R语言||最丰富的数据清洗工具tidyverse包

同名公主号:BBio

tidyverse包实际上就是一些常用R包的集合,包括ggplot2(可视化)、dplyr(数据操作)、tidyr(数据)对齐、tibble(更现代的数据框)、stringr(字符串操作)。加载tidyverse包后,其余包中函数都可以使用。

tidyverse.png
//如何理解tidyverse的工作流呢?,看完就会有答案。
diamonds %>% filter(carat < 3) %>% ggplot(mapping = aes(x = carat)) + geom_histogram(binwidth = 0.1)

diamonds2 <- diamonds %>% mutate(y = ifelse(y < 3 | y > 20, NA, y))
//具体应用场景举例
#从panglaodb单细胞marker基因数据库中下载数据表格,每个细胞类型对应多个marker基因,格式如下
#species official gene symbol    cell type       nicknames       ubiquitousness index    product description     gene type       canonical marker        germ la
#Mm Hs   CTRB1   Acinar cells    CTRB    0.017   chymotrypsinogen B1     protein-coding gene     1       Endoderm        Pancreas        1.0     0.957143
#Mm Hs   KLK1    Acinar cells    Klk6    0.013   kallikrein 1    protein-coding gene     1       Endoderm        Pancreas        0.833333        0.314286

#想要整理为每个组织类型对应的细胞类型,以及对应的所有marker list应该怎么做
#常规操作,此处省略,方法有点笨:
data <- read.table("PanglaoDB_markers_27_Mar_2020.tsv.gz", head=T, sep='\t')
panglao_SMC <- data %>% filter(organ == "Smooth muscle", str_detect(species, "Hs")) %>% group_by(cell.type) %>% summarise(geneset = list(official.gene.symbol))
str(panglao_SMC)

#两行代码完成,tidyverse的魅力
#tibble [5 × 2] (S3: tbl_df/tbl/data.frame)
# $ cell.type: chr [1:5] "Airway smooth muscle cells" "Myoepithelial cells" "Myofibroblasts" "Pulmonary vascular smooth muscle cells" ...
# $ geneset  :List of 5
#  ..$ : chr [1:4] "NOG" "ACTA2" "FOXF1" "GATA5"
#  ..$ : chr [1:26] "SFN" "ACTA2" "CNN1" "CA3" ...
#  ..$ : chr [1:9] "CDH11" "DES" "PALLD" "ACTA2" ...
#  ..$ : chr [1:2] "ANGPT1" "PDGFRB"
#  ..$ : chr [1:6] "ACTA2" "MYH11" "PDGFRB" "SEMA3D" ...
//安装及资料
#https://github.com/tidyverse/tidyverse
# Install from CRAN
install.packages("tidyverse")

# Or the development version from GitHub
# install.packages("devtools")
devtools::install_github("tidyverse/tidyverse")

#https://r4ds.had.co.nz/index.html:学习资源

#ls("package:dplyr")
//dplyr包的主要函数
library(nycflights13) #数据集
library(tidyverse)

flights #测试数据,tibble格式,后文详细介绍

ls("package:dplyr") #查看dplyr包中所有函数

#%>%:管道符
#将数据从左边传入右边,有大用处。x %>% f(y) 相当于 f(x, y), x %>% f(y) %>% g(z) 相当于 g(f(x, y), z)
c(1,2,3) %>% mean()

#filter:针对行的数据过滤
#可以支持多个筛选条件,以运算符作为标准
filter(flights, month == 1, day == 1)
filter(flights, month == 11 | month == 12)
filter(flights, month %in% c(11, 12))
filter(flights, !is.na(dep_delay))

#arrange:针对行的数据排序
#可以支持根据多列数据进行排序
arrange(flights, year, month, day)
arrange(flights, desc(dep_delay)) #降序

#select:针对列的数据筛选
#直接使用列名,支持多列筛选,切片筛选,或者去除某些列。也可以使用默认函数进行筛选。
select(flights, year, month, day)
select(flights, year:day)
select(flights, -(year:day))
select(flights, starts_with("abc"))
select(flights, contains("a"))

#rename:重命名列名
rename(flights, tail_num = tailnum)

#mutate:增加列
#可以基于已有数据,通过计算增加新列
flights_sml <- select(flights, year:day, ends_with("delay"), distance, air_time)
mutate(flights_sml, gain = dep_delay - arr_delay, speed = distance / air_time * 60)
mutate(flights_sml, gain = dep_delay - arr_delay, hours = air_time / 60, gain_per_hour = gain / hours)
transmute(flights, gain = dep_delay - arr_delay, hours = air_time / 60, gain_per_hour = gain / hours) #只保留新列

#min_rank:排名
y <- c(1, 2, 2, NA, 3, 4)
min_rank(y)

#summarise:总结
#和group_by连用对不同的分组数据进行总结。group_by改变原数据,只是添加了分组信息。
by_day <- group_by(flights, year, month, day)
summarise(by_day, delay = mean(dep_delay, na.rm = TRUE))

#管道符连接多个函数,可读性瞬间提升
delays <- flights %>% 
  group_by(dest) %>% 
  summarise(
    count = n(),
    dist = mean(distance, na.rm = TRUE),
    delay = mean(arr_delay, na.rm = TRUE)
  ) %>% 
  filter(count > 20, dest != "HNL")
//dplyr包的其它函数
#between,返回逻辑值
between(1:12, 7, 9)

#group_split:分组
data.frame(celltype=rep(c("T cells", "B cells"), each=2), marker=c("CD3D", "CD2", "MS4A1", "CD79A")) %>% group_by(celltype) %>% group_split()

#across:选择多列,并用函数处理
iris %>% as_tibble() %>% mutate(across(c(Sepal.Length, Sepal.Width), round))

#if_any,筛选
iris %>% filter(if_any(ends_with("Width"), ~ . > 4))
iris %>% filter(if_all(ends_with("Width"), ~ . > 2))

#inner_join:按列合并俩数据集中的行,取交集。其余为左合并,右合并,并集合并。
band_members %>% inner_join(band_instruments, by="name")
band_members %>% left_join(band_instruments)
band_members %>% right_join(band_instruments)
band_members %>% full_join(band_instruments)

#根据两个数据集中匹配关系过滤行
#semi_join(x, y) keeps all observations in x that have a match in y.
#anti_join(x, y) drops all observations in x that have a match in y.
top_dest <- flights %>% count(dest, sort = TRUE) %>% head(10)
top_dest
flights %>% semi_join(top_dest)

#pull:提取某列,分别为最后一列,第一列,cyl列,并输出为向量
mtcars %>% pull(-1)
mtcars %>% pull(1)
mtcars %>% pull(cyl)

#slice:切片,筛选行
slice(mtcars, -(1:4))
mtcars %>% slice_min(mpg, n = 5)
//tibble包中的主要函数

tibble格式的数据和data.frame非常相似,但是更加现代化,更方便使用。tibble格式数据默认只输出前10行,以及适应屏幕的列,对大数据友好。列名还支持特殊字符,非常人性化。

library(tidyverse)

#格式转换
class(iris)
iris_tibble <- as_tibble(iris)
class(iris_tibble)
iris <- as.data.frame(iris_tibble)

#输出所有列
nycflights13::flights %>% print(n = 10, width = Inf)

#取子集
df <- tibble(
  x = runif(5),
  y = rnorm(5)
)
df$x #向量
df[["x"]] #向量
df["x"] #tibble

#添加行列
df <- tibble(x = 1:3, y = 3:1)
df %>% add_row(x = 4, y = 0)
df %>% add_column(z = -1:1, w = 0)

#行名转给为数据,列转为行名
mtcars_tbl <- rownames_to_column(mtcars, var = "car") %>% as_tibble()
mtcars_tbl
column_to_rownames(mtcars_tbl, var = "car") %>% head()
//tidyr包中的主要函数
library(tidyverse)

#pivot_longer:宽数据转为长数据
table4a
table4a %>% pivot_longer(c(`1999`, `2000`), names_to = "year", values_to = "cases")

#pivot_wider:宽数据转为长数据
table2
table2 %>% pivot_wider(names_from = type, values_from = count)

#seprate:分割一列为多列,可以指定分隔符或者分割的位置
table3 %>% separate(rate, into = c("cases", "population"), sep="/")
table3 %>% separate(year, into = c("century", "year"), sep = 2)
//stringr中的主要函数
str_length(c("a", "R for data science", NA))

#str_c:连接字符串
str_c("x", "y")
str_c("x", "y", sep = ", ")
str_c("prefix-", c("a", "b", "c"), "-suffix")

#取子集
x <- c("Apple", "Banana", "Pear")
str_sub(x, 1, 3)

#
str_to_lower(x)
str_to_upper(c("i", "ı"))
str_sort(x, locale = "en")

#匹配
x <- c("apple", "banana", "pear")
str_detect(x, "e")

#统计次数
x <- c("apple", "banana", "pear")
str_count(x, "a")

#替换
x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-")
str_replace_all(x, "[aeiou]", "-")

#分割
sentences %>% head(5) %>% str_split(" ")
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342

推荐阅读更多精彩内容