R使用笔记：dplyr备忘

笔记内容:
要尽量利用它避免产生太多中间变量，一步到位。与ggplot2的dataframe输入紧密结合。

推荐一本dplyr和ggplot2结合的实践书：data-visulization practical introduction

本备忘中使用 dplyr 0.8.3

select() 和 filter()

group_by和summarise系列

refer to variable

bind_rows(list of dataframe)

arrange()

tally()

# 示例数据来源：
library(dplyr)
data(iris)

library(socviz)
data(organdata)
data(elections_historic)

select() 和 filter()

select() 用于选择列， filter()用于选择行(符合某些条件的行)

select():

test <- organdata %>% select(1:6)
test1 <- organdata %>% select(country:gdp)
# 以上得到一样的输出，注意不需要给字符串加上引号
# head(test)和head(organdata)看一看

test3 <- organdata %>% select(starts_with('g')) # ends_with(), 同样的用法
test4 <- organdata %>% select(-gdp) # drop gdp这一列
test5 <- organdata %>% select(-gdp:-health) # drop多列

filter():

filter和base::subset()差不多，连用法都差不多。
但是仍然有一些细节上的差别，详见这个链接

test6 <- organdata %>% filter(donors > mean(donors, na.rm=TRUE))
# 看一看mean(test$donors)， head(test6)

test7 <- organdata %>% filter(country == 'Spain')
test8 <- organdata %>% filter(country %in% c('Spain','Norway'))
test9 <- organdata %>% filter(country %in% c('Spain','Norway'), assault>5) # and condition直接用逗号分隔就行，or 则使用 |

group_by和summarise系列

首先summarise() 和 summarize()是一样的。

# 按照各country的pop平均数来筛选行·
test10 <- organdata %>% 
  group_by(country) %>% filter(pop > mean(pop, na.rm=TRUE))


# 求各个country的pop的均值,sd,及均值的两倍
# test10会得到一个行是各个国家，列是pop_mean, pop_sd, pop_mean_2的table
test10 <- organdata %>% 
  group_by(country) %>% summarise(pop_mean = mean(pop, na.rm = TRUE), 
                                  pop_sd = sd(pop, na.rm=TRUE),
                                  pop_mean_2 = pop_mean*2)


# 另外如果你要group和summarise的列是一个变量，如下所示，结果同上：
var = 'pop'
test10 <- organdata %>% 
  group_by(country) %>% summarise(pop_mean = mean(.data[[var]], na.rm = TRUE), 
                                  pop_sd = sd(.data[[var]], na.rm=TRUE),
                                  pop_mean_2 = pop_mean*2)


# summarise_if()对符合条件的变量操作
# 根据consent_law 和 country来group_by，并且对数值型变量分组求均值和sd
test11<- organdata %>% group_by(consent_law, country) %>%
  summarize_if(is.numeric, funs(mean,sd),na.rm=TRUE) %>%
  ungroup()


# summarize_all()则对所有的变量操作
# list(X=fun..)则使结果column带上_X的后缀，比方说下面这个，会带上_mean的后缀
 test12 <- iris %>% group_by(Species) %>%
  summarize_all(list(mean = mean, sd = sd), na.rm = T)
# 如果需要去除na再计算median, sd等，则在list()之外加na.rm=T

如果group_by多个variable，那直接group_by(x1,x2,x3...)即可。

refer to variable

比方说filter, 你要filter test0中col列等于tt的行

var = 'col'
var_d = 'tt'
test = dplyr::filter(test0, .data[[var]] == var_d)
# 目前filter_()不能用了

bind_rows(list of dataframe)

bind_rows(list(df1,df2,df3...))
把一个list of dataframe垒起来

arrange()

# 给df按照column r 降序排序。多个变量排序则arrange(a,b,c...)
df_sort <- df %>%
  arrange(desc(r))

tally()

test <- df %>%
  group_by(X1,X2) %>%
  tally()
# output为groupby X1和X2的分组count结果

ref:
官网真的很全，不用看别的了，这篇也都不用看了=_=
各种函数用法大集合，在这里面 ctrl + f 就可以了
 select()和rename()用法