tidyverse初认识

1 第一题 编写代码

利用nycflights13包的flights数据集是2013年从纽约三大机场（JFK、LGA、EWR）起飞的所有航班的准点数据，共336776条记录。

  • 计算纽约三大机场2013起飞航班数和平均延误时间（可使用group_by, summarise函数）

    flights %>% 
  group_by(origin) %>% 
  summarise(n=n(),depm=mean(dep_delay,na.rm = T))
    # A tibble: 3 × 3
  origin      n  depm
  <chr>   <int> <dbl>
1 EWR    120835  15.1
2 JFK    111279  12.1
3 LGA    104662  10.3

  • 计算不同航空公司2013从纽约起飞航班数和平均延误时间

    flights
    # A tibble: 336,776 × 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      533            529         4      850            830
 3  2013     1     1      542            540         2      923            850
 4  2013     1     1      544            545        -1     1004           1022
 5  2013     1     1      554            600        -6      812            837
 6  2013     1     1      554            558        -4      740            728
 7  2013     1     1      555            600        -5      913            854
 8  2013     1     1      557            600        -3      709            723
 9  2013     1     1      557            600        -3      838            846
10  2013     1     1      558            600        -2      753            745
# ℹ 336,766 more rows
# ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#   hour <dbl>, minute <dbl>, time_hour <dttm>
    flights %>% 
  group_by(carrier) %>% 
  summarise(n=n(),depm=mean(dep_delay,na.rm = T)) %>% 
  arrange(desc(n))
    # A tibble: 16 × 3
   carrier     n  depm
   <chr>   <int> <dbl>
 1 UA      58665 12.1 
 2 B6      54635 13.0 
 3 EV      54173 20.0 
 4 DL      48110  9.26
 5 AA      32729  8.59
 6 MQ      26397 10.6 
 7 US      20536  3.78
 8 9E      18460 16.7 
 9 WN      12275 17.7 
10 VX       5162 12.9 
11 FL       3260 18.7 
12 AS        714  5.80
13 F9        685 20.2 
14 YV        601 19.0 
15 HA        342  4.90
16 OO         32 12.6

  • 计算纽约三大机场排名前三个目的地和平均飞行距离(可使用group_by, summarise, arrange, slice_max函数)

    flights %>% 
  group_by(origin,carrier) %>% 
  summarise(n=n(),depm=mean(distance)) %>%
  slice_max(n,n=3)
    `summarise()` has grouped output by 'origin'. You can override using the
`.groups` argument.
    # A tibble: 9 × 4
# Groups:   origin [3]
  origin carrier     n  depm
  <chr>  <chr>   <int> <dbl>
1 EWR    UA      46087 1496.
2 EWR    EV      43939  589.
3 EWR    B6       6557  815.
4 JFK    B6      42076 1114.
5 JFK    DL      20701 1689.
6 JFK    9E      14651  507.
7 LGA    DL      23067  904.
8 LGA    MQ      16928  621.
9 LGA    AA      15459 1041.
    flights %>% 
  group_by(origin) %>% 
  summarise(n=n(),depm=mean(distance)) %>%
  slice_max(n,n=3)
    # A tibble: 3 × 3
  origin      n  depm
  <chr>   <int> <dbl>
1 EWR    120835 1057.
2 JFK    111279 1266.
3 LGA    104662  780.

2 第二题 解释代码

  1. 代码含义：

    1. tibble(iris)：将 iris 数据集转换为 tibble 格式

    2. arrange(Species, across(starts_with("Sepal"), desc))：

      • 按 Species 列升序排序。

      • 对以 Sepal 开头的列进行降序排序（desc 表示降序）。

      • across() 用于对多列应用相同的操作。

    tibble(iris) %>% 
  arrange(Species,across(starts_with("Sepal"), desc))
    # A tibble: 150 × 5
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
          <dbl>       <dbl>        <dbl>       <dbl> <fct>  
 1          5.8         4            1.2         0.2 setosa 
 2          5.7         4.4          1.5         0.4 setosa 
 3          5.7         3.8          1.7         0.3 setosa 
 4          5.5         4.2          1.4         0.2 setosa 
 5          5.5         3.5          1.3         0.2 setosa 
 6          5.4         3.9          1.7         0.4 setosa 
 7          5.4         3.9          1.3         0.4 setosa 
 8          5.4         3.7          1.5         0.2 setosa 
 9          5.4         3.4          1.7         0.2 setosa 
10          5.4         3.4          1.5         0.4 setosa 
# ℹ 140 more rows

  2. 代码含义：

    1. starwars：使用 starwars 数据集。

    2. group_by(gender)：按 gender 列分组。

    3. filter(mass > mean(mass, na.rm = TRUE))：

      • 在每个 gender 组内，筛选出 mass 大于该组平均值的行。

      • na.rm = TRUE 表示忽略 mass 列中的缺失值（NA）。

    starwars %>% 
  group_by(gender) %>% 
  filter(mass > mean(mass, na.rm = TRUE))
    # A tibble: 15 × 14
# Groups:   gender [3]
   name    height   mass hair_color skin_color eye_color birth_year sex   gender
   <chr>    <int>  <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
 1 Darth …    202  136   none       white      yellow          41.9 male  mascu…
 2 Owen L…    178  120   brown, gr… light      blue            52   male  mascu…
 3 Beru W…    165   75   brown      light      blue            47   fema… femin…
 4 Chewba…    228  112   brown      unknown    blue           200   male  mascu…
 5 Jabba …    175 1358   <NA>       green-tan… orange         600   herm… mascu…
 6 Jek To…    180  110   brown      fair       blue            NA   <NA>  <NA>  
 7 IG-88      200  140   none       metal      red             15   none  mascu…
 8 Bossk      190  113   none       green      red             53   male  mascu…
 9 Ayla S…    178   55   none       blue       hazel           48   fema… femin…
10 Gregar…    185   85   black      dark       brown           NA   <NA>  <NA>  
11 Lumina…    170   56.2 black      yellow     blue            58   fema… femin…
12 Zam We…    168   55   blonde     fair, gre… yellow          NA   fema… femin…
13 Shaak …    178   57   none       red, blue… black           NA   fema… femin…
14 Grievo…    216  159   none       brown, wh… green, y…       NA   male  mascu…
15 Tarfful    234  136   brown      brown      blue            NA   male  mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
#   vehicles <list>, starships <list>

  3. 代码含义：

    1. select(name, homeworld, species)：从 starwars 数据集中选择 name、homeworld 和 species 列。

    2. mutate(across(!name, as.factor))：

      • 对除 name 列以外的所有列（homeworld 和 species）转换为因子（factor）类型。

        • #因子本质是名义变量以数字为代号，可转换成数字但是字符串不能转化成数字，字符串可转化为因子因子可转化为数字

      • across(!name, ...) 表示对除 name 外的所有列应用操作。

    starwars %>%
  select(name, homeworld, species) %>%
  mutate(across(!name, as.factor))
    # A tibble: 87 × 3
   name               homeworld species
   <chr>              <fct>     <fct>  
 1 Luke Skywalker     Tatooine  Human  
 2 C-3PO              Tatooine  Droid  
 3 R2-D2              Naboo     Droid  
 4 Darth Vader        Tatooine  Human  
 5 Leia Organa        Alderaan  Human  
 6 Owen Lars          Tatooine  Human  
 7 Beru Whitesun Lars Tatooine  Human  
 8 R5-D4              Tatooine  Droid  
 9 Biggs Darklighter  Tatooine  Human  
10 Obi-Wan Kenobi     Stewjon   Human  
# ℹ 77 more rows

  4. 代码含义：

    1. tibble(mtcars)：将 mtcars 数据集转换为 tibble 格式。

    2. group_by(vs)：按 vs 列分组（vs 表示发动机类型，0 为 V 型，1 为直列）。

    3. mutate(hp_cut = cut(hp, 3))：

      • 将 hp（马力）列分为 3 个区间（cut 函数用于分箱）。

      • 结果存储在新增的 hp_cut 列中。

    4. group_by(hp_cut)：按 hp_cut 列重新分组。

    2.0.1 结果：

    • 数据首先按 vs 分组，然后在每组内将 hp 分为 3 个区间，最后按 hp_cut 重新分组。
    tibble(mtcars) %>%
  group_by(vs) %>%
  mutate(hp_cut = cut(hp, 3)) %>%
  group_by(hp_cut)
    # A tibble: 32 × 12
# Groups:   hp_cut [6]
     mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb hp_cut     
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <fct>      
 1  21       6  160    110  3.9   2.62  16.5     0     1     4     4 (90.8,172] 
 2  21       6  160    110  3.9   2.88  17.0     0     1     4     4 (90.8,172] 
 3  22.8     4  108     93  3.85  2.32  18.6     1     1     4     1 (75.7,99.3]
 4  21.4     6  258    110  3.08  3.22  19.4     1     0     3     1 (99.3,123] 
 5  18.7     8  360    175  3.15  3.44  17.0     0     0     3     2 (172,254]  
 6  18.1     6  225    105  2.76  3.46  20.2     1     0     3     1 (99.3,123] 
 7  14.3     8  360    245  3.21  3.57  15.8     0     0     3     4 (172,254]  
 8  24.4     4  147.    62  3.69  3.19  20       1     0     4     2 (51.9,75.7]
 9  22.8     4  141.    95  3.92  3.15  22.9     1     0     4     2 (75.7,99.3]
10  19.2     6  168.   123  3.92  3.44  18.3     1     0     4     4 (99.3,123] 
# ℹ 22 more rows

3 第三题 查找帮助理解函数

阅读 https://dplyr.tidyverse.org/reference/mutate-joins.html 内容，说明4个数据集链接函数函数的作用。分别举一个实际例子演示并解释其输出结果。

  1. inner_join() ：

    作用：

    返回两个数据集中 键值匹配的行。

    library(tidyverse)

# 创建两个数据集
df1 <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
df2 <- tibble(id = c(2, 3, 4), age = c(25, 30, 35))

# 使用 inner_join 合并
result <- df1 %>%
  inner_join(df2, by = "id")

print(result)
    # A tibble: 2 × 3
     id name      age
  <dbl> <chr>   <dbl>
1     2 Bob        25
2     3 Charlie    30

  2. left_join() ：

    作用：

    返回 左侧数据集的所有行，以及与右侧数据集匹配的行。

    result <- df1
result%>%
  left_join(df2, by = "id")
    # A tibble: 3 × 3
     id name      age
  <dbl> <chr>   <dbl>
1     1 Alice      NA
2     2 Bob        25
3     3 Charlie    30
    print(result)
    # A tibble: 3 × 2
     id name   
  <dbl> <chr>  
1     1 Alice  
2     2 Bob    
3     3 Charlie

  3. right_join() ：

    作用：

    返回 右侧数据集的所有行，以及与左侧数据集匹配的行。

    result <- df1 %>%
  right_join(df2, by = "id")

print(result)
    # A tibble: 3 × 3
     id name      age
  <dbl> <chr>   <dbl>
1     2 Bob        25
2     3 Charlie    30
3     4 <NA>       35

  4. full_join() ：

    作用：

    返回 两个数据集的所有行。

    result <- df1
result%>%
  full_join(df2, by = "id")
    # A tibble: 4 × 3
     id name      age
  <dbl> <chr>   <dbl>
1     1 Alice      NA
2     2 Bob        25
3     3 Charlie    30
4     4 <NA>       35
    print(result)
    # A tibble: 3 × 2
     id name   
  <dbl> <chr>  
1     1 Alice  
2     2 Bob    
3     3 Charlie

3.1 总结

函数 作用 示例输出特点
inner_join() 只返回键值匹配的行 结果行数 ≤ 两个数据集的最小行数
left_join() 保留左侧数据集的所有行 结果行数 = 左侧数据集的行数
right_join() 保留右侧数据集的所有行 结果行数 = 右侧数据集的行数
full_join() 保留两个数据集的所有行 结果行数 ≥ 两个数据集的最大行数