使用dplyr进行数据操作（30个实例）

dplyr软件包是R中功能最强大，最受欢迎的软件包之一。该软件包由最受欢迎的R程序员Hadley Wickham编写，他编写了许多有用的R软件包，如ggplot2，tidyr等。本文包括一些示例和如何使用使用dplyr软件包来清理和转换数据。这是一个关于数据操作和数据处理的完整教程。

什么是dplyr？

dplyr是一个强大的R软件包，用于处理，清理和汇总非结构化数据。简而言之，它使得R中的数据探索和数据操作变得简单快捷。

dplyr有什么特别之处？

软件包“dplyr”包含许多主要使用的数据操作功能，例如应用过滤器，选择特定列，排序数据，添加或删除列以及聚合数据。这个包的另一个最重要的优点是学习和使用dplyr函数非常容易。也很容易回想起这些功能。例如，filter（）用于过滤行。

dplyr与基本R函数

dplyr函数处理速度比基本R函数快。 这是因为dplyr函数是以计算有效的方式编写的。 它们在语法上也更稳定，并且比向量更好地支持数据帧。

SQL查询与dplyr

数十年来人们一直在使用SQL来分析数据。 每个现代数据分析软件如Python，R，SAS等都支持SQL命令。 但SQL从未被设计为执行数据分析。 它专为查询和管理数据而设计。 有许多数据分析操作在SQL失败或使简单的事情困难。 例如，计算多个变量的中位数，将宽格式数据转换为长格式等。而dplyr软件包的设计目的是进行数据分析。

dplyr函数的名称类似于SQL命令，如用于选择变量的select（），group_by（） - 通过对变量进行分组来组合数据，join（） - 将两个数据集合在一起。 还包括inner_join（）和left_join（）。 它也支持SQL常用的子查询。

要安装dplyr软件包，请键入以下命令。

1. install.packages("dplyr")

要加载dplyr包，请在下面输入命令

1. library(dplyr)

数据：各国的收入数据

在本教程中，我们使用以下数据，其中包含2002年至2015年各州产生的收入。注意：此数据不包含各州的实际收入数据。

该数据集包含51个观测值（行）和16个变量（列）。 下面显示了数据集前6行的快照。

数据集下载链接（密码：9ny3）

如何加载数据

提交以下代码。 在下面的代码中更改文件路径。

1. mydata <- read.csv("D:/datasets/sampledata.csv")

sample_n函数从数据框（或表）中随机选择行。 函数的第二个参数告诉R要选择的行数。

1. sample_n(mydata, 3)

实例2：随机选择总行的N%

sample_frac函数随机返回N％的行。 在下面的例子中，它随机返回10％的行。

1. sample_frac(mydata, 0.1)

distinct函数用于消除重复行

1. x1 <- dplyr::distinct(mydata)

在此数据集中，没有单个重复行，因此返回的行数与mydata中的行数相同。

实例4：基于单个变量删除重复行

.keep_all函数用于保留输出数据框中的所有其他变量。

1. x2 <- dplyr::distinct(mydata, Index, .keep_all= TRUE)

在下面的例子中，我们使用两个变量 - Index，Y2010来确定唯一性。

1. x3 <- dplyr::distinct(mydata, Index, Y2010, .keep_all= TRUE)

假设你被要求只选择几个变量。 下面的代码选择变量“Index”，从“State”到“Y2008”的列。

1. mydata2 <- select(mydata, Index, State:Y2008)

变量前面的减号表示R放弃变量。

1. mydata3 <- select(mydata, -Index, -State)

上面的代码也可以写成：

1. mydata4 <- select(mydata, -c(Index, State))

starts_with（）函数用于选择以字母开头的变量。

1. mydata5 <- select(mydata, starts_with('Y'))

在starts_with（）之前添加一个负号表示将删除以’Y’开始的变量

1. mydata6 <- select(mydata, -starts_with('Y'))

以下函数可帮助您根据名称选择变量。

实例9：选择变量名中包含”l”的变量

1. mydata7 <- select(mydata, contains('l'))

下面的代码保持变量’State’在前面，其余的变量跟随其后。

1. mydata8 <- select(mydata, State, everything())

rename函数可用于重命名变量。

在下面的代码中，我们将’Index’变量重命名为’Index1’。

1. mydata9 <- rename(mydata, Index1=Index)
2. names(mydata9)

假设你需要子集数据。 您想过滤行并仅保留Index等于A的那些值。

1. mydata10 <- filter(mydata, Index == "A")

%in%运算符可用于选择多个项目。 在下面的程序中，我们告诉R选择Index列中的’A’和’C’行。

1. mydata11 <- filter(mydata, Index %in% c("A", "C"))

假设你需要应用’AND’条件。 在这种情况下，我们在“索引”栏中选择’A’和’C’的数据，并在2002年收入超过130万美元。

1. mydata12 <- filter(mydata, Index %in% c("A", "C") & Y2002 >= 1300000 )

‘|’表示逻辑条件中的或。 它意味着这两个条件中的任何一个。

1. mydata13 <- filter(mydata, Index %in% c("A", "C") | Y2002 >= 1300000)

“！” 符号用于反转逻辑条件。

1. mydata13 <- filter(mydata, !Index %in% c("A", "C"))

grepl函数用于搜索模式匹配。 在下面的代码中，我们正在查找state列包含“Ar”的记录。

1. mydata14 <- filter(mydata, grepl("Ar", State))

在下面的例子中，我们计算了变量Y2015的平均值和中位数。

1. summarise(mydata, Y2015_mean = mean(Y2015), Y2015_med=median(Y2015))

在下面的例子中，我们计算了记录的数量，变量Y2005和Y2006的平均值和中位数。 summarise_at函数允许我们通过名称选择多个变量。

1. summarise_at(mydata, vars(Y2005, Y2006), funs(n(), mean, median))

我们也可以在汇总功能中使用自定义函数。 在这种情况下，我们计算记录数，缺失值的数量，变量Y2011和Y2012的平均数和中位数。 点（.）表示函数的第二个参数中指定的每个变量。

1. summarise_at(mydata, vars(Y2011, Y2012),
2. funs(n(), missing = sum(is.na(.)),
3. mean(., na.rm = TRUE),
4. median(.,na.rm = TRUE)))

summarise_if函数允许您有条件地总结。

1. summarise_if(mydata, is.numeric, funs(n(),mean,median))

或者

1. numdata <- mydata[sapply(mydata,is.numeric)]
2. summarise_all(numdata, funs(n(),mean,median))

我们正在检查分类（因子）变量中的级别/类别数量和缺失观察数量。

1. summarise_all(mydata["Index"], funs(nlevels(.), nmiss=sum(is.na(.))))

arrange（）函数的默认排序顺序是递增的。 在这个例子中，我们通过多个变量来排序数据。

1. arrange(mydata, Index, Y2011)

假设你需要按降序对其中一个变量进行排序，而对其他变量则按升序排序。

1. arrange(mydata, desc(Index), Y2011)

我们通过变量Index计算变量Y2011和Y2012的变量的计数和均值。

1. t <- summarise_at(group_by(mydata, Index), vars(Y2011, Y2012), funs(n(), mean(., na.rm = TRUE)))

或者

1. t <- mydata %>% group_by(Index) %>%
2. summarise_at(vars(Y2011:Y2015), funs(n(), mean(., na.rm = TRUE)))

假设您需要从“A”，“C”和“I”类别的变量索引中抽取前两行。

1. t <- mydata %>% filter(Index %in% c("A", "C","I")) %>% group_by(Index) %>%
2. do(head( . , 2))

我们正在通过变量Index计算变量Y2015的第三个最大值。 以下代码首先仅选择两个变量Index和Y2015。 然后它用’A’，’C’和’I’过滤变量索引，然后对变量进行分组，然后按降序对变量Y2015进行排序。 最后，它选择第三行。

1. t <- mydata %>%
2. select(Index, Y2015) %>%
3. filter(Index %in% c("A", "C","I")) %>%
4. group_by(Index) %>%
5. do(arrange(.,desc(Y2015))) %>%
6. slice(3)

像SQL一样，dplyr使用窗口函数来将数据分组。 它返回值的向量。 我们可以使用min_rank（）函数来计算上例中的rank，

1. t <- mydata %>% select(Index, Y2015) %>%
2. filter(Index %in% c("A", "C","I")) %>%
3. group_by(Index) %>%
4. filter(min_rank(desc(Y2015)) == 3)

在这种情况下，我们通过变量Index来计算变量Y2014和Y2015的均值。 然后通过计算的变量Y2015的均值对结果进行排序。

1. t <- mydata %>%
2. group_by(Index)%>%
3. summarise(Mean_2014 = mean(Y2014, na.rm=TRUE),
4. Mean_2015 = mean(Y2015, na.rm=TRUE)) %>%
5. arrange(desc(Mean_2015))

以下代码用变量Y2015除以Y2014的的值其命名为“change”。

1. mydata15 <- mutate(mydata, change=Y2015/Y2014)

它创建新的变量并用后缀“_new”命名。

1. mydata11 <- mutate_all(mydata, funs("new" = .* 1000))

假设您需要计算变量Y2008至Y2010的排名。

1. mydata17 <- mutate_at(mydata, vars(Y2008:Y2010), funs(Rank=min_rank(.)))

您在阅读中，有什么见解，请评论。

链接：https://www.listendata.com/2016/08/dplyr-tutorial.html

最后编辑：2021-10-16

作者：萌小白

一个热爱网络的青年！

站内专栏 邮箱