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 × 4
  origin      n  depm na.rm
  <chr>   <int> <dbl> <lgl>
1 EWR    120835    NA TRUE 
2 JFK    111279    NA TRUE 
3 LGA    104662    NA TRUE

  • 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 |>
  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,dest) |>
  summarise(n=n(),distm=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 dest      n distm
  <chr>  <chr> <int> <dbl>
1 EWR    ORD    6100   719
2 EWR    BOS    5327   200
3 EWR    SFO    5127  2565
4 JFK    LAX   11262  2475
5 JFK    SFO    8204  2586
6 JFK    BOS    5898   187
7 LGA    ATL   10263   762
8 LGA    ORD    8857   733
9 LGA    CLT    6168   544

2 第二题 解释代码

  1. 代码含义：tibble()函数将iris数据集转换为tibble格式,将其转换为数据框；arrange()函数用于对数据框的行进行排序。Species是iris数据集中的一个列，表示鸢尾花的种类，按照Species列进行升序排序，然后对以"Sepal"开头的列（Sepal.Length和Sepal.Width）进行降序排序。

    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：starwars:这是dplyr包自带的一个数据集，包含了《星球大战》系列电影中一些角色的信息，比如姓名、性别、身高、体重等。group_by(gender)将数据按照gender（性别）列进行分组。分组后，后续的操作（如filter）会分别应用于每个性别组。filter函数用于筛选数据框中的行。这里的条件是mass（体重）大于该性别组的平均体重。mean(mass, na.rm = TRUE)计算每个性别组的平均体重，na.rm = TRUE表示在计算平均值时忽略缺失值（NA）。filter会保留那些体重大于其性别组平均体重的角色。

    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：从 starwars 数据集中选择 name、homeworld 和 species 三列。将 homeworld 和 species 列的数据类型转换为因子（factor）。

    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：将 mtcars 数据集转换为 tibble 格式。按 vs 列（发动机类型）对数据进行分组。在每组中，将 hp（马力）列的值分成 3 个区间，并生成一个新的列 hp_cut。最后，按 hp_cut 列对数据进行重新分组。

    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() ：inner_join() 的作用是返回两个数据框中键匹配的行。具体来说：

    它只保留两个数据框中键值完全匹配的行。

    如果某一行在其中一个数据框中没有匹配的键值，则该行会被丢弃。

    输出结果包含两个数据框中的所有列。

    library(dplyr)

# 创建 students 数据框
students <- tibble(
  id = c(1, 2, 3),
  name = c("Alice", "Bob", "Charlie"),
  age = c(20, 22, 21)
)

# 创建 grades 数据框
grades <- tibble(
  id = c(1, 2, 4),
  grade = c("A", "B", "A")
)

# 使用 inner_join 合并数据框
result <- inner_join(students, grades, by = "id")

# 查看结果
print(result)
    # A tibble: 2 × 4
     id name    age grade
  <dbl> <chr> <dbl> <chr>
1     1 Alice    20 A    
2     2 Bob      22 B

  2. left_join() ：left_join() 的作用

    保留左侧数据框的所有行。

    将右侧数据框中与左侧数据框键值匹配的行合并到左侧数据框中。

    如果右侧数据框中没有匹配的键值，对应的列会用 NA 填充。

    library(dplyr)

# 创建 students 数据框
students <- tibble(
  id = c(1, 2, 3),
  name = c("Alice", "Bob", "Charlie"),
  age = c(20, 22, 21)
)

# 创建 grades 数据框
grades <- tibble(
  id = c(1, 2, 4),
  grade = c("A", "B", "A")
)

# 使用 left_join 合并数据框
result <- left_join(students, grades, by = "id")

# 查看结果
print(result)
    # A tibble: 3 × 4
     id name      age grade
  <dbl> <chr>   <dbl> <chr>
1     1 Alice      20 A    
2     2 Bob        22 B    
3     3 Charlie    21 <NA>

  3. right_join() ：right_join() 的作用

    保留右侧数据框的所有行。

    将左侧数据框中与右侧数据框键值匹配的行合并到右侧数据框中。

    如果左侧数据框中没有匹配的键值，对应的列会用 NA 填充。

    library(dplyr)

# 创建 students 数据框
students <- tibble(
  id = c(1, 2, 3),
  name = c("Alice", "Bob", "Charlie"),
  age = c(20, 22, 21)
)

# 创建 grades 数据框
grades <- tibble(
  id = c(1, 2, 4),
  grade = c("A", "B", "A")
)

# 使用 right_join 合并数据框
result <- right_join(students, grades, by = "id")

# 查看结果
print(result)
    # A tibble: 3 × 4
     id name    age grade
  <dbl> <chr> <dbl> <chr>
1     1 Alice    20 A    
2     2 Bob      22 B    
3     4 <NA>     NA A

  4. full_join() ：full_join() 的作用

    保留两个数据框中的所有行。

    将两个数据框中键值匹配的行合并。

    如果某个数据框中没有匹配的键值，对应的列会用 NA 填充。

    library(dplyr)

# 创建 students 数据框
students <- tibble(
  id = c(1, 2, 3),
  name = c("Alice", "Bob", "Charlie"),
  age = c(20, 22, 21)
)

# 创建 grades 数据框
grades <- tibble(
  id = c(1, 2, 4),
  grade = c("A", "B", "A")
)

# 使用 full_join 合并数据框
result <- full_join(students, grades, by = "id")

# 查看结果
print(result)
    # A tibble: 4 × 4
     id name      age grade
  <dbl> <chr>   <dbl> <chr>
1     1 Alice      20 A    
2     2 Bob        22 B    
3     3 Charlie    21 <NA> 
4     4 <NA>       NA A