R语言必知必会之tidyverse：管道操作

Posted 2021-04-18 临床研究与医学统计

征得张敬信老师同意，本号将转载张老师关于R语言tidyverse包一系列文章，为大家进行医学研究提供助力。

来源：R&Python数据科学 知乎专栏

作者简介：张敬信，高校数学教师，研究兴趣：数学，数学建模，数据挖掘，机器学习，Matlab, R语言，Python，Mathematica，Latex

链接：https://www.zhihu.com/people/huc_zhangjingxin

前言

Hadley 大神的 tidyverse 包，将数据处理和建模整个流程所涉及到的：读入、清洗、重塑、汇总、可视化、探索、建模、结果展示的整个流程，都以一种“优雅”的方式整合到了一起。

我之前学了一遍 Hadley 的配套书《R for Data Science》，虽然比较系统全面，但重点部分有点过于基础，实用性欠缺了点。最近偶然看到一个非常好且精炼的进阶资料《Working in the Tidyverse》，主要以它为主，翻译并学习记录下来。

强烈建议大家，抛弃流传甚广的陈旧的数据操作方面的 R 语法，全面改用 tidyverse。

——————————————————————————————

下面先从第零篇，管道操作，开始。

一. 简介

magrittr 包引入了管道操作，能够通过管道将数据从一个函数传给另一个函数，从而用若干函数构成的管线依次变换你的数据。

先看一个例子，对数据集 warpbreaks，按分类变量 wool 和 tension 分组，对连续变量 breaks 做分组汇总，分别计算均值、中位数、标准差：

warpbreaks %>%
  group_by(wool, tension) %>%
  summarise_at(vars(breaks), list(~mean(.), ~median(.), ~sd(.)))

管道运算符%>%的意思是：将左边的运算结果，以输入的方式传给右边函数。若干个函数通过管道链接起来，叫做管线（pipeline）。

"ATMOSPHERE" %>% str_replace("SPHERE", "SQUARE") %>% str_to_lower() %>% print()

管线，也支持 Base R 函数：

month.abb %>%     # 内置月份名缩写的字符串
  sample(6) %>% 
  tolower() %>% 
  paste0(collapse = "|")

使用管道的好处是：

（1）避免使用过多的中间变量；

（2）程序可读性大大增强：

管道操作的过程，读起来就是对原数据集依次进行一系列操作的过程。而非管道操作，读起来与操作的过程是相反的，比如同样实现上例：

paste0(tolower(sample(month.abb, 6)), collapse="|")

二. 使用管道操作

1. 管道默认将输出传给下一个函数的第1个参数

. <- c(1, 3, 4, 5, NA)
mean(., na.rm=TRUE)

c(1, 3, 4, 5, NA) %>% mean(., na.rm=TRUE)
c(1, 3, 4, 5, NA) %>% mean(na.rm = TRUE)   # "."可以省略

2. 输出可以在右边使用多次

在右边的函数调用中需要借助"."：

c(1, 3, 4, 5) %>% plot(., main=paste(., collapse=", "))
# 第1个"."可以省略, 其余的"."不能省略
c(1, 3, 4, 5) %>% plot(main=paste(., collapse=", "))

3. 输出传给不是第1个参数

若函数的第1个参数不是接受数据，需要手动放置"."

# 错误做法
# iris %>% plot(Sepal.Width~Petal.Width)  # 相当于
# plot(x=iris, y=Sepal.Width~Petal.Width)
# 正确做法
iris %>% plot(Sepal.Width~Petal.Width, data = .)

4. 管道中使用函数

(1) 有时候想在管道中使用匿名函数

month.abb %>%   # 选择子集
  {.[1:3]}

# 等同于
month.abb %>%
  (function(.) {.[1:3]})

(2) 也可以将整个管线定义为一个函数，需要将"."作为管线的第1个值，将整个管线赋值给一个名字（函数名）

random_sepal_data <-    # 函数名
  . %>%                 # 用"."作为管线的开始
  select(Species, starts_with("Sepal")) %>% 
  sample_n(5) %>% 
  arrange(desc(Sepal.Length)) 

iris %>%
  random_sepal_data()

注意：管线函数总是一元的，只能接受一个参数，而且在管线中参数为一个"."；若要在管线内传递多个参数，需要用通常的方式 function() 定义函数。

5. 通常操作的管道函数

你可能想要用[ 或 [[ 或 $访问"."的内容，例如选择数据框的子集，查看直方图中某个条形的值。可以用这些函数的前缀形式实现，但可读性不好：

iris %>%
  filter(Petal.Length>2, Petal.Width>2) %>%
  `[[`("Sepal.Length") %>%
  hist(main="Histogram of 'Sepal.Length' after subsetting")

magrittr 包提供了一些函数来实现这样的操作，更多函数可用 ?extract 查阅。

iris %>%
  head() %>%
  extract(c("Sepal.Length","Sepal.Width"))       # 提取列, 返回数据框

iris %>%
  head() %>%
  extract2("Sepal.Length")        # 提取1列, 返回向量

注意：不同包中同名的函数，默认是选最近加载的包中的。建议用加前缀的方式“magrittr::”为这样的函数指定包。

参考文献：

1. 1. Desi Quintans, Jeff Powell. Working in the Tidyverse. hiercourse.com/

2. 2. Garrett Grolemund, Hadley Wickham. R for Data Science. r4ds.had.co.nz/