dplyr專註處理dataframe對象, 並提供更穩健的與其它資料庫對象間的介面。 一、5個關鍵的數據處理函數： select() 返回列的子集 filter() 返回行的子集 arrange() 根據一個或多個變數對行排序。 mutate() 使用已有數據創建新的列 summarise() 對各 ...
dplyr專註處理dataframe對象, 並提供更穩健的與其它資料庫對象間的介面。
一、5個關鍵的數據處理函數：
select() 返回列的子集
filter() 返回行的子集
arrange() 根據一個或多個變數對行排序。
mutate() 使用已有數據創建新的列
summarise() 對各個群組彙總計算並返回一維結果。
Tips：
1、select()
Dplyr包有下列輔助函數，用於在select()中選擇變數：
starts_with("X"): 以 "X"開頭的變數名
ends_with("X"): 以 "X"結束的變數名
contains("X"): 包含 "X"的變數名
matches("X"): 匹配正則表達式“x"的變數名
num_range("x", 1:5): 變數名為 x01, x02, x03, x04 and x05
one_of(x): 出現在字元向量x中的所有變數名
在select()中直接使用列時不需要引用""，但使用上述輔助函數時必須引用""。
2、filter()
R 有一系列邏輯表達式可用於filter()中：
x < y；x <= y；x == y；x != y；x >= y；x > y；x %in% c(a, b, c)
示例：
filter(df, a > 0, b > 0)
filter(df, !is.na(x))
3、arrange()
arrange()預設從小到大排序，在arrange()中使用desc()作用於變數可以使之從大到小排序.
4、mutate()
mutate()允許在同一次調用中使用新變數來創建下一個變數，例如：
mutate(my_df, x = a + b, y = x + c)
5、 summarise（）
R的下列聚合函數可用於 summarise()中
- min(x) - 最小值.
- max(x) - 最大值
- mean(x) - 平均值
- median(x) - 中位數
- quantile(x, p) - x的第P個分位數
- sd(x) - 標準差
- var(x) - 方差
- IQR(x) - 四分位數
- diff(range(x)) - x值的範圍
dplyr包自身提供了一些有用的聚合函數：
- first(x) - 向量x中的第1個元素
- last(x) - 向量x中的最後1個元素
- nth(x, n) - 向量x中的第n個元素
- n() - data.frame中的行數或 summarise() 描述的觀測組的數量
- n_distinct(x) - 向量x中唯一值的數量
二、管道函數%>%
dplyr包中特有的管道函數%>%，將上一個函數的輸出作為下一個函數的輸入。
%>%運算符允許從參數列表中提取函數的第一個參數，並放置在%>%前面。
下麵兩條指令相等：
mean(c(1, 2, 3, NA), na.rm = TRUE)
c(1, 2, 3, NA) %>% mean(na.rm = TRUE)
三、分組函數group_by()
對數據集定義群組。然後可對各個群組分別進行彙總統計。
通過 group_by() 添加了分組信息後,mutate(), arrange() 和 summarise() 函數會自動對這些 tbl 類數據執行分組操作。
group_by(dataframe,colnames1,colnames2,…)
四、連接數據（joins）
1、6種連接函數如下：
left_join(dataset1,dataset2)
right_join(dataset1,dataset2)
inner_join(dataset1,dataset2,by=c(“”))
full_join(dataset1,dataset2, by = c("first", "last"))
semi_join(dataset1,dataset2, by = c("first", "last"))
anti_join(dataset1,dataset2, by = c("first", "last"))
前4種屬於變形連接（mutating joins），後2種屬於過濾連接（filtering joins）。
semi-joins基於第二個數據集的信息來過濾第一個數據集的數據。anti-joins找出合併時哪些行不能匹配第二個數據集
2、key值
R語言的 data frames可在 row.names屬性中存儲重要信息，雖然不是存儲數據的好方式卻很常見。如果數據集的主關鍵字在row.names中，將難以與其他數據集連接。一種解決方法是使用tibble包（tibble：a data frame with class tbl_df)中的rownames_to_column()函數，返回該數據集的副本，並且行名作為一列增加到該數據中。
library(tibble)
rownames_to_column(data, var="name")
如果兩個數據集有相同的列名，但代表的事物不同，並且by參數不包含這些重覆的列名，dplyr會忽略這些列名，並對相同的列名增加.x和 .y來幫助區分列。
當兩個數據集中相同的事物有不同的列名，要完成合併，將by設置為一個命名向量。向量的名字為主數據集中的列名，向量的值為第二個數據集中的列名。例如：
x %>% left_join(y, by = c("x.name" = "y.name"))
完成連接後保留主數據集中的列名。
3、多個數據集的連接
Purrr包中的 reduce()函數對多個數據集重覆應用某函數，可用於連接多個數據集，與dplyr的join類函數配合使用，例如：
library(purrr)
list(data1,data2,data3) %>% reduce(left_join,by = c("first",
"last"))
五、集合操作（set operations）
dplyr提供了intersection、union和setdiff用於獲得數據集的交集、並集和差集。
六、組裝數據assembling data
使用如下函數：
bind_rows()
bind_cols() ：將多個data frame合成單個data frame
data_frame() : 將一系列列向量組合成data frame
as_data_frame() :將list轉換成data frame
