title: R_6 dplyrdate: 2021-07-11
tags: R语言
categories: 学习
mathjax: true

使用dplyr操作数据

dplyr是一个外部包，在使用前需要先加载。

#install.packages("dplyr")#已经安装过了
library("dplyr")

加载一个数据集presidentialElections

#install.packages("pscl")#已经安装过了
library("pscl")

1. 选择

使用select()函数从数据框中选择列。

votes <- select(presidentialElections,year,demVote)#不带引号
#也可以用基础语法
#votes <- presidentialElections[,c("year","demVote")]
#select函数的参数可以是列名向量
select(presidentialElections,state:year)#选state到year
select(presidentialElections,-south)#排除south

使用select函数选择单列也返回数据框而不是向量。

2. 过滤

使用filter()函数提取行，也可以叫过滤。

votes2008 <- filter(
  presidentialElections,
  year == 2008
)
votes_colorado_2016 <- filter(
  presidentialElections,
  year == 2016,
  state == "Colorado"
)

3. 修改

使用mutate函数创建额外的列。

presidentialElections <- mutate(
  presidentialElections,
  other_parties_vote = 100 - demVote,#每一列都是向量
  abs_vote_difference = abs(demVote - other_parties_vote)
)

使用rename()函数对某列重命名。

rename(
  presidentialElections,
  other_vote = other_parties_vote 
)

使用arrange()函数对数据框中的行进行排序。先按照第一个参数进行排序，第一个参数相同时按照第二个参数排序。参数名前加负号表示降序，不加负号表示升序。

presidentialElections <- arrange(
  presidentialElections,
  -year,
  demVote
)

4. 汇总

使用summarize()函数生成一个包含summary列的新数据框。任何以向量为参数，返回单个值的函数都可以用在summarize函数中，也可以自己编写函数。

5. 管道操作

管道运算符%>%可以从一个函数获取结果，将其作为第一个参数传给下一个函数。

例：在2008年的美国选举中，哪个州对民主党候选人奥巴马的支持率最高？

#不使用管道操作符，会产生一系列的中间变量
vote_2008 <- filter(presidentialElections, year == 2008)
most_dem_vote <- filter(vote_2008, demVote == max(demVote))
# 注意选择出的行符合过滤的条件为真。并不是选择max(demVote)
most_dem_state <- select(most_dem_vote, state)

most_dem_state2 <- presidentialElections %>%
  filter(year == 2008) %>%
  filter(demVote == max(demVote)) %>%
  select(state)#注意没有逗号

6. 按组分析数据框

使用group_by()函数对数据框进行分组。第一个参数是需要分组的数据框，第二个参数是用于分组数据的列，该列值相同的行分为一组。group_by()函数返回一个tibble，一种特殊的数据框，而不是显式地将原数据框重新排列。

mean_state_demVote <- presidentialElections %>%
  group_by(state) %>%
  summarize(
    mean_state_demVote = mean(demVote)
    )

7. 连接数据框

使用left_join()函数连接两个数据框，第一、二个参数指定左右表，使用by参数指定需要匹配的参数。

donations <- read.csv("donations.csv")
donors <- read.csv("donors.csv")
combined_data <- left_join(donations,donors,by = "donor_name")

注意首先遍历左侧表，连接后的donor_name列一定和左表相同。如果右侧表中没有左侧表对应值，则用NA代替。right_join()函数的功能恰好相反。

如果只想匹配特定的列，指定donor_name的值。

combined_specified_data <- 
  left_join(donations, donors,by = c("donor_name" = "name"))

除了左连接和右连接以外，还有内连接（交）和完全连接（并）。

8.dplyr实战：分析飞行数据

8.1 加载数据库

# install.packages("nycflights13")
 library("nycflights13")

8.2 了解数据集的结构

?flights
dim(flights)
colnames(flights)
View(flights)

8.3 解决问题

问题一：哪家航空公司延迟起飞的次数最多？

most_delay <- flights %>%
  group_by(carrier) %>%
  filter(dep_delay > 0) %>%
  summarize(num_delay = n()) %>%#函数n()返回组的规模
  filter(num_delay == max(num_delay)) %>%
  select(carrier) %>%
  left_join(airlines, by = "carrier") %>%
  select(name)

问题二：平均来说，航班最早到达哪个机场？

注意有NA值时一定要删除NA值！

earliest_arrive <- flights %>%
  group_by(dest) %>%
  summarize(delay = mean(arr_delay, na.rm = TRUE)) %>% #删除na值
  filter(delay == min(delay, na.rm = TRUE)) %>%
  select(dest) %>%
  left_join(airports, by = c("dest" = "faa")) %>%
  select(name)

问题三：航班在哪个月延误最久？

longest_delay <- flights %>%
  group_by(month) %>%
  summarize(avg_delay = mean(arr_delay, na.rm = TRUE)) %>%
  filter(avg_delay == max(avg_delay, na.rm = TRUE)) %>%
  select(month) 
print(longest_delay)