dplyr1.0.0 重点内容 across()、slice_*
title: "dplyr1.0.0 重点内容"
author: "qliu"
date: "2020/6/5"
output: html_document
翻译链接为：
My Favorite dplyr 1.0.0 Features
加载包和数据
# install.packages("AmesHousing")
library(AmesHousing)
library(tidyverse)
ames_data <- make_ames() %>%
janitor::clean_names() %>%
select(sale_price, bsmt_fin_sf_1, first_flr_sf,
total_bsmt_sf, neighborhood, gr_liv_area)
head(ames_data)
across()
所有 *_if()、 *_at()、 *_all() 变体函数都已经被 across() 函数所取代，使得所有列进行相同操作更为便捷。
# 构造函数
feet_to_yards <- function(x) {x / 9}
# 之前版本的 mutate_at() 函数
ames_data %>%
mutate_at(.vars = vars(contains("_sf") | contains("area")) , .funs = feet_to_yards)
# across() 函数实现
ames_data %>%
mutate(across(.cols = c(contains("_sf") | contains("area")) , .funs = feet_to_yards)) %>%
head()
across(where()) 取代 mutate_if()
ames_data %>%
mutate_if(is.numeric, log)
ames_data %>%
mutate(across(where(is.numeric), log)) %>%
head()
across(where()) 与 summarise() 函数
summarise()函数中参数.names = "mean_{col}"可以指定新增的列名，比如这里为函数 mean + 原本列名
ames_data %>%
group_by(neighborhood) %>%
summarise(across(where(is.numeric), mean, .names = "mean_{col}")) %>%
head()
ames_data %>%
mutate(across(where(is.integer) & ends_with("_sf"), as.double))
我们可以看到非
integer且 不是以_sf结尾的列，并没有转变为double数据类型，比如：gr_liv_area列虽然为integer但是处理后仍为double。
across(everything()) 取代 mutate_all()
... 等等
slice()
top_n()、 sample_n()、 sample_frac() 这三个函数已经被 slice 新增的子函数所替代
不推荐继续使用这三个函数的原因
-
top_n()：有一个令人困惑的名称，可以合理地认为它过滤了最小或最大的行。比如，我们有田径赛记录圈数的数据。我们可以合理地假设top_n()返回的时间是最快的，但实际上它们返回的时间是最长的。top_n()已被slice_min()和slice_max()取代。 -
sample_n()和sample_frac()：被整合到函数slice_sample()一个中，分别被参数slice_sample(n=4)和slice_sample(prop = 0.002)取代，更容易记住。
此外，
slice_head()和slice_tail()可以提取数据第一行和最后一行
ames_data %>%
top_n(n = 5, wt = sale_price)
#->
ames_data %>%
slice_max(sale_price, n = 5)
#->
ames_data %>%
slice_min(sale_price, n = 5)
#########################################
ames_data %>%
sample_n(4)
# ->
ames_data %>%
slice_sample(n = 4)
#########################################
ames_data %>%
sample_frac(0.002)
#->
ames_data %>%
slice_sample(prop = 0.002)
nest_by()
nest_by() 与函数 group_by() 类似，只是 nest_by() 分组后每一组存储为一个 list 文件。
group_by() + summarise()
ames_data %>%
group_by(neighborhood) %>%
summarise(avg_sale_price = mean(sale_price)) %>%
ungroup() %>%
head()
summarise() 常常与 group_by() 连用，特别是在统计函数的输出是单个数值的情况下。但是如果我们想对分组的行执行更复杂的操作呢? 比如线性模型。为此，我们可以使用 nest_by()，它将分组的数据存储为名为 data 的新列中的列表，而不是元数据。
nested_ames <- ames_data %>%
nest_by(neighborhood)
head(nested_ames)
我们可以看到，与 group_by() 函数不同，nest_by() 是改变了原来数据得数据结构。当我们希望将模型应用于嵌套数据的每一行时，此功能非常有用。
nested_ames_with_model <- nested_ames %>%
mutate(linear_model = list(lm(sale_price ~ gr_liv_area, data = data)))
head(nested_ames_with_model)
需要注意的是，模型必须向量化，这是使用 list() 执行的转换。
north_ames_model <- nested_ames_with_model %>%
filter(neighborhood == "North_Ames") %>%
pull(linear_model)
north_ames_model
该模型显示，每增加一平方英尺，位于埃姆斯北部社区的一套房子预计将多卖 54.61 美元。
mutate() 函数中新增的参数
.keep
可以看到输出结果中，仅保存了所有到的列，而非之前输出所有列，有点类似与
tranmute()函数
ames_data %>%
mutate(sale_price_euro = sale_price / 1.1, .keep = "used") %>%
head()
-
.before和.after
控制新增列的排放位置
ames_data %>%
mutate(
sale_price_euro = sale_price / 1.1, .keep = "used", .before = sale_price
) %>%
head()
总结：
两个主要的变化是添加了 across() 和 slice()，它们取代了旧的功能。使用 across() 可以很容易地以更直观、更一致的方式改变特定的列或行。slice() 对数据采样方法进行了类似的改进。新的 nest_by() 功能使得一些统计建模函数更加方便。另外此文这里没有列出的 rowwise() 函数结合 c_across() 可以使我们在 R 中对数据行水平层次进行操作更加方便，relocate() 函数能够使我们更加方便的控制感兴趣的列的顺序的调整，rename() 函数新增使用函数重新命名列名，总之这一次更新对于在 R 中进行数据更方便，看代码更为简明易懂。
