R語言數據處理包dplyr、tidyr筆記

dplyr包是Hadley Wickham的新做，主要用於數據清洗和整理，該包專一dataframe數據格式，從而大幅提升了數據處理速度，而且提供了與其它數據庫的接口；tidyr包的做者是Hadley Wickham， 該包用於「tidy」你的數據，這個包常跟dplyr結合使用。

本文將介紹dplyr包的下述五個函數用法：

• 篩選: filter()
• 排列: arrange()
• 選擇: select()
• 變形: mutate()
• 彙總: summarise()
• 分組: group_by()

以及tidyr包的下述四個函數用法：

• gather—寬數據轉爲長數據；
• spread—長數據轉爲寬數據；
• unit—多列合併爲一列；
• separate—將一列分離爲多列；

　dplyr、tidyr包安裝及載入

install.packages("dplyr")
install.packages("tidyr")

library(dplyr)
library(tidyr)

使用datasets包中的mtcars數據集作演示，首先將過長的數據整理成友好的tbl_df數據：

mtcars_df = tbl_df(mtcars)

dplyr包基本操做

　1.1 篩選: filter()

按給定的邏輯判斷篩選出符合要求的子數據集

filter(mtcars_df,mpg==21,hp==110)

#  A tibble: 2 x 11
    mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1    21     6   160   110   3.9 2.620 16.46     0     1     4     4
2    21     6   160   110   3.9 2.875 17.02     0     1     4     4

　1.2 排列: arrange()

按給定的列名依次對行進行排序：

arrange(mtcars_df, disp) #可對列名加 desc(disp) 進行倒序

# A tibble: 32 x 11
     mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1   33.9     4  71.1    65  4.22 1.835 19.90     1     1     4     1
2   30.4     4  75.7    52  4.93 1.615 18.52     1     1     4     2
3   32.4     4  78.7    66  4.08 2.200 19.47     1     1     4     1
4   27.3     4  79.0    66  4.08 1.935 18.90     1     1     4     1
5   30.4     4  95.1   113  3.77 1.513 16.90     1     1     5     2
6   22.8     4 108.0    93  3.85 2.320 18.61     1     1     4     1
7   21.5     4 120.1    97  3.70 2.465 20.01     1     0     3     1
8   26.0     4 120.3    91  4.43 2.140 16.70     0     1     5     2
9   21.4     4 121.0   109  4.11 2.780 18.60     1     1     4     2
10  22.8     4 140.8    95  3.92 3.150 22.90     1     0     4     2
# ... with 22 more rows

　1.3 選擇: select()

用列名做參數來選擇子數據集:

select(mtcars_df, disp:wt)

# A tibble: 32 x 4
    disp    hp  drat    wt
*  <dbl> <dbl> <dbl> <dbl>
1  160.0   110  3.90 2.620
2  160.0   110  3.90 2.875
3  108.0    93  3.85 2.320
4  258.0   110  3.08 3.215
5  360.0   175  3.15 3.440
6  225.0   105  2.76 3.460
7  360.0   245  3.21 3.570
8  146.7    62  3.69 3.190
9  140.8    95  3.92 3.150
10 167.6   123  3.92 3.440
# ... with 22 more rows

　1.4 變形: mutate()

對已有列進行數據運算並添加爲新列:

mutate(mtcars_df,
  NO = 1:dim(mtcars_df)[1])  

# A tibble: 32 x 12
     mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb    NO
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <int>
1   21.0     6 160.0   110  3.90 2.620 16.46     0     1     4     4     1
2   21.0     6 160.0   110  3.90 2.875 17.02     0     1     4     4     2
3   22.8     4 108.0    93  3.85 2.320 18.61     1     1     4     1     3
4   21.4     6 258.0   110  3.08 3.215 19.44     1     0     3     1     4
5   18.7     8 360.0   175  3.15 3.440 17.02     0     0     3     2     5
6   18.1     6 225.0   105  2.76 3.460 20.22     1     0     3     1     6
7   14.3     8 360.0   245  3.21 3.570 15.84     0     0     3     4     7
8   24.4     4 146.7    62  3.69 3.190 20.00     1     0     4     2     8
9   22.8     4 140.8    95  3.92 3.150 22.90     1     0     4     2     9
10  19.2     6 167.6   123  3.92 3.440 18.30     1     0     4     4    10
# ... with 22 more rows

　1.5 彙總: summarise()

對數據框調用其它函數進行彙總操做, 返回一維的結果:

summarise(mtcars_df, 
    mdisp = mean(disp, na.rm = TRUE))
# A tibble: 1 x 1
     mdisp
     <dbl>
1 230.7219

　1.6 分組: group_by()

當對數據集經過group_by()添加了分組信息後，mutate()，arrange() 和 summarise() 函數會自動對這些 tbl 類數據執行分組操做。

cars <- group_by(mtcars_df, cyl)
countcars <- summarise(cars, count = n()) # count = n()用來計算次數

# A tibble: 3 x 2
    cyl count
  <dbl> <int>
1     4    11
2     6     7
3     8    14

tidyr包基本操做

　2.1 寬轉長：gather()

使用gather()函數實現寬錶轉長表，語法以下：

gather(data, key, value, …, na.rm = FALSE, convert = FALSE)
data：須要被轉換的寬形表
key：將原數據框中的全部列賦給一個新變量key
value：將原數據框中的全部值賦給一個新變量value
…：能夠指定哪些列聚到同一列中
na.rm：是否刪除缺失值

widedata <- data.frame(person=c('Alex','Bob','Cathy'),grade=c(2,3,4),score=c(78,89,88))
widedata
  person grade score
1   Alex     2    78
2    Bob     3    89
3  Cathy     4    88
longdata <- gather(widedata, variable, value,-person)
longdata
  person variable value
1   Alex    grade     2
2    Bob    grade     3
3  Cathy    grade     4
4   Alex    score    78
5    Bob    score    89
6  Cathy    score    88

　2.2 長轉寬：spread()

有時，爲了知足建模或繪圖的要求，每每須要將長形錶轉換爲寬形表，或將寬形表變爲長形表。如何實現這兩種數據表類型的轉換。使用spread()函數實現長錶轉寬表，語法以下：

spread(data, key, value, fill = NA, convert = FALSE, drop = TRUE)
data：爲須要轉換的長形表
key：須要將變量值拓展爲字段的變量
value：須要分散的值
fill：對於缺失值，可將fill的值賦值給被轉型後的缺失值

mtcarsSpread <- mtcarsNew %>% spread(attribute, value)
head(mtcarsSpread)
                 car am carb cyl disp drat gear  hp  mpg  qsec vs    wt
1        AMC Javelin  0    2   8  304 3.15    3 150 15.2 17.30  0 3.435
2 Cadillac Fleetwood  0    4   8  472 2.93    3 205 10.4 17.98  0 5.250
3         Camaro Z28  0    4   8  350 3.73    3 245 13.3 15.41  0 3.840
4  Chrysler Imperial  0    4   8  440 3.23    3 230 14.7 17.42  0 5.345
5         Datsun 710  1    1   4  108 3.85    4  93 22.8 18.61  1 2.320
6   Dodge Challenger  0    2   8  318 2.76    3 150 15.5 16.87  0 3.520

　2.3 合併：unit()

unite的調用格式以下：

unite(data, col, …, sep = 「_」, remove = TRUE)
data：爲數據框
col：被組合的新列名稱
…：指定哪些列須要被組合
sep：組合列之間的鏈接符，默認爲下劃線
remove：是否刪除被組合的列

wideunite<-unite(widedata, information, person, grade, score, sep= "-")
wideunite
  information
1   Alex-2-78
2    Bob-3-89
3  Cathy-4-88

　2.4 拆分：separate()

separate()函數可將一列拆分爲多列，通常可用於日誌數據或日期時間型數據的拆分，語法以下：

separate(data, col, into, sep = 「[^[:alnum:]]+」, remove = TRUE,
convert = FALSE, extra = 「warn」, fill = 「warn」, …)
data：爲數據框
col：須要被拆分的列
into：新建的列名，爲字符串向量
sep：被拆分列的分隔符
remove：是否刪除被分割的列 

widesep <- separate(wideunite, information,c("person","grade","score"), sep = "-")
widesep
  person grade score
1   Alex     2    78
2    Bob     3    89
3  Cathy     4    88

可見separate()函數和unite()函數的功能相反。

反饋與建議

• 做者：ShangFR
• 郵箱：shangfr@foxmail.com