跳到主要内容

R的dplyr包

dplyr是R语言中一个强大的数据操作包，专为数据科学设计。它提供了一组简洁且一致的函数，用于对数据进行筛选、排序、汇总和转换。dplyr的设计目标是让数据操作变得更加直观和高效，特别适合处理大型数据集。

为什么选择dplyr？​

  • 简洁的语法：dplyr的函数命名直观，易于理解和使用。
  • 高效性能：dplyr底层使用C++编写，处理大数据集时速度更快。
  • 管道操作符：结合管道操作符 %>%，可以轻松地将多个操作串联起来，使代码更具可读性。

安装dplyr​

在开始使用dplyr之前，首先需要安装并加载它。你可以通过以下命令安装dplyr：

install.packages("dplyr")

安装完成后，加载dplyr包：

library(dplyr)

dplyr的核心功能​

dplyr提供了五个核心函数，用于处理数据框（data frames）：

  1. filter()：根据条件筛选行。
  2. select()：选择特定的列。
  3. mutate()：创建或修改列。
  4. arrange()：对行进行排序。
  5. summarize()：对数据进行汇总。

1. filter()：筛选行​

filter() 函数用于根据条件筛选数据框中的行。例如，假设我们有一个包含学生成绩的数据框 students，我们可以筛选出成绩大于90的学生：

students <- data.frame(
  name = c("Alice", "Bob", "Charlie"),
  score = c(85, 92, 88)
)

high_scorers <- students %>%
  filter(score > 90)

print(high_scorers)

输出：

   name score
1   Bob    92

2. select()：选择列​

select() 函数用于选择数据框中的特定列。例如，我们可以只选择 name 列：

names_only <- students %>%
  select(name)

print(names_only)

输出：

     name
1   Alice
2     Bob
3 Charlie

3. mutate()：创建或修改列​

mutate() 函数用于创建新列或修改现有列。例如，我们可以添加一个新列 grade，根据分数给出等级：

students_with_grade <- students %>%
  mutate(grade = ifelse(score >= 90, "A", "B"))

print(students_with_grade)

输出：

     name score grade
1   Alice    85     B
2     Bob    92     A
3 Charlie    88     B

4. arrange()：排序​

arrange() 函数用于对数据框的行进行排序。默认情况下，arrange() 会按升序排序。例如，我们可以按分数从低到高排序：

sorted_students <- students %>%
  arrange(score)

print(sorted_students)

输出：

     name score
1   Alice    85
2 Charlie    88
3     Bob    92

5. summarize()：汇总数据​

summarize() 函数用于对数据进行汇总。例如，我们可以计算平均分数：

average_score <- students %>%
  summarize(mean_score = mean(score))

print(average_score)

输出：

  mean_score
1       88.33333

实际案例：分析航班数据​

让我们通过一个实际案例来展示dplyr的强大功能。我们将使用R内置的 nycflights13 数据集，该数据集包含了2013年纽约市三个机场的航班信息。

首先，加载数据集：

library(nycflights13)
data("flights")

案例1：筛选特定日期的航班​

假设我们只想查看1月1日的航班：

jan_1_flights <- flights %>%
  filter(month == 1 & day == 1)

print(jan_1_flights)

案例2：计算每个月的平均延误时间​

我们可以使用 group_by() 和 summarize() 来计算每个月的平均延误时间：

monthly_delay <- flights %>%
  group_by(month) %>%
  summarize(mean_delay = mean(dep_delay, na.rm = TRUE))

print(monthly_delay)

总结​

dplyr是R语言中一个非常强大的数据操作工具，特别适合初学者。通过本文，你已经学习了dplyr的核心功能，包括 filter()、select()、mutate()、arrange() 和 summarize()。我们还通过实际案例展示了如何使用dplyr进行数据分析。

附加资源​

练习​

  1. 使用 filter() 筛选出 flights 数据集中延误时间超过2小时的航班。
  2. 使用 mutate() 创建一个新列 speed，表示航班的飞行速度（距离/时间）。
  3. 使用 summarize() 计算每个航空公司的平均延误时间。
提示

在练习中，尝试使用管道操作符 %>% 将多个操作串联起来，使代码更加简洁和易读。