R语言学习笔记总结
R语言初步-用dplyr进行数据转换
install.packages("tidyverse")
install.packages("nycflights13")#仍然记得要先安装
library(nycflights13)#航班信息文件
library(tidyverse)
?flights#查看数据信息的说明书
flights#查看航班信息
5、其他常用的摘要函数
之前使用了均值、求和和计数
5.1、位置度量：median()函数
median()用法和mean()类似，只不过是中位数而已
Not_cancelled <- flights %>%
filter(!is.na(dep_delay),!is.na(arr_delay))
Not_cancelled %>%
group_by(year,month,day)%>%
summarise(
#平均延误时间
avg_delay1=mean(arr_delay),
#平均正延误时间
avg_delay2=mean(arr_delay[arr_delay>0]),
)
#运行：
A tibble: 365 x 5
# Groups: year, month [12]
year month day avg_delay1 avg_delay2
<int> <int> <int> <dbl> <dbl>
1 2013 1 1 12.7 32.5
2 2013 1 2 12.7 32.0
3 2013 1 3 5.73 27.7
4 2013 1 4 -1.93 28.3
5 2013 1 5 -1.53 22.6
6 2013 1 6 4.24 24.4
7 2013 1 7 -4.95 27.8
8 2013 1 8 -3.23 20.8
9 2013 1 9 -0.264 25.6
10 2013 1 10 -5.90 27.3
# ... with 355 more rows
5.2、分散程度度量：sd()、IQR()、mad()函数
- sd():标准误差函数：standard deviation，分散程度的标准度量方式
- IQR():四分位距
- mad()：绝对中位差
注：mad()与IQR()基本等价，但是IQR()更适合有离群点的情况。
Not_cancelled %>%
group_by(dest)%>%
summarise(
distance_sd=sd(distance))%>% #计算distance列的标准误差
arrange(desc(distance_sd) #降序排序此行
)
#运行：
A tibble: 104 x 2
dest distance_sd
<chr> <dbl>
1 EGE 10.5
2 SAN 10.4
3 SFO 10.2
4 HNL 10.0
5 SEA 9.98
6 LAS 9.91
7 PDX 9.87
8 PHX 9.86
9 LAX 9.66
10 IND 9.46
# ... with 94 more rows
5.3、秩的度量：min()、quantile()、max()函数
quantile():分位数函数，是中位数函数的拓展
使用说明：quantile(x,0.25)是指将x按从小到大顺序排列，找到大于前25%，小于后75%的值。
#每天最早和最晚的航班是是什么时候：
Not_cancelled %>%
group_by(year,month,day)%>% #先按时间分组
summarise(
first=min(dep_time), #最小值
last=max(dep_time) #最大值
)
#运行：
A tibble: 365 x 5
# Groups: year, month [12]
year month day first last
<int> <int> <int> <int> <int>
1 2013 1 1 517 2356
2 2013 1 2 42 2354
3 2013 1 3 32 2349
4 2013 1 4 25 2358
5 2013 1 5 14 2357
6 2013 1 6 16 2355
7 2013 1 7 49 2359
8 2013 1 8 454 2351
9 2013 1 9 2 2252
10 2013 1 10 3 2320
# ... with 355 more rows
5.4、定位度量：first()、nth()、last()函数
这三个函数的作用相当于x[1]、x[2]、x[length(x)]
通过此函数也可以找出最早和最晚出发的航班
Not_cancelled %>%
group_by(year,month,day)%>%
summarise(
first_dep=first(dep_time),
last_dep=last(dep_time)
)
#运行：
# A tibble: 365 x 5
# Groups: year, month [12]
year month day first_dep last_dep
<int> <int> <int> <int> <int>
1 2013 1 1 517 2356
2 2013 1 2 42 2354
3 2013 1 3 32 2349
4 2013 1 4 25 2358
5 2013 1 5 14 2357
6 2013 1 6 16 2355
7 2013 1 7 49 2359
8 2013 1 8 454 2351
9 2013 1 9 2 2252
10 2013 1 10 3 2320
# ... with 355 more rows
5.5、计数n(),count()
n():不需要任何参数，返回当前分组的大小
sum(!is.na(x)):计算非缺失值的数量
n_distinct(x):计算唯一值的数量
count()函数：用于只需要计数的情况
例如：
计算哪个目的地有最多的航空公司？
Not_cancelled %>%
group_by(dest)%>%
summarise(
carriers=n_distinct(carrier))%>%
arrange(desc(carriers))
#运行：
A tibble: 104 x 2
dest carriers
<chr> <int>
1 ATL 7
2 BOS 7
3 CLT 7
4 ORD 7
5 TPA 7
6 AUS 6
7 DCA 6
8 DTW 6
9 IAD 6
10 MSP 6
# ... with 94 more rows
count()函数用法举例：计算目的地不同的飞机数量
Not_cancelled %>%
count(dest)
#运行：
#A tibble: 104 x 2
dest n
<chr> <int>
1 ABQ 254
2 ACK 264
3 ALB 418
4 ANC 8
5 ATL 16837
6 AUS 2411
7 AVL 261
8 BDL 412
9 BGR 358
10 BHM 269
# ... with 94 more rows
count()函数中可以添加加权变量，例如distance，用于计算飞机飞行里程（相当于求和）
Not_cancelled %>%
count(tailnum,wt=distance)
#运行：
# A tibble: 4,037 x 2
tailnum n
<chr> <dbl>
1 D942DN 3418
2 N0EGMQ 239143
3 N10156 109664
4 N102UW 25722
5 N103US 24619
6 N104UW 24616
7 N10575 139903
8 N105UW 23618
9 N107US 21677
10 N108UW 32070
# ... with 4,027 more rows
5.6、逻辑值的计数和比例
当需要用数值表示结果，TRUE=1，FALSE=0。
sum():可以找出TRUE的数量
mean():可以找出比例
以下一例：找出出发时间小于5:00的航班总数
Not_cancelled %>%
group_by(year,month,day)%>%
summarise(
n_nearly=sum(dep_time<500) #出发时间小于5:00的航班总数
)
#运行：
# A tibble: 365 x 4
# Groups: year, month [12]
year month day n_nearly
<int> <int> <int> <int>
1 2013 1 1 0
2 2013 1 2 3
3 2013 1 3 4
4 2013 1 4 3
5 2013 1 5 3
6 2013 1 6 2
7 2013 1 7 2
8 2013 1 8 1
9 2013 1 9 3
10 2013 1 10 3
# ... with 355 more rows
sum(dep_time<500)换成count(dep_time<500)是没有用的，sum相当于计算了返回值1，而dep_time<50这样的逻辑表达，count()函数是不支持的，其中牵扯到数据的逻辑。
以下一例：找出延误超过一小时的航班比例
Not_cancelled %>%
group_by(year,month,day)%>%
summarise(
hour_perc=mean(arr_delay>60) #延误超过一小时的航班
)
#运行：
# A tibble: 365 x 4
# Groups: year, month [12]
year month day hour_perc
<int> <int> <int> <dbl>
1 2013 1 1 0.0722
2 2013 1 2 0.0851
3 2013 1 3 0.0567
4 2013 1 4 0.0396
5 2013 1 5 0.0349
6 2013 1 6 0.0470
7 2013 1 7 0.0333
8 2013 1 8 0.0213
9 2013 1 9 0.0202
10 2013 1 10 0.0183
# ... with 355 more rows
学习R语言真的好快乐哈哈
生活也不过如此.jpg
