学习数据框格式的表格操作技巧
小插曲：加载dplyr包时，部分依赖包加载失败。提示说需要更新，但总是更新失败，网上查了后，去文件夹把该包彻底删除后，重新安装就好了。

library(dplyr)
library(nycflights13) 操作数据示例

nycflights13包里的flights数据框

一、筛选指定行

• filter()函数
  注意基础函数也有一个filter函数，所以一定要先加载dplyr包。
• 函数参数主要包括两部分：原数据框，筛选条件（可多个）
  见下列示例就很容易明白

filter(flights, month == 1)
filter(flights, month == 1, day == 1)

1、常用比较符

> 、 >= 、 < 、 <=
!= ==

2、逻辑运算符

常用于变量的多范围选择
& 或
| 与

filter(flights, month == 11 | month == 12)
#选取11与12月的数据，用的是&或比较符

• 值得注意的是不能写成filter(flights, month == 11 | 12)。
• 简写的形式可以是 %in%，如下例

filter(flights, month %in% c(11, 12))   #等同上例

二、表格排序

表格排序一般指的是行排序

• arrange()函数
• 一般也是两个参数：数据框，列名

（1）默认为升序排序，desc()可设置为降序排列

arrange(flights, desc(arr_delay))

（2）当参数有多个列名时，使后面的列在前面排序的基础上继续排序。生动的例子就是年、月、日。可以脑补下两年、每年12个月、每月30天的三列排序

arrange(flights, year, month, day)

NA值无论在升序，还是降序排列中都是排在最后。

三、选取指定列

• select()函数
• 参数同样是数据框、列名

select(flights, year, month, day)
select(flights, year:day)
select(flights, -year:day)   #反选

此外也支持正则表达式，之后的章节会学到

用法引申：将数据框中的指定列放在前列

names(flights)
test <- select(flights, month, day, everything())
names(test)

四、更改列名

rename(flights, days = day)
#等号前面为新名，后面为原名

五、添加变量

• mutate()函数

flights_sml <- select(flights,distance, air_time)
mutate(flights_sml, speed = distance / air_time * 60)
#在flights_sml中增加speed列

#transmute()函数可将新增列独立出来
transmute(flights_sml,speed = distance / air_time * 60)

• 常用的创建运算符函数有 +-*/^
  %/% （整数除法）和 %% （求余）
  对数函数： log() 、 log2() 和 log10()

六、分组统计

• summarize() 统计函数，常搭配group_by()分组函数使用
  如下代码，需要先设置中间的分组数据(month)，再进行目标分组统计(dep_delay)均值

by_month <- group_by(flights,month)
summarize(by_month, dep = mean(dep_delay, na.rm = TRUE))

6-1

1、管道通道符

如上进行分组统计时，要先确立一个分组中间数据，然后再进行分组统计；可以使用%>%通道符一步到位。示例见下

flights %>%
  group_by(month) %>%
  summarize(delay = mean(dep_delay, na.rm = TRUE))

如上，一般依次分别交代原数据、分组变量、统计变量及方法。再如下一个较复杂的例子

delays <- flights %>%
group_by(dest) %>%
summarize(
count = n(),   #对每组计数
#count = sum(!is_na())  #对非缺失值计数
dist = mean(distance, na.rm = TRUE),
delay = mean(arr_delay, na.rm = TRUE)
) %>%
filter(count > 20, dest != "HNL")

6-2

2、常用统计方法

• mean()、median()
• 方差sd() 、 四分位距IQR() 、绝对中位差mad()
• min() 、 quantile(x, 0.25) 、max()
• 唯一值数n_distinct()
• 逻辑值的计数和比例： sum(x > 10) 和 mean(y == 0)，由于针对每个观测值会分为TRUE与FALSE，因此分别为求计数与比例。

绝对中位差：用原数据减去中位数后得到的新数据的绝对值的中位数。常用来估计标准差，估计标准差=1.4826*绝对中位差。