作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

有没有一些时候你想要给表格加一个新的列？本章将会介绍如何在表格中创建新的字段。但是首先我们要知道为什么要什么做，下面是可能的一些情况：

• 有时候需要构造一列全部是0或1的数列，或者是给每一个记录赋予一个不同的ID；

• 购物数据中，含有单价和数量，需要计算交易额，然后加入到表格中；

• 我们数据中有年月日的数据，我们需要把它们拼接成一个字符格式，比如,2018年10月10日，我们需要表示为20181010或者2018/10/10；

在tidyverse中，我们可以用mutate函数给表格增加新的一列。下面将会分节介绍，首先载入我们需要的数据和包：

1library(tidyverse)2library(nycflights1

添加常数列

这里举一个简单的例子，用iris数据集，增加一个完全为0的新列，我们会限制输出列为前六行，以免输出内容过多。

 1iris %>% 2  mutate(zeros = 0) %>% 3  head 4##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species zeros 5## 1          5.1         3.5          1.4         0.2  setosa     0 6## 2          4.9         3.0          1.4         0.2  setosa     0 7## 3          4.7         3.2          1.3         0.2  setosa     0 8## 4          4.6         3.1          1.5         0.2  setosa     0 9## 5          5.0         3.6          1.4         0.2  setosa     010## 6          5.4         3.9          1.7         0.4  setosa     0

可以看到我们已经新增了一列，名字叫做zeros，里面的值全部是0。 SQL代码如下：

1 SELECT `Sepal.Length`, `Sepal.Width`, `Petal.Length`, `Petal.Width`, `Species`, 0.0 AS `zeros`2FROM `iris`

算数运算

本例会用到flights数据，这个表中包含了航班的起飞时间(dep_time)和到达时间(arr_time)，如果需要知道中间经理了多长时间，我们需要将两者相减。我们会先把两列取出来，然后再构造新的列：

 1flights %>% 2  select(dep_time,arr_time) %>% 3  mutate(time = arr_time - dep_time) 4## # A tibble: 336,776 x 3 5##    dep_time arr_time  time 6##             7##  1      517      830   313 8##  2      533      850   317 9##  3      542      923   38110##  4      544     1004   46011##  5      554      812   25812##  6      554      740   18613##  7      555      913   35814##  8      557      709   15215##  9      557      838   28116## 10      558      753   19517## # ... with 336,766 more rows

这样一来我们就把飞行时间储存在time列中。事实上我们还可以这么表达：

 1flights %>% 2  transmute(dep_time,arr_time,time = arr_time - dep_time) 3## # A tibble: 336,776 x 3 4##    dep_time arr_time  time 5##             6##  1      517      830   313 7##  2      533      850   317 8##  3      542      923   381 9##  4      544     1004   46010##  5      554      812   25811##  6      554      740   18612##  7      555      913   35813##  8      557      709   15214##  9      557      838   28115## 10      558      753   19516## # ... with 336,766 more rows

得到结果与上面一致。transmute函数的特点就是，不会保存数据表中原有的列，自动完成了select的功能。SQL代码如下：

1 SELECT `dep_time`, `arr_time`, `arr_time` - `dep_time` AS `time`2FROM (SELECT `dep_time`, `arr_time`3FROM `flights`)

文本的拼接与拆分

这个例子中，我们来看flights数据，它包含了年(year)、月(month)、日(day)、起始点(origin)、终点(dest)的数据列，首先我们把这些列取出来存放到新的变量中，并进行观察：

 1flights %>% 2  select(year,month,day,origin,dest) -> fl_ymd 3 4fl_ymd 5## # A tibble: 336,776 x 5 6##     year month   day origin dest  7##          8##  1  2013     1     1 EWR    IAH   9##  2  2013     1     1 LGA    IAH  10##  3  2013     1     1 JFK    MIA  11##  4  2013     1     1 JFK    BQN  12##  5  2013     1     1 LGA    ATL  13##  6  2013     1     1 EWR    ORD  14##  7  2013     1     1 EWR    FLL  15##  8  2013     1     1 LGA    IAD  16##  9  2013     1     1 JFK    MCO  17## 10  2013     1     1 LGA    ORD  18## # ... with 336,766 more rows

拼

接

现在，我们想要把第一行的起始点和终点拼接为“EWR_IAH”的格式，放在名为origin_dest的列中，下面我们进行操作：

 1fl_ymd %>% 2  mutate(origin_dest = str_c(origin,dest,sep = "_")) -> fl_ymd.1 3 4fl_ymd.1 5## # A tibble: 336,776 x 6 6##     year month   day origin dest  origin_dest 7##                 8##  1  2013     1     1 EWR    IAH   EWR_IAH     9##  2  2013     1     1 LGA    IAH   LGA_IAH    10##  3  2013     1     1 JFK    MIA   JFK_MIA    11##  4  2013     1     1 JFK    BQN   JFK_BQN    12##  5  2013     1     1 LGA    ATL   LGA_ATL    13##  6  2013     1     1 EWR    ORD   EWR_ORD    14##  7  2013     1     1 EWR    FLL   EWR_FLL    15##  8  2013     1     1 LGA    IAD   LGA_IAD    16##  9  2013     1     1 JFK    MCO   JFK_MCO    17## 10  2013     1     1 LGA    ORD   LGA_ORD    18## # ... with 336,766 more rows

我们可以看到，使用mutate函数可以增加一列，而这一列通过str_c函数，把两列拼接起来，中间的分隔符号设定为下划线(“_“)。此外，我们可以用unite函数完成这个任务：

 1#等价于 2fl_ymd %>% 3  unite(col = origin_dest,origin,dest) -> fl_ymd.2 4 5fl_ymd.2 6## # A tibble: 336,776 x 4 7##     year month   day origin_dest 8##              9##  1  2013     1     1 EWR_IAH    10##  2  2013     1     1 LGA_IAH    11##  3  2013     1     1 JFK_MIA    12##  4  2013     1     1 JFK_BQN    13##  5  2013     1     1 LGA_ATL    14##  6  2013     1     1 EWR_ORD    15##  7  2013     1     1 EWR_FLL    16##  8  2013     1     1 LGA_IAD    17##  9  2013     1     1 JFK_MCO    18## 10  2013     1     1 LGA_ORD    19## # ... with 336,766 more rows

unite中的col参数是新的列名称，后面可以放任意多的列，最后会把放进去的列都拼接起来。

unite函数是专门用来对不同列之间字符串进行拼接的函数，默认的间隔符号就是“_”，但是可以通过sep参数改变分隔符。此外，我们可以注意到，如果利用unite函数，原始的两列origin和dest会消失，而mutate则是单纯增加一列。

拆

分

那么，如果我们想要把已经拼接好的数据拆分出来，应该怎么做呢？我们现在就来对flm_ymd.2的origin_dest列进行拆分操作，这里我们会用到separate函数：

 1fl_ymd.2 %>% 2  separate(col = origin_dest, into = c("origin","dest")) 3## # A tibble: 336,776 x 5 4##     year month   day origin dest  5##          6##  1  2013     1     1 EWR    IAH   7##  2  2013     1     1 LGA    IAH   8##  3  2013     1     1 JFK    MIA   9##  4  2013     1     1 JFK    BQN  10##  5  2013     1     1 LGA    ATL  11##  6  2013     1     1 EWR    ORD  12##  7  2013     1     1 EWR    FLL  13##  8  2013     1     1 LGA    IAD  14##  9  2013     1     1 JFK    MCO  15## 10  2013     1     1 LGA    ORD  16## # ... with 336,766 more rows

我们可以看到，separate其实是unite的逆运算，col中赋值的是需要拆分的列名称，into则是拆分之后不同部分的名称。 separate也有sep参数，可以调整参数来根据特殊符号进行拆分，默认的拆分参数是所有非字母符号。如果大家要用中文的话，应该注意，一定要使用sep参数，也就是应该写成“fl_ymd.2 %>% separate(col =origin_dest, into = c(”origin“,”dest“),sep =”_“)”。

总

结

本章中，我们讲了如何用mutate创建字段。我们可以灵活地使用mutate函数，构造一个常数列，或者基于原始的数据列进行数学运算，从而构成新的列。这些知识对于机器学习中的特征工程尤为重要，是必须掌握的基础。最后，我们还介绍了如何对字符型的变量进行拼接和拆分，如果需要进行文本挖掘的话，这些技能是必不可少的。

往期精彩：

• “IT男等级”对照表｜找找你在哪？

• 不用代码，从搜索数据中解读星巴克“猫爪杯”如何挠你的心

• 功不唐捐，每日一道LeetCode，玉汝于成，终获offer满满！

• R语言中文社区2018年终文章整理(作者篇)

• R语言中文社区2018年终文章整理(类型篇)

公众号后台回复关键字即可学习

回复 爬虫            爬虫三大案例实战回复 Python       1小时破冰入门回复 数据挖掘     R语言入门及数据挖掘回复 人工智能     三个月入门人工智能回复 数据分析师  数据分析师成长之路 回复 机器学习     机器学习的商业应用回复 数据科学     数据科学实战回复 常用算法     常用数据挖掘算法

给我【好看】

你也越好看！