- group_by(flights, tailnum)  
  2. #确定组别为tailnum,赋值为by_tailnum  
  3. delay <- summarise(by_tailnum,  
  4.                    count = n(),  
  5.                    dist = mean(distance, na.rm = TRUE),  
  6.                    delay = mean(arr_delay, na.rm = TRUE))  
  7. #汇总flights里地tailnum组的分类数量,及其组别对应的distance和arr_delay的均值  
  8. delay <- filter(delay, count > 20, dist 2000)  
  9. ggplot(delay, aes(dist, delay)) +  
  10.     geom_point(aes(size = count), alpha = 1/2) +  
  11.     geom_smooth() +  
  12.     scale_size_area()  


 

 

结果都需要通过赋值存储

 

[html] view plain copy
 
  1. a1 <- group_by(flights, year, month, day)  
  2. a2 <- select(a1, arr_delay, dep_delay)  
  3. a3 <- summarise(a2,  
  4.   arr = mean(arr_delay, na.rm = TRUE),  
  5.   dep = mean(dep_delay, na.rm = TRUE))  
  6. a4 <- filter(a3, arr > 30 | dep > 30)  

11、引入链接符%>%

 

使用时把数据名作为开头,然后依次对数据进行多步操作:

 

[html] view plain copy
 
  1. flights %>%  
  2.     group_by(year, month, day) %>%  
  3.     select(arr_delay, dep_delay) %>%  
  4.     summarise(  
  5.         arr = mean(arr_delay, na.rm = TRUE),  
  6.         dep = mean(dep_delay, na.rm = TRUE)  
  7.     ) %>%  
  8.     filter(arr > 30 | dep > 30)  
前面都免去了数据名

 

 

若想要进行更多地了解这个包,可以参考其自带的说明书(60页):dplyr

posted @ 2017-04-07 10:49  holy_black_cat  阅读(1845)  评论(0编辑  收藏  举报