R语言数据处理 dplyr包数据清理

dplyr包

这个包是Hadley Wickham创建和维护的。它包括了（几乎）全部可以用来加快数据处理进程的内容。它最有名的是数据探索和数据转换功能。它的链式语法让它使用起来很方便。它包括5个主要的数据处理指令：

1. 过滤——集于某一条件过滤数据

2. 选择——选出数据集中感兴趣的列

3. 排列——升序或降序排列数据集中的某一个值域

4. 变换——从已有变量生成新的变量

5. 概括（通过group_by）——提供常用的操作分析，如最小值、最大值、均值等

只需要关注这些指令便可以完成很好的数据探索工作。让我们一起逐一了解一下这些指令。我用到了两个R中内置的数据集mtcars和iris.

library(dplyr)

library(R6)

data(mtcars)

data(iris)

mydata<-mtcars

head(mydata)

mpg cyl disp hp drat wt qsec vs am gear carb

Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4

Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4

Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1

Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1

Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2

Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1

mynewdata<-tbl_df(mydata)

myirisdata<-tbl_df(iris)

Mynewdata

Source: local data frame [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 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4

2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4

3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1

4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1

5 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2

6 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1

7 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4

8 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2

9 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2

10 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4

.. ... ... ... ... ... ... ... ... ... ... ...

Myirisdata

Source: local data frame [150 x 5]

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

(dbl) (dbl) (dbl) (dbl) (fctr)

1 5.1 3.5 1.4 0.2 setosa

2 4.9 3.0 1.4 0.2 setosa

3 4.7 3.2 1.3 0.2 setosa

4 4.6 3.1 1.5 0.2 setosa

5 5.0 3.6 1.4 0.2 setosa

6 5.4 3.9 1.7 0.4 setosa

7 4.6 3.4 1.4 0.3 setosa

8 5.0 3.4 1.5 0.2 setosa

9 4.4 2.9 1.4 0.2 setosa

10 4.9 3.1 1.5 0.1 setosa

.. ... ... ... ... ...

#使用过滤器来过滤数据所需的条件

library(lazyeval)

filter(mynewdata,cyl>4 & gear>4)

Source: local data frame [3 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 15.8 8 351 264 4.22 3.17 14.5 0 1 5 4

2 19.7 6 145 175 3.62 2.77 15.5 0 1 5 6

3 15.0 8 301 335 3.54 3.57 14.6 0 1 5 8

filter(mynewdata,cyl>4)

Source: local data frame [21 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 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4

2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4

3 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1

4 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2

5 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1

6 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4

7 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4

8 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4

9 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3

10 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3

.. ... ... ... ... ... ... ... ... ... ... ...

filter(myirisdata,Species %in% c("setosa","virginica"))

Source: local data frame [100 x 5]

Sepal.Length Sepal.Width Petal.Length Petal.Width Species

(dbl) (dbl) (dbl) (dbl) (fctr)

1 5.1 3.5 1.4 0.2 setosa

2 4.9 3.0 1.4 0.2 setosa

3 4.7 3.2 1.3 0.2 setosa

4 4.6 3.1 1.5 0.2 setosa

5 5.0 3.6 1.4 0.2 setosa

6 5.4 3.9 1.7 0.4 setosa

7 4.6 3.4 1.4 0.3 setosa

8 5.0 3.4 1.5 0.2 setosa

9 4.4 2.9 1.4 0.2 setosa

10 4.9 3.1 1.5 0.1 setosa

.. ... ... ... ... ...

#使用选择选择列的名字

select(mynewdata,cyl,mpg,hp)

Source: local data frame [32 x 3]

cyl mpg hp

(dbl) (dbl) (dbl)

1 6 21.0 110

2 6 21.0 110

3 4 22.8 93

4 6 21.4 110

5 8 18.7 175

6 6 18.1 105

7 8 14.3 245

8 4 24.4 62

9 4 22.8 95

10 6 19.2 123

.. ... ... ...

#使用-隐藏列

select(mynewdata,-cyl,-mpg)

select(mynewdata,-c(hp,mpg))

Source: local data frame [32 x 9]

cyl disp drat wt qsec vs am gear carb

(dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl)

1 6 160.0 3.90 2.620 16.46 0 1 4 4

2 6 160.0 3.90 2.875 17.02 0 1 4 4

3 4 108.0 3.85 2.320 18.61 1 1 4 1

4 6 258.0 3.08 3.215 19.44 1 0 3 1

5 8 360.0 3.15 3.440 17.02 0 0 3 2

6 6 225.0 2.76 3.460 20.22 1 0 3 1

7 8 360.0 3.21 3.570 15.84 0 0 3 4

8 4 146.7 3.69 3.190 20.00 1 0 4 2

9 4 140.8 3.92 3.150 22.90 1 0 4 2

10 6 167.6 3.92 3.440 18.30 1 0 4 4

.. ... ... ... ... ... ... ... ... ...

#选择一系列列

select(mynewdata,cyl:gear)

Source: local data frame [32 x 9]

cyl disp hp drat wt qsec vs am gear

(dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl)

1 6 160.0 110 3.90 2.620 16.46 0 1 4

2 6 160.0 110 3.90 2.875 17.02 0 1 4

3 4 108.0 93 3.85 2.320 18.61 1 1 4

4 6 258.0 110 3.08 3.215 19.44 1 0 3

5 8 360.0 175 3.15 3.440 17.02 0 0 3

6 6 225.0 105 2.76 3.460 20.22 1 0 3

7 8 360.0 245 3.21 3.570 15.84 0 0 3

8 4 146.7 62 3.69 3.190 20.00 1 0 4

9 4 140.8 95 3.92 3.150 22.90 1 0 4

10 6 167.6 123 3.92 3.440 18.30 1 0 4

.. ... ... ... ... ... ... ... ... ...

#链接或流水线——执行multile操作方式

mynewdata %>%

select(cyl,wt,gear)%>%

filter(wt >2)

Source: local data frame [28 x 3]

cyl wt gear

(dbl) (dbl) (dbl)

1 6 2.620 4

2 6 2.875 4

3 4 2.320 4

4 6 3.215 3

5 8 3.440 3

6 6 3.460 3

7 8 3.570 3

8 4 3.190 4

9 4 3.150 4

10 6 3.440 4

.. ... ... ...

#安排可以用来重新排序行

mynewdata %>%

select(cyl,wt,gear)%>%

arrange(wt)

Source: local data frame [32 x 3]

cyl wt gear

(dbl) (dbl) (dbl)

1 4 1.513 5

2 4 1.615 4

3 4 1.835 4

4 4 1.935 4

5 4 2.140 5

6 4 2.200 4

7 4 2.320 4

8 4 2.465 3

9 6 2.620 4

10 6 2.770 5

.. ... ... ...

#创造新的列

mynewdata %>%

select(mpg,cyl)%>%

mutate(newvariable=mpg*cyl)

Source: local data frame [32 x 3]

mpg cyl newvariable

(dbl) (dbl) (dbl)

1 21.0 6 126.0

2 21.0 6 126.0

3 22.8 4 91.2

4 21.4 6 128.4

5 18.7 8 149.6

6 18.1 6 108.6

7 14.3 8 114.4

8 24.4 4 97.6

9 22.8 4 91.2

10 19.2 6 115.2

.. ... ... ...

#这是用于查找数据的见解

#你可以使用重命名命令重命名变量

mynewdata %>% rename(miles=mpg)

Source: local data frame [32 x 11]

miles cyl disp hp drat wt qsec vs am gear carb

(dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl) (dbl)

1 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4

2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4

3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1

4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1

5 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2

6 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1

7 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4

8 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2

9 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2

10 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4

.. ... ... ... ... ... ... ... ... ... ... ...