dplyr包介绍

dplyr包是R大神大杰作，Hadley Wickham,被称为一个改变R的人，dplyr是在plyr上升级的又一力作。
dplyr包包含了数据整理、筛选、变换、汇总等多种函数。基本上可以解决数据处理的80%的问题。处理数据跟SQL类似乎，如果你熟悉SQL很快就能够上手。

基础用法

本文以自己构造的数据集进行演示，以便方便理解。

data1 <- data.frame(id=c(1:10),class=c(15:6),score=c("十","九","八","七","六","五","四","三","二","一"),ennum=c("one","two","three","four","five","ten","nine","eight","seven","six"),type=c("a","b"))
data2 <- rbind(data1,c(10,6,"一","six","b"))

1. 单表操作

• 排序 arrange 对变量进行排序，默认为升序，可以用desc()降序排列.

data1 %>% arrange()
data1 %>% arrange(desc(id))
data1 %>% arrange(by=class)

• 去重distinct，相当于base函数的unique,该函数有一个.keep_all的参数，如果等于FALSE，输出去重的变量。如果等于TRUE，输出全部变量，有多个相同的观测数据，输出第一条数据。

data2 %>% distinct()
data2 %>% distinct(type)
 type
1    a
2    b
data2 %>% distinct(type,.keep_all=TRUE)
id class score ennum type
1  1    15    十   one    a
2  2    14    九   two    b

• do
• 条件筛选filter，根据条件变量筛选观察值。
  常用的筛选条件

==, >, >= etc

&, |, !, xor()

is.na()

between(), near()

data2 %>%filter(id==10)
id class score ennum type
1 10     6    一   six    b
2 10     6    一   six    b

等价于

data2[id==10,]

• group_by ungroup

• mutate 新建列
  -mutate_all在所有的列运用函数，并生成新的列。
  -mutate_at在指定的列运用函数，并生成新的列。

• transmute 添加新列，删除其余列

• select选择列

• rename重命名

  • current_vars
  • starts_with 以XXX开始
  • end_with以XXX结束
  • contains包含XXX
  • matches
  • num_range选取带数字的列
    例如class1、class2、class3，可以用
    num_range(“class”,1:3)
  • one_of

• everything

• sample_n
  抽样函数，sample_n()随机抽取指定数目的样本，sample_frac()随机抽取指定百分比的样本，默认都为不放回抽样，通过设置replacement = TRUE可改为放回抽样，可以用于实现Bootstrap抽样。

• sample_frac

• summarise

• summarize

• add_row:添加行，在数据集添加行。

• pull拉取一列变量
  pull(data,var=-1)
  data是数据集，var为空时默认拉取最后一列，var为正时从左边开始的列，var为负数从右边开始的列。

• 根据位置选取观测值slice
  slice(data1,10:n())
  选取十行以后的数据。

• rownames_to_column()：行名转成列

• column_to_rownames()：列转成行名

2. 两个表操作

两表及多表操作是数据处理中比较常用的操作，跟SQL关联类似。
bind_cols()：合并列
left_join()：左关联，同SQL的left outer join
左表匹配右表，返回左表。
data1 %>% left_join(data2,by=c("id"="id"))
inner_join()：内关联，同SQL的inner join
匹配两个表相同的内容，返回两个表都有的内容。
full_join()：全关联，同SQL的full join
两表匹配，返回两个表的元素。
right_join()：与左关联类似，熟练使用左关联就行了。
semi_join：返回能够与y表匹配的x表的所有记录。
anti_join：返回无法与y表匹配的x表的所有记录。
用by=来制定关联的列。

3. 向量函数

between：- 变量>= left & 变量<= right
case_when：多条件取值相当于sql的case when。
coalesce
cumull
cumany
cumean
desc：降序排列
if_else
lead lag
order_by
n：数量
n_distinct
na_if：
near
nth ：第n个
first ：第1个
last：最后1一个
row_number：生成排序序号
ntitle
min_rank dense_rank
percent_rank cum_dist
recode recode_factor

4. 元数据

groups
groups_vars

5. 数据集

dplyr 包中包含乐队成员信息，NASA的空间数据，星际争霸人物特征，和风暴数据：
band_instruments
band_instruments2 、
band_members 、
nasa 、
starwars、
storms

扩展用法

参考

官方参考