library(nycflights13) # for data
library(tidyverse) # for data wrangling and
library(tibble)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 %>% group_by(carrier) %>% summarise(n = n(),delm = mean(dep_delay,na.rm = T))# A tibble: 16 × 3 carrier n delm <chr> <int> <dbl> 1 9E 18460 16.7 2 AA 32729 8.59 3 AS 714 5.80 4 B6 54635 13.0 5 DL 48110 9.26 6 EV 54173 20.0 7 F9 685 20.2 8 FL 3260 18.7 9 HA 342 4.90 10 MQ 26397 10.6 11 OO 32 12.6 12 UA 58665 12.1 13 US 20536 3.78 14 VX 5162 12.9 15 WN 12275 17.7 16 YV 601 19.0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
代码含义：首先引进tibble包里的iris的数据集，先根据species进行排序。如果species相同，那么就根据以“Sepal”开头的变量进行排序。数据集里面有两个以“Sepal”开头的变量。一个是sepal.length，一个是sepal.width。如果sepal.length一样时，就根据sepal.width进行排序。排列的顺序是降序
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代码含义：首先引进数据集starwars。再根据gender变量进行分组。筛选出mass变量大于其均值的数。在求均值时，如果有数据是缺失的（NA）即用na.rm参数来处理缺失值。
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>代码含义：首先引进数据集starwars，选出名为name、homeworld和species的变量。然后对除了name的变量做了因子化处理。在R中，因子是一种用于存储分类数据的数据结构，它允许你为变量分配水平（或类别）。当变量名与已存在的变量名相同时，则对变量的值进行修改。不相同时则创建一个新的变量
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代码含义：首先引入tibble包的mtcars数据集，再根据vs变量对数据集进行分类。vs通常代表“versus”，在这个数据集中它是一个二元变量（0或1），通常用来表示汽车是否有某个特定的特征（如是否为有顶篷的汽车）。然后使用mutate函数和cut函数将hp（马力）变量分成三段。cut函数用于将连续变量切割成几个水平（或类别），在这里是将马力值分为三组。group_by(hp_cut)：最后再次使用group_by函数根据新创建的hp_cut变量进行分组。
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。
inner_join()：返回两个数据集中键匹配的行。如果某一行在其中一个数据集中没有匹配的键，则该行不会出现在结果中。df1 <- tibble(id = c(1,2,3),name = c('Apple','Bnana','Peach')) df2 <- tibble(id = c(5,2,3),taste =c('sweat','delicious','watery')) result <- inner_join(by = 'id',df1,df2) result# A tibble: 2 × 3 id name taste <dbl> <chr> <chr> 1 2 Bnana delicious 2 3 Peach wateryleft_join()：返回左数据集的所有行，以及右数据集中与左数据集键匹配的行。如果右数据集中没有匹配的键，则用 NA 填充。result <- left_join(df1,df2,by = 'id');result# A tibble: 3 × 3 id name taste <dbl> <chr> <chr> 1 1 Apple <NA> 2 2 Bnana delicious 3 3 Peach wateryright_join()：返回右数据集的所有行，以及右数据集中与左数据集键匹配的行。如果右数据集中没有匹配的键，则用 NA 填充。result <- right_join(df1,df2,by = 'id');result# A tibble: 3 × 3 id name taste <dbl> <chr> <chr> 1 2 Bnana delicious 2 3 Peach watery 3 5 <NA> sweatfull_join()： 返回两个数据集的所有行，无论是否匹配。如果某一行在其中一个数据集中没有匹配的键，则用 NA 填充。result <- full_join(df1,df2,by = 'id');result# A tibble: 4 × 3 id name taste <dbl> <chr> <chr> 1 1 Apple <NA> 2 2 Bnana delicious 3 3 Peach watery 4 5 <NA> sweat