30 天学会R DAY 14：R语言必学包dplyr

R语言非常讲究数据的整理，我们在7-13天的R语言学习内容中，着重都是关于R语言的整理，各种方法对数据进行整理，查看，对变量进行转换。dplyr包，主要也用于数据清洗和整理，该包专注dataframe数据格式，从而大幅提高了数据处理速度。这个包对数据处理的方式相对之前的方法，更加简单，是医学数据分析必须要掌握的包。

dplyr包存在着上百个函数来帮助进行数据的整理，由于篇幅的关系，本文对主要的函数进行介绍，包括下述五个函数用法:

• 筛选: filter()

• 排列: arrange()

• 选择: select()

• 变形: mutate()

• 汇总: summarise()

• 分组: group_by()

• 合并：join()

首先，安装和导入dplyr

install.packages("dplyr")

library(dplyr)

导入之前数据集

t1<-read.csv("elder1.csv")

t2<-read.csv("elder2.csv")

str(t2)

str(t1)

1 筛选:filter()

按给定的逻辑判断筛选出符合要求的子数据集，之前我们已经通过大量的方法介绍过子集产生的方法，而filter()方法则更直接。

#产生t11数据集，SBP收缩压>=140的子集

t11<-filter(t1,SBP>=140)

#产生t11数据集，SBP收缩压>=140且DBP>=90舒张压的子集

t12<-filter(t1,SBP>=140,DBP>=90)

# 产生t11数据集，SBP收缩压>=140或DBP>=90舒张压的子集

t13<-filter(t1,SBP>=140 | DBP>=90)

#产生t11数据集，SBP收缩压>=140且DBP>=90舒张压的子集

t14<-filter(t1,SBP>=140 & DBP>=90)

str(t11)

str(t12)

str(t13)

# 上述程序，如果用常规R语言，则要

t12<-t1[t1$SBP>=140 & t1$DBP>=90, ]

相对来说更为复杂。

#分类数据转换

t21<-filter(t2,sex==1)

2 排列: arrange()

排序功能，我们之前也学过，比如order(). Arrange 方法其实也更简单。

#根据SBP从小到大进行排序

arrange(t1,SBP)

#根据DBP从大到小进行排序

arrange(t1,desc(DBP))

#根据SBP和DBP，从小到大进行排序，先排SBP，SBP相同时，再排DBP

arrange(t1, SBP, DBP)

#根据SBP和DBP，从大到小进行DBP排序，DBP相同时，再排从小到大根据SBP排序

arrange(t1, desc(DBP), SBP)

3 选择: select()

用列名作参数来选择子数据集，这个功能很有意思，虽然医学数据分析用的不多。

t15 <- select(t1, starts_with('D')) #将D打头的变量名筛选出来

t16 <- select(t1, -DBP, -SBP) #排除DBP和SBP后，剩下的筛选出来

t17<- select(t1, contains('D') #将包括D字母打头的变量名筛选出来

t18<- select(t1, DBP, everything()) #将DBP变量放在数据库最全面一列

select ( ) 更多的参数设置如下表

4.变形: mutate()

对已有列进行数据运算并添加为新列，这个是非常重要的数据转换功能。

# 计算BMI指数

t19 <- mutate(t1, bmi=weight/(height^2)*10000)

# 可以同时产生多个变量

t110<- mutate(t1, x1=weigh*2, x2=height/100)

mutate( )可以调用的函数很多，以下是部分函数

log(), log2(), log10(): 对值求 log;

lead(), lag(): 返回序列中当前位置前第几个值或后第几个值;

cume_dist(): 计算比当前值还小的值的比例, 相当于计算 density;

ntile():把数据分成若干块, 看每个数据在具体拿一个块;

cumsum(), cummean(), cummin(), cummax(), cumany(), cumall():计算和 (sum), 均值 (mean), 最小值 (min), 最大值 (max), 任何为真 (any), 所有为真 (all);

na_if():把特定地值转换为 NA;

coalesce(): 找出若干列中第一个不为 NA 的值;

if_else(): 向量化的 ifelse 函数的效果.

recode: 把一系列值转换为其他值

case_when: 多条件选择.

比如：

t111<- mutate(t19, lgbmi=lg(bmi)) # 计算BMI指数的对数

t21<- mutate(t2, income=recode(income,"1"=1,"2"=0)) # 对income变量重新赋值

5 汇总: summarise()

summarise()函数以及衍生函数，包括summarise_all, summarise_at，summarise_if主要进行数据的统计描述。

一般情况下，它们需要同时调动以下等其它函数来共同完成。

min()：返回最小值

max()：返回最大值

mean()：返回均值

sum()：返回总和

sd()：返回标准差

median()：返回中位数

IQR()：返回四分位极差

n()：返回观测个数

n_distinct()：返回不同的观测个数

first()：返回第一个观测

last()：返回最后一个观测

nth()：返回n个观测

#求DBP的均数和中位数

summarise(t1, DBP_mean = mean(DBP), DBP_median = median(DBP))

#求DBP和SBP的总个数、均数和标准差，需要调用summarise_at 函数，var()函数，funs() 函数

summarise_at(t1, vars(DBP, SBP), funs(n(), mean, median))

#求定量变量数据的均数和标准差，需要调用summarise_if 函数，var()函数，funs() 函数

summarise_if(t1, is.numeric, funs(n(),mean,median))

#存在着缺失值的时候，计算定均数和标准差，需要调用summarise_at 函数，var()函数，funs() 函数

summarise_at(t1, vars(DBP, SBP),

funs(n(), missing = sum(is.na(.)),

mean(., na.rm = TRUE),

median(.,na.rm = TRUE)))

6 分组: group_by()

当对数据集通过group_by()添加了分组信息后，mutate()，arrange() 和 summarise() 函数会自动对数据库执行分组操作。

group_by()的功能类似于SPSS拆分文件夹的功能，十分地好用。

tt1 <- group_by(tt, sex) # 首先根据性别进行数据库拆分。

tt2<- summarise(tt1, count = n()) # count = n()用来计算次数

或者直接将上述两句整合成一句

tt3 <- summarise_at(group_by(tt,sex) , vars(DBP, SBP), funs(n(), mean(., na.rm = TRUE)))

tt3

7. 数据库合并join()

在之前的内容中，我们介绍过用rbind，cbind，merge等函数进行数据库合并，但利用join()函数，花样更多。

left_join(t1,t2)

right_join(t1,t2)

inner_join(t1,t2,by=c(“”))

full_join(t1,t2, by = c("first", "last"))

semi_join(t1,t2, by = c("first", "last"))

anti_join(t1,t2, by = c("first", "last"))

前4种属于变形连接（mutating joins），后2种属于过滤连接（filtering joins）。

semi-joins基于第二个数据集的信息来过滤第一个数据集的数据。anti-joins找出合并时哪些行不能匹配第二个数据集

8. dplyr 包其它重要函数

由于篇幅的关系，不再一一介绍dplyr 包的函数，这里可以介绍下，有兴趣者可以进一步学习，比如dplyr 包的重命名rename(), 数据集重新再抽样sample(),数据转换transmute()都是是否有用的函数。

DAY14的内容就介绍到这里！

最后编辑：2022-06-02

作者：萌小白

一个热爱网络的青年！

站内专栏 邮箱