R学习笔记 第五篇：数据变换和清理

Posted 2020-10-15 悦光阴

在使用R的分组操作之前，首先要了解R语言包，包实质上是实现特定功能的，预先写好的代码库（library），R拥有大量的软件包，许多包都是由某一领域的专家编写的，但并不是所有的包都有很高的质量的，在使用包之前，最好导社区中了解其他网友的反馈。

安装包，引用包和卸载包的命令分别是：

install.packages("package-name")
library(package-name)
remove.packages("package-name")

数据分析的工作，80%的时间耗费在处理数据上，而数据处理的过程可以分为：分离-操作-结合（Split-Apply-Combine），也就是说，先将数据根据特定的字段分组，每个分组都是独立的；然后，对每个分组执行转换，最后把转换后的结果组合在一起，在数据处理中，经常需要循环访问数据，R语言是矢量化的，天生具有处理循环操作的优势。

一，分组聚合

在apply函数家族中，apply函数只能用于矩阵，lapply函数能够用于向量和列表（list），其工作原理是把一个函数应用于一个列表中的每个元素上，并且把结果作为列表返回；sapply处理列表，返回向量。mapply函数，把调用的函数应用到多个列表的每一个元素中。

tapply函数用于分组聚合运算，在研究数据时，有时需要对数据按照特定的字段进行分组，然后统计各个分组的数据，这就是SQL语法中的分组聚合。在R语言中，可以通过三步实现：拆分-应用-合并（Split-Apply-Combine）

例如，对玩家的游戏成绩进行统计和分析，创建示例数据：

> players_scores=data.frame(
+     player=rep(c(‘Tom‘,‘Dick‘,‘Jim‘),times=c(2,5,3)),
+     score=round(runif(10,1,100),-1)
+ )

计算每个玩家的平均得分，首先对玩家分组，split函数的作用是按照特定的字段对数据框进行分组，第一个参数是数据框对象，第二个参数是分组字段，split函数返回的结果是列表对象。

例如，split(score,player)函数的作用是按照player字段把数据框中的score拆分成一组，也就是说，player 相同的score是同一个分组，填充到同一个列表项中：

> (scores_by_player=with(players_scores,split(score,player)))
$Dick
[1] 70 20 30 70 70

$Jim
[1] 80 90 50

$Tom
[1] 80 90

第二步是对每个分组计算平均分，利用lapply函数，把函数引用于列表的每个列表项中：

list_mean_by_player=lapply(scores_by_player,mean)

第三步是把结果合并到单个向量中，也就是把列表转换成向量，

> unlist(list_mean_by_player)
    Dick      Jim      Tom 
52.00000 73.33333 85.00000 

在数据分析中，”拆分-应用-合并“ 显示十分繁琐，tapply函数一次完成所有的三个步骤，一气呵成：

with(players_scores,tapply(score,player,mean))

tapply函数常用的参数共有三个，第一个参数是：数据框对象或向量，第二个参数是因子列表，也就是分组字段，第三个参数是指对单个分组应用的函数变量：

tapply(X, INDEX, FUN = NULL, ...)

by函数和aggregate函数是tapply函数的包装函数，功能相同，接口稍微不同。

二，aggregate函数

aggregate函数把数据分离为单独的子集，为每一个子集计算聚合值，然后把聚合值结合（combine）在一起返回。aggregate函数第一个参数是：price~cut，这是formula对象，包括符号“ ~”，以及在符号“~”两侧的变量，左侧代表要计算聚合值的变量（聚合变量），右侧代表分组的变量，函数依据分组变量，把数据分离为多个单独的子集。第二个参数是操作的数据框，第三个参数是应用在符号“~”左侧的函数，例如：

> library(ggplot2)
> data("diamonds")

data函数的作用是加载指定的数据集，本例将加载ggplot2包中的diamonds数据集，这个数据集在下文直接引用。

使用aggregate函数操作diamonds数据集，按照cut字段分组，函数mean的作用是为每个分组计算prince的平均值：

> aggregate(price~cut,diamonds,mean)

aggregate函数能够添加多余一个的分组变量，只需要在formula右侧添加变量，并用加号“+”隔离：

> aggregate(price~cut+color,diamonds,mean)
         cut color    price
1       Fair     D 4291.061
2       Good     D 3405.382
3  Very Good     D 3470.467
....

aggregate函数能够添加多个聚合变量，只需要在formula左侧，使用函数cbind把两个变量组合起来：

> aggregate(cbind(price,carat)~cut,diamonds,mean)
        cut    price     carat
1      Fair 4358.758 1.0461366
2      Good 3928.864 0.8491847
3 Very Good 3981.760 0.8063814
4   Premium 4584.258 0.8919549
5     Ideal 3457.542 0.7028370

还可以在aggregate函数formular对象的两侧分别添加多个变量执行操作

> aggregate(cbind(price,carat)~cut+color,diamonds,mean)
         cut color    price     carat
1       Fair     D 4291.061 0.9201227
2       Good     D 3405.382 0.7445166
....

三，plyr包

plyr包基本上可以取代apply函数家族，plyr包核心函数的特点是：**ply，所有的函数名都由5个字符组成，且最后三个字符是ply，函数名的第一个字符代表输入值的类型，第二个字符代表输出值的类型。类型简写是：

• d：data.frame
• l：list
• a：array，vector，matrix
• r：代表replicate
• _：舍弃输出结果

plyr包的核心函数，使用起来十分方便，使用之前，需要加载和引用plyr包：

install.packages("plyr")
library(plyr)

1,ddply函数

plyr包中最常用的函数是ddply函数，函数的第一个参数是要操作的数据框，第二个参数是：要进行拆分的列的名称，第三个参数是要应用到每个元素上的函数。传递列时，无需引号，但是需要包含在.(col_name)的调用之后。

使用colwise函数，使ddply函数把第三个参数引用于每一列，除了第二个参数指定的数据列之外，或者使用summarize函数对指定的列执行操作：

> ddply(diamonds,.(color),summarize,avg_price=mean(price),avg_carat=mean(carat))
  color avg_price avg_carat
1     D  3169.954 0.6577948
2     E  3076.752 0.6578667
.....

2，each函数

each函数，能够使函数aggregate函数同时调用多个函数

> aggregate(cbind(price,carat)~cut+color,diamonds,each(mean,sum))
         cut color   price.mean    price.sum   carat.mean    carat.sum
1       Fair     D     4291.061   699443.000    0.9201227  149.9800000
2       Good     D     3405.382  2254363.000    0.7445166  492.8700000
......

三，dplyr包

dplyr包只能用于tibble类型的对象，用于对数据进行数据清理和转换，使用以下命令加载和引用dplyr包：

install.packages("dplyr")
library(dplyr)

tibble 类型是dplyr包特有的对象类型（data frame tbl / tbl_df）。在利用dplyr包处理数据之前，首先需要把数据框装载成tibble类型，可以调用 tbl_df函数把数据框类型的数据装载成 tibble 类型的数据对象：

> df=tbl_df(diamonds)

1，投影函数（select）

从tibble变量中，选择特定的数据列显示，select函数的第一个参数是tibble变量：

> select(df,carat,cut,color)

2，筛选函数（filter）

从tibble变量中，按照特定的条件过滤数据：

> filter(df,color==‘E‘)

3，转换函数（mutate）

根据tibble变量中的数据，应用指定的公式，派生新的数据列，或重写已经存在的数据列：

> mutate(df,avg_ct=price/carat)

4，汇总函数（summarize）

对tibble变量执行聚合运算，如果tibble已经被分组，那么单独对每个分组进行聚合运算：

> summarize(df,avg_prince=mean(price),avg_ct=mean(carat))

5，分组函数（group_by）和移除分组(ungroup)

被分组之后，tibble变量处于分组状态，可以使用ungroup函数，移除tibble变量的分组状态。

group_by(df,color)

6，管道操作符（%>%）

管道操作符（%>%）用于把前一步操作的结果集（变量类型是tibble）传递到下一个函数中，赋值给函数的第一个参数中：

> group_by(df,color) %>% summarize(mean(price))
# A tibble: 7 x 2
  color `mean(price)`
  <ord>         <dbl>
1     D      3169.954
2     E      3076.752
3     F      3724.886
4     G      3999.136
5     H      4486.669
6     I      5091.875
7     J      5323.818

7，排序函数（arrange）

arrange对tibble变量进行排序，默认是按照字段的升序值排序，使用desc(field)，可以按照字段的降序值排序：

> group_by(df,color) %>% summarize(avg_price=mean(price)) %>% arrange(desc(avg_price))

 

参考文档：

R语言滴水穿石系列文章（一）：dplyr-高效的数据变换与整理工具

dplyr Package