前言

今天是R学习的第三天，继续。

设置镜像站

file.edit('~/.Rprofile')
options("repos" = c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/")) #对应清华源
options(BioC_mirror="https://mirrors.ustc.edu.cn/bioc/") #对应中科大源

设置好之后，点保存，然后重启Rstuio看看，貌似成功了。

> options()$BioC_mirror
[1] "https://mirrors.ustc.edu.cn/bioc/"

安装包

install.packages(“包名”)或者BiocManager::install(“包名”)，前者为CRAN包，后者为bioconductor包。

install.packages("dplyr")

加载包

library(包)或require(包)均可。

library(dplyr)

dplyr包操作练习

新增列

> test <- iris[c(1:2,51:52,101:102),] #取iris数据的第1，2，51，52，101，102行
> mutate(test, new = Sepal.Length * Sepal.Width) #新增列名为new，值为Sepal.Length * Sepal.Width
  Sepal.Length Sepal.Width Petal.Length Petal.Width    Species   new
1          5.1         3.5          1.4         0.2     setosa 17.85
2          4.9         3.0          1.4         0.2     setosa 14.70
3          7.0         3.2          4.7         1.4 versicolor 22.40
4          6.4         3.2          4.5         1.5 versicolor 20.48
5          6.3         3.3          6.0         2.5  virginica 20.79
6          5.8         2.7          5.1         1.9  virginica 15.66

按列筛选

按列号筛选

select(test,1) #取test数据第1列
select(test,c(1,5)) #取test数据第1列和第5列

按列名筛选

select(test,Sepal.Length) #取 Sepal.Length列
select(test, Petal.Length, Petal.Width) #取Petal.Length和Petal.Width列
vars <- c("Petal.Length", "Petal.Width") #设置Petal.Length和Petal.Width为vars数据集
select(iris, one_of(vars)) #取vars中的数据库

filter函数筛选行

filter(test, Species == "setosa") #筛选species数值为setosa的行
filter(test, Species == "setosa"&Sepal.Length > 5 ) #筛选species数值为setosa的行且sepal.length值大于5的行
filter(test, Species %in% c("setosa","versicolor"))#筛选species数值为setosa和versicolor的行

arrange函数排序表格

arrange(test, Sepal.Length)#默认Sepal.Length从小到大排序
arrange(test, desc(Sepal.Length))#用desc Sepal.Length从大到小排序

summarise函数汇总

summarise(test, mean(Sepal.Length), sd(Sepal.Length)) # 计算Sepal.Length的平均值和标准差
group_by(test, Species)#按照species列进行分组
summarise(group_by(test, Species),mean(Sepal.Length), sd(Sepal.Length))#按照species列进行分组，计算分组后不同组别的Sepal.Length的平均值和标准差

管道操作

英文输入法下输入ctrl+shift+M直接打出管道符号%>%，其意思是将%>%左边的对象传递给右边的函数，这样可以少打一些字，据说当数据量大的时候可以节省计算内存。

test %>% 
  group_by(Species) %>% 
  summarise(mean(Sepal.Length), sd(Sepal.Length)) #取test数据集，按照species列进行分组，计算分组后不同组别的Sepal.Length的平均值和标准差。

count函数统计

count(test,Species) #统计test数据中species列每个值有多少个。

inner_join函数取交集

options(stringsAsFactors = F) #避免系统自动将数据框内的相关变量转换成因子
test1 <- data.frame(x = c('b','e','f','x'), z = c("A","B","C",'D'),stringsAsFactors = F) #创建数据框test1
test2 <- data.frame(x = c('a','b','c','d','e','f'), y = c(1,2,3,4,5,6),stringsAsFactors = F) #创建数据框test2
inner_join(test1, test2, by = "x") # 按第x列相同值取test1和test2的值重新组成数据框
##left_join函数

left_join(test1, test2, by = 'x') #此时基于x的连接只保留了test1对应的x值的数据，当test2相应的值不存在的时候，用NA代替；
  x z  y
1 b A  2
2 e B  5
3 f C  6
4 x D NA
left_join(test2, test1, by = 'x') #此时基于x的连接只保留了test2对应的x值的数据，当test1相应的值不存在的时候，用NA代替；
  x y    z
1 a 1 <NA>
2 b 2    A
3 c 3 <NA>
4 d 4 <NA>
5 e 5    B
6 f 6    C

full_join函数全连接

full_join( test1, test2, by = 'x') #此时基于x的连接保留了所有x值对应的数据，当相应的值不存在的时候，用NA代替；
  x    z  y
1 b    A  2
2 e    B  5
3 f    C  6
4 x    D NA
5 a <NA>  1
6 c <NA>  3
7 d <NA>  4

半连接函数semi_join

semi_join(x = test1, y = test2, by = 'x')  #返回能够与y表匹配的x表所有记录
  x z
1 b A
2 e B
3 f C

反连函数anti_join

anti_join(x = test2, y = test1, by = 'x') #返回无法与y表匹配的x表的所记录
  x y
1 a 1
2 c 3
3 d 4

简单合并

注意：bind_rows()函数需要两个表格列数相同，而bind_cols()函数则需要两个数据框有相同的行数

bind_rows(test1, test2) #test1，test2数据按行合并

bind_cols(test1, test3) #test1，test3数据按列合并

后记

今天的内容虽然基本上只有一个数据处理包dplyr包的操作，但初次这么详细、这么多函数的操作理解起来稍微有点费劲，还需要要实践中运用，然后积累。

学习小组Day6笔记-Aspirin