R語言dplyr包主要用于數據清洗和整理，主要功能有：行選擇、列選擇、統計匯總、窗口函數、數據框交集等是非常高效、友好的數據處理包，學清楚了，基本上數據能隨意玩弄，對的，隨意玩弄，簡直大大提高數據處理及分析效率。我以為，該包是數據分析必學包之一。學習過程需要大量試驗，領悟其中設計的精妙之處。

          作者：小伍哥

          來源：AI入門學習

#包安裝與加載

install.packages("dplyr")

library(dplyr)

#調用mtcars數據&數據集介紹

data(mtcars)

str(mtcars)

本文案例使用數據集 mtcars 具體結構如下,直接加載即可共11個字段，32條數據，每個字段的含義如下:mpg-百公里油耗；cyl-氣缸數；disp-排量；hp-馬力；drat-軸距；wt-重量； qsec-百公里時間 ；vs-發動機類型

##############################################################

按行篩選: filter()

按給定的邏輯判斷篩選出符合要求的子數據集, 類似于 subset() 函數

filter(mtcars, mpg>=22)

filter(mtcars, cyl == 4 | gear == 3)

filter(mtcars, cyl == 4 & gear == 3)

注意: 表示 AND 時要使用 & 而避免 &&

##############################################################

按列篩選：select 

select()用列名作參數來選擇子數據集。dplyr包中提供了些特殊功能的函數與select函數結合使用，用于篩選變量，包括starts_with，ends_with，contains，matches，one_of，num_range和everything等。用于重命名時，select()只保留參數中給定的列，rename()保留所有的列，只對給定的列重新命名。原數據集行名稱會被過濾掉。

data(iris)

iris = tbl_df(iris)  

#選取變量名前綴包含Petal的列  

select(iris, starts_with("Petal"))  

#選取變量名前綴不包含Petal的列  

select(iris, -starts_with("Petal"))  

#選取變量名后綴包含Width的列  

select(iris, ends_with("Width"))  

#選取變量名后綴不包含Width的列  

select(iris, -ends_with("Width"))  

#選取變量名中包含etal的列  

select(iris, contains("etal"))  

#選取變量名中不包含etal的列  

select(iris, -contains("etal"))  

#正則表達式匹配，返回變量名中包含t的列  

select(iris, matches(".t."))  

#正則表達式匹配，返回變量名中不包含t的列  

select(iris, -matches(".t."))  

#直接選取列  

select(iris, Petal.Length, Petal.Width)  

#返回除Petal.Length和Petal.Width之外的所有列  

select(iris, -Petal.Length, -Petal.Width)  

#使用冒號連接列名，選擇多個列  

select(iris, Sepal.Length:Petal.Width)  

#選擇字符向量中的列，select中不能直接使用字符向量篩選，需要使用one_of函數  

vars <- c("Petal.Length", "Petal.Width")  

select(iris, one_of(vars))  

#返回指定字符向量之外的列  

select(iris, -one_of(vars))  

#返回所有列，一般調整數據集中變量順序時使用  

select(iris, everything())  

#調整列順序，把Species列放到最前面  

select(iris, Species, everything())  

##############################################################

神奇變形函數：mutate（）transmute()

mutate()和transmute()函數對已有列進行數據運算并添加為新列，類似于transform() 函數，不同的是可以在同一語句中對剛增添加的列進行操作，mutate()返回的結果集會保留原有變量，transmute()只返回擴展的新變量，原數據集行名稱會被過濾掉

1、mutate變量變形

1.1 單個變量操作：mutate可以對數據框中已有的變量進行操作或者增加變量，值得稱贊的是，一段mutate的代碼中，靠后的變量操作可以操作前期新添加或改變的變量，這是transform所不具備的特性。

1.1.1新增列

mtcars%>% mutate(cyl2 = cyl * 2,cyl4 = cyl2 * 2)

1.1.2刪除列

mtcars %>% mutate(mpg = NULL,disp = disp * 0.0163871)

mtcars %>% mutate(cyl = NULL)

不需要的列不在了

1.1.3窗口函數應用

mtcars %>% group_by(cyl) %>% mutate(rank    = min_rank(desc(mpg)))

mtcars %>% group_by(cyl) %>% mutate(mpg_max = max(mpg))

原來的明細還保留，同時每個分組的統計值算出來了，是不是很方便

1.2 批量操作

同時若你嫌麻煩一個個地對變量進行操作，還可以使用mutate_each函數對數據框中的變量批量操作，通過調整funs（即functions）和vars（variables）參數控制functions的數量，以及參與變形的variables，這里控制variables的技巧與select函數相似。

#對每個變量進行排名

mtcars%>%mutate_each(funs(dense_rank)) 

 mpg cyl disp hp drat wt qsec vs am gear carb

1   16   2   13 11   16  9     6   1   2   2    4

2   16   2   13 11   16 12   10  1  2    2    4

3   19   1    6  6    15  7     22  2  2    2    1

4   17   2   16 11    5 16    24  2  1    1    1

5   13   3   23 15    6 18   10   1  1    1    2

#對disp的變量進行排名

mtcars%>%mutate_each(funs(dense_rank,min_rank),disp)

   mpg cyl  disp  hp drat    wt  qsec vs am gear carb dense_rank min_rank

1  21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4         13       13

2  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4         13       13

3  22.8   4 108.0  93 3.85 2.320 18.61  1   1    4    1          6          6

4  21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1         16       18

5  18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2         23       27

6  18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1         15       17

7  14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4         23        27

#對除了disp的變量進行排名

mtcars%>%mutate_each(funs(dense_rank,min_rank),-disp)

2、transmute

返回值中不包含原數據集變量，只保留計算轉換后的變量。

mtcars%>%mutate(wt_log=log(wt))

mtcars%>%transmute(wt_log=log(wt))

mtcars %>%mutate(displ_l = disp / 61.0237)

mtcars %>%transmute(displ_l = disp / 61.0237)

##############################################################

 排名函數 ：ranking

row_number   通用排名，并列的名次結果按先后順序不一樣，靠前出現的元素排名在前

min_rank       通用排名，并列的名次結果一樣，占用下一名次。

dense_rank   中國式排名，并列排名不占用名次，如：無論有幾個并列第2名，之后的排名仍應該是第3名

percent_rank 按百分比的排名

cume_dist    累計分布區間的排名

ntile              粗略地把向量按堆排名，n即是堆的數量

x = c(5, 1, 3, 2, 2, NA)

row_number(x)

min_rank(x)

dense_rank(x)

percent_rank(x)

cume_dist(x)

ntile(x, 2)

mtcars%>%mutate(dense_rank=cume_dist(cyl))

##############################################################

排序函數: arrange()  

注意，排序與排名的區別，結合rank函數理解

按給定的列名依次對行進行排序.

arrange(mtcars, mpg)

arrange(mtcars, mpg,disp)

對列名加 desc() 進行倒序 或者負數:

arrange(mtcars, desc(mpg))

arrange(mtcars, -mpg)

##############################################################

去重函數：distinct 

distinct()用于對輸入的tbl進行去重，返回無重復的行，類似于 base::unique() 函數，但是處理速度更快。原數據集行名稱會被過濾掉。

#

df <- data.frame(  x = sample(10, 100, rep = TRUE),  

                            y = sample(10, 100, rep = TRUE)  )  

#以全部兩個變量去重，返回去重后的行數  

nrow(distinct(df))  

nrow(distinct(df, x, y))  

#以變量x去重，只返回去重后的x值  

distinct(df, x)  

#以變量y去重，只返回去重后的y值  

distinct(df, y)  

#以變量x去重，返回所有變量  

distinct(df, x, .keep_all = TRUE)  

#以變量y去重，返回所有變量  

distinct(df, y, .keep_all = TRUE)  

#對變量運算后的結果去重  

distinct(df, diff = abs(x - y))

##############################################################

匯總函數：summarise 

1、直接匯總

#返回數據框中變量disp的均值  

summarise(mtcars, mean(disp))  

#返回數據框中變量disp的標準差  

summarise(mtcars, sd(disp))  

#返回數據框中變量disp的最大值及最小值  

summarise(mtcars, max(disp), min(disp))  

#返回數據框mtcars的行數  

summarise(mtcars, n())  

#返回unique的gear數  

summarise(mtcars, n_distinct(gear))  

#返回disp的第一個值  

summarise(mtcars, first(disp))  

#返回disp的最后個值  

summarise(mtcars, last(disp))  

2、分組統計

# 按變量cyl分組，求disp的均值和個數

mtcars %>%group_by(cyl) %>%

summarise(mean = mean(disp), n = n())

# 按變量cyl, vs分組，求每個組的記錄數

mtcars %>%

group_by(cyl, vs) %>%

summarise(cyl_n = n()) %>%

group_vars()

# 按變量cyl分組，求disp的均值和標準差

mtcars %>%

group_by(cyl) %>%

summarise(disp = mean(disp), sd = sd(disp))

##############################################################

數據匹配函數：join 系列

#數據框中經常需要將多個表進行連接操作, 如左連接、右連接、內連接等，dplyr包也提供了數據集的連接操作，

#類似于 base::merge() 函數。語法如下： 

#內連接，合并數據僅保留匹配的記錄

inner_join(x,y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...) 

#左連接，向數據集x中加入匹配的數據集y記錄

left_join(x,y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...)

#右連接，向數據集y中加入匹配的數據集x記錄

right_join(x,y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...) 

#全連接，合并數據保留所有記錄，所有行

full_join(x,y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...)

#返回能夠與y表匹配的x表所有記錄 

semi_join(x,y, by = NULL, copy = FALSE, ...)

#返回無法與y表匹配的x表的所有記錄

anti_join(x, y, by = NULL, copy = FALSE, ...) 

df1 = data.frame(CustomerId=c(1:6), sex = c("f", "m", "f", "f", "m", "m"), Product=c(rep("Toaster",3), rep("Radio",3)))  

df2 = data.frame(CustomerId=c(2,4,6,7),sex = c( "m", "f", "m", "f"), State=c(rep("Alabama",3), rep("Ohio",1)))  

#內連接，默認使用"CustomerId"和"sex"連接  

inner_join(df1, df2)  

#左連接，默認使用"CustomerId"和"sex"連接  

left_join(df1, df2)  

#右連接，默認使用"CustomerId"和"sex"連接  

right_join(df1, df2)  

#全連接，默認使用"CustomerId"和"sex"連接  

full_join(df1, df2)  

#內連接，使用"CustomerId"連接，同名字段sex會自動添加后綴  

inner_join(df1, df2, by = c("CustomerId" = "CustomerId"))  

#以CustomerId連接，返回df1中與df2匹配的記錄  

semi_join(df1, df2, by = c("CustomerId" = "CustomerId"))  

#以CustomerId和sex連接，返回df1中與df2不匹配的記錄  

anti_join(df1, df2)  

##############################################################

集合操作函數: set

dplyr也提供了集合操作函數，實際上是對base包中的集合操作的重寫，但是對數據框和其它表格形式的數據操作更加高效。語法如下：

#取兩個集合的交集

intersect(x,y, ...)

#取兩個集合的并集，并進行去重

union(x,y, ...)

#取兩個集合的并集，不去重

union_all(x,y, ...)

#取兩個集合的差集

setdiff(x,y, ...)

#判斷兩個集合是否相等

setequal(x, y, ...)

mtcars$model <- rownames(mtcars)  

first <- mtcars[1:20, ]  

second <- mtcars[10:32, ]  

#取兩個集合的交集  

intersect(first, second)  

#取兩個集合的并集，并去重  

union(first, second)  

#取兩個集合的差集，返回first中存在但second中不存在的記錄  

setdiff(first, second)  

#取兩個集合的交集，返回second中存在但first中不存在的記錄  

setdiff(second, first)  

#取兩個集合的交集, 不去重  

union_all(first, second)  

#判斷兩個集合是否相等，返回TRUE  

setequal(mtcars, mtcars[32:1, ]) 

##############################################################

匯總函數：tally系列

tally是一個很方便的計數函數，其根據最初的調用而決定下一次調用n或者sum(n)。它還有其他的小伙伴比如count和n，都是計數家族的。

iris%>%group_by(Species)%>%tally

iris%>%group_by(Species)%>%tally

 

 

 ##############################################################

抽樣函數：sample系列

此sample系列是對數據框進行隨機抽樣，只作用于數據框和dplyr自帶的tbl等格式的數據。sample_n為按行數隨機抽樣，而sample_frac為按比例抽樣；其weight參數可以設置抽樣的權重而replace參數為有放回抽樣。

sample_n(mtcars,2,replace=TRUE)

sample_n(mtcars,2,weight=mpg/mean(mpg))

sample_frac(mtcars,0.1)

sample_frac(mtcars,0.1,weight=1/mpg)

看了這篇文章之后，大家對R語言dplyr包是不是更加了解了呢，希望為大家學習R語言助一臂之力。