R语言滴水穿石系列文章（一）：dplyr-高效的数据变换与整理工

1、背景简介

在数据分析工作中，经常需要对原始的数据集进行清洗、整理以及变换。常用的数据整理与变换工作主要包括：特定分析变量的选取、满足条件的数据记录的筛选、按某一个或几个变量排序、对原始变量进行加工处理并生成新的变量、对数据进行汇总以及分组汇总，比如计算各组的平均值等。

其实，上述的数据处理与变换工作在任何一种SQL语言（如Oracle，MySQL）中都非常容易处理，但是R语言作为一门编程语言，如何高效地完成上述类似SQL语言的数据处理功能？本文介绍的R语言dplyr包正是这方面工作的有力武器之一。

dplyr包是 Hadley Wickham （ggplot2包的作者，被称作“一个改变R的人”）的杰作, 并自称 a grammar of data manipulation, 他将原本plyr 包中的ddply()等函数进一步分离强化,专注接受dataframe对象, 大幅提高了速度, 并且提供了更稳健的与其它数据库对象间的接口。

本文试图对该dplyr包的一些基础且常用的功能做简要介绍。主要包括：

1. 变量筛选函数 select
2. 记录筛选函数 filter
3. 排序函数 arrange
4. 变形（计算）函数 mutate
5. 汇总函数 summarize
6. 分组函数 group_by
7. 多步操作连接符 %>%
8. 随机抽样函数 sample_n,sample_frac

001.png

2、dplyr包使用介绍

2.1 dplyr包的安装加载与示例数据准备

安装dplyr包。

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

安装hflights包，该软件包中的飞机航班数据将用于本文中dplyr包各个函数的演示。

install.packages("hflights")
library(hflights)

通过以下代码，简单了解示例数据集hflights。

class(hflights);dim(hflights)
head(hflights)

输出结果如下：
hflights是一个data.frame类型的对象，包含227496条数据记录、21个变量，head函数展示了前6条数据记录。

03.png

在利用dplyr包处理数据之前，需要将数据装载成dplyr包的一个特定对象类型（data frame tbl / tbl_df），也称作 tibble 类型，可以用 tbl_df函数将数据框类型的数据装载成 tibble 类型的数据对象。

packageVersion("dplyr")
tbl_hflights<-tbl_df(hflights)
class(tbl_hflights)
tbl_hflights

输出结果如下：可以看到，将hflights转换成tbl_df类型后，R语言打印数据集tbl_hflights的数据时，仅打印了适合屏幕宽度的数据，屏幕显示不下的剩余两个变量的数据（CancellationCode , Diverted ）并没有打印出来，这使得屏幕上打印出来的数据可读性更强，也更美观。此外，还在每一列变量名称的下面显示了变量的类型。

04.png

==p.s. 可以用packageVersion函数查看dplyr包的版本==

2.2 变量筛选select

select函数可以通过指定列名选择指定的变量进行分析。

# 选择制定的变量
select(tbl_hflights,Year,Month,DayofMonth,FlightNum,Distance)
# 用类似于生成数字序列的方式选择变量
# 选择Year开始一直到ArrTime结束的所有变量
3:10
select(tbl_hflights,Year:ArrTime)
# 也可以按照倒过来的顺序选择
select(tbl_hflights,ArrTime:Year)
# 除了选择变量，也可以删除指定的变量
select(tbl_hflights,-Year,-Month,-DayofMonth,-FlightNum,-Distance)
select(tbl_hflights,-(Year:ArrTime))

05.png
06.png
07.png
08.png
09.png

2.3 数据记录筛选filter

filter函数按照指定的条件筛选符合条件中逻辑判断要求的数据记录，类似于SQL语句中的where语句中的筛选条件。

# 选择2011年1月而且起飞时间为1400的所有数据记录
filter(tbl_hflights,Year == 2011, Month == 1, DepTime == 1400)
# '且'的关系也可以用&符号表示，也就是列出的所有条件同时满足
filter(tbl_hflights,Year == 2011 & Month == 1 & DepTime == 1400)
# 选择起飞时间在1400之前的航班
filter(tbl_hflights,Year == 2011 & Month == 1 & DepTime <= 1400)
# '或'的关系用|符号表示。选择起飞时间为1400或者1430的航班,且UniqueCarrier为'AA'
filter(tbl_hflights,Year == 2011 & Month == 1 & (DepTime == 1400 | DepTime == 1430) & UniqueCarrier == 'AA')

上述R语句输出结果如下：

10.png
11.png
12.png
13.png

2.4 数据排序arrange

arrange函数按给定的列名进行排序，默认为升序排列，也可以对列名加desc()进行降序排序。

tbl_hflights1<-select(filter(tbl_hflights,Year == 2011 & Month == 1 & DepTime == 1400),Year:ArrTime,AirTime)
# 将数据按照ArrTime升序排序
arrange(tbl_hflights1,ArrTime)
# 将数据先按照AirTime降序，再按照ArrTime升序排列
arrange(tbl_hflights1,desc(AirTime),ArrTime)

上述R语句输出结果如下：

14.png
15.png

2.5 变量变换/重构mutate

mutate函数可以基于原始变量重新计算得到新的变量，在做数据分析预处理的时候经常会用到该功能。

# 由ArrTime-DepTime得到航班的飞行所用时长，并存储在DurTime变量中
# 飞行所用时长（单位：分钟）的计算方式为：小时数*60+分钟数
# 同时将飞行的分钟数，换算成秒。
# 优势在于可以在同一语句中对刚增加的列进行操作。
tbl_hflights2<-mutate(tbl_hflights1,
                      DurTime = (as.numeric(substr(ArrTime,1,2)) - as.numeric(substr(DepTime,1,2)))*60 + as.numeric(substr(ArrTime,3,4)) ,
                      Dur_Time1 = DurTime * 60)
tbl_hflights2

上述R语句输出结果如下：

16.png

2.6 数据汇总summarize

summarize函数实现对数据的汇总，比如求和、计算平均值等。

# 计算航班平均飞行时长
summarize(tbl_hflights2,avg_dur = mean(DurTime),sum_air = sum(AirTime))

上述R语句输出结果如下：

18.png

2.7 数据分组group_by

group_by函数实现对数据进行分组，结合summarize函数，可以对分组数据进行汇总统计。

# 按照航空公司分组进行汇总
summarise(group_by(tbl_hflights, UniqueCarrier), 
          m = mean(AirTime,na.rm = TRUE), 
          sd = sd(AirTime,na.rm = TRUE), 
          cnt = n(), 
          me = median(AirTime,na.rm = TRUE))

上述R语句输出结果如下：

19.png

2.8 多步操作连接符%>%

dplyr包里还新引进了一个操作符,%>%, 使用时把数据集名作为开头, 然后依次对此数据进行多步操作。
这种运算符的编写方式使得编程者可以按数据处理时的思路写代码, 一步一步操作不断叠加，在程序上就可以非常清晰的体现数据处理的步骤与背后的逻辑。

# 对数据进行分布处理：分组-汇总-排序-打印
tbl_hflights %>%
  group_by(UniqueCarrier) %>%
  summarize(m = mean(AirTime,na.rm = TRUE), sd = sd(AirTime,na.rm = TRUE)) %>%
  arrange(desc(m),sd) %>%
  head(10)

上述R语句输出结果如下：

20.png

2.9 挑选随机样本sample_n, sample_frac

sample_n随机选出指定个数（样本容量）的样本数；sample_frac随机选出指定百分比（占整个数据集总体百分比）的样本数。

# 随机抽取10个样本
sample_n(tbl_hflights,10)
# 随机抽取10%的样本
tbl_hflights %>% 
  sample_frac(0.1) %>%
  select(Year:UniqueCarrier) %>%
  group_by(UniqueCarrier) %>%
  summarize(m = mean(ArrTime,na.rm = TRUE), cnt = n()) %>%
  arrange(desc(m))

上述R语句输出结果如下：

21.png
22.png

3、参考文献与其他学习资料

3.1 dplyr包中自带的参考资料查看

可以通过如下名称查看dplyr包中自带的参考资料。

# 查看自带的参考资料
vignette(package = "dplyr")
vignette("introduction", package = "dplyr")

23.png 24.png

3.2 本文写作用到的参考链接

R语言扩展包dplyr笔记
R语言扩展包dplyr——数据清洗和整理

3.3 RStudio官网的cheatsheet

data-wrangling-cheatsheet

26.png 25.png