R语言学习11-数据处理

Posted 2021-04-18 柠檬培养师

本次课程我们学习dplyr和tidyr包中的一些常用函数对数据的处理。

worldcup数据集

假设我们已经在工作空间中读入了worldcup数据，这个数据概况是这样的。

> head(worldcup) Team Position Time Shots Passes Tackles SavesAbdoun Algeria Midfielder 16 0 6 0 0Abe Japan Midfielder 351 0 101 14 0Abidal France Defender 180 0 91 6 0Abou Diaby France Midfielder 270 1 111 5 0Aboubakar Cameroon Forward 46 2 16 0 0Abreu Uruguay Forward 72 0 15 0 0

现在我们想取其中的Time, Passes, Tackles, Saves这4列，就可以使用dplyr中的select函数。

> wc_1 <- worldcup %>% select(Time, Passes, Tackles, Saves)> head(wc_1) Time Passes Tackles SavesAbdoun 16 6 0 0Abe 351 101 14 0Abidal 180 91 6 0Abou Diaby 270 111 5 0Aboubakar 46 16 0 0Abreu 72 15 0 0

上述代码中%>% 是dplyr中的管道操作符，功能类似linux中的|，作用就是将上一步的结果传给下一步作为输入。

因此worldcup %>% select(Time, Passes, Tackles, Saves) 其实就等价于 select(worldcup, Time, Passes, Tackles, Saves)。

在对数据进行多步操作时，管道操作符是很有用的一个东西。可以避免使用很多变量，以及节省内存空间。下面的操作都会基于管道操作符。

下面我们基于上述代码，对取得的4列数据进行取平均值。

> wc_2 <- worldcup %>%+ select(Time, Passes, Tackles, Saves) %>%+ summarise(Time = mean(Time), Passes = mean(Passes), Tackles = mean(Tackles), Saves = mean(Saves))> wc_2 Time Passes Tackles Saves1 208.8639 84.52101 4.191597 0.6672269

通过summarise()函数可以对数据做汇总，取均值，求和或者其他操作都可以。

现在我们希望把取得结果做一个转换，变成下面这种形式。

 var mean Time 208.8638655 Passes 84.5210084 Tackles 4.1915966 Saves 0.6672269

这个时候就可以用到tidyr中的gather()函数，这个函数的作用就是把放在行里的数据，转成放在列里。

> wc_3 <- worldcup %>% + select(Time, Passes, Tackles, Saves) %>%+ summarize(Time = mean(Time),+ Passes = mean(Passes),+ Tackles = mean(Tackles),+ Saves = mean(Saves)) %>%+ gather(var, mean)> wc_3 var mean1 Time 208.86386552 Passes 84.52100843 Tackles 4.19159664 Saves 0.6672269

gather()的第一个参数，实际是前面步骤传入的数据，第二个参数var其实是给原来的表头那行转成列的列名，第三个参数mean则是原来的行值，转列后的列名。

最后，我们发现mean列的小数位数太多了，我们只想取1位小数。mutate()函数可以在原来的数据基础上新建列，或代替原来的列。所以我们可以新建mean列并取1位小数，来代替原来的mean列。

> wc_4 <- worldcup %>% + select(Time, Passes, Tackles, Saves) %>%+ summarize(Time = mean(Time),+ Passes = mean(Passes),+ Tackles = mean(Tackles),+ Saves = mean(Saves)) %>%+ gather(var, mean) %>%+ mutate(mean = round(mean, 1))> wc_4 var mean1 Time 208.92 Passes 84.53 Tackles 4.24 Saves 0.7

Titanic数据集

我们使用titanic数据集来学习以下其他操作，第一步依然是使用select()来选择其中的几列。

> titanic_1 <- titanic %>% + select(Survived, Pclass, Age, Sex)> head(titanic_1) Survived Pclass Age Sex1 0 3 22 male2 1 1 38 female3 1 3 26 female4 1 1 35 female5 0 3 35 male6 0 3 NA male

我们看到Age列的第6行，有NA值。现在我们想把Age列是NA的行全都删掉，可以使用filter()函数。

> titanic_2 <- titanic %>% + select(Survived, Pclass, Age, Sex) %>%+ filter(!is.na(Age))> head(titanic_2) Survived Pclass Age Sex1 0 3 22 male2 1 1 38 female3 1 3 26 female4 1 1 35 female5 0 3 35 male6 0 1 54 male

filter()会保留满足条件的行，因此is.na前面要加!，表示取反。

接下来，我们要对Age的值进行分类，分成3类，分别是Under 15， 15 to 50， Over 50。因此我们要新建一个agecat列，使用mutate()函数。分类则使用cut函数。

> titanic_3 <- titanic %>% + select(Survived, Pclass, Age, Sex) %>%+ filter(!is.na(Age)) %>%+ mutate(agecat = cut(Age, breaks = c(0, 14.99, 50, 150),+ include.lowest = TRUE,+ labels = c("Under 15", "15 to 50", "over 50")))> head(titanic_3) Survived Pclass Age Sex agecat1 0 3 22 male 15 to 502 1 1 38 female 15 to 503 1 3 26 female 15 to 504 1 1 35 female 15 to 505 0 3 35 male 15 to 506 0 1 54 male over 50

最后，我们对Survived、Pclass、agecat这3列进行分组聚合操作，找出总人数和幸存人数，并计算幸存率。

> titanic_4 <- titanic %>% + select(Survived, Pclass, Age, Sex) %>%+ filter(!is.na(Age)) %>%+ mutate(agecat = cut(Age, breaks = c(0, 14.99, 50, 150), + include.lowest = TRUE,+ labels = c("Under 15", "15 to 50",+ "Over 50"))) %>%+ group_by(Pclass, agecat, Sex) %>%+ summarise(N = n(),+ survivors = sum(Survived == 1),+ perc_survived = 100 * survivors / N) %>% ungroup()> titanic_4# A tibble: 18 x 6 Pclass agecat Sex N survivors perc_survived <int> <fct> <chr> <int> <int> <dbl> 1 1 Under 15 female 2 1 50  2 1 Under 15 male 3 3 100  3 1 15 to 50 female 70 68 97.1  4 1 15 to 50 male 72 32 44.4  5 1 Over 50 female 13 13 100  6 1 Over 50 male 26 5 19.2  7 2 Under 15 female 10 10 100  8 2 Under 15 male 9 9 100  9 2 15 to 50 female 61 56 91.8 10 2 15 to 50 male 78 5 6.4111 2 Over 50 female 3 2 66.7 12 2 Over 50 male 12 1 8.3313 3 Under 15 female 27 13 48.1 14 3 Under 15 male 27 9 33.3 15 3 15 to 50 female 74 33 44.6 16 3 15 to 50 male 217 29 13.4 17 3 Over 50 female 1 1 100 18 3 Over 50 male 9 0 0

小结

学习dplyr和tidyr中几个常用函数的使用。

•select()•group_by()•summarise()•mutate()•filter()•gather()