tidyverse初认识 221527209王琳慧

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(),dly=mean(dep_delay,na.rm=T))

# A tibble: 3 × 3
  origin      n   dly
  <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(),dly=mean(dep_delay,na.rm=T))|>
  arrange(desc(n))

# A tibble: 16 × 3
   carrier     n   dly
   <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(),dist=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  dist
  <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：将iris数据集转换为tibble格式，然后通过管道传给arrange排序函数。首先按Species升序排列。再在每个Species组内，对以Sepal开头的列（如Sepal.Length和Sepal.Width）分别按降序排列，desc表示降序排列。

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：按gender性别进行分组，然后filter筛选出每组中mass大于该性别组的平均值的行。由于分组了，mean(mass, na.rm=TRUE)会计算每个gender组的mass的平均值，排除NA值。然后比较每个个体的mass是否大于其所在gender组的平均值。例如，假设gender为male的组平均mass是80，那么会筛选出该组中mass大于80的行。同样处理female和其他gender的组。最后结果是一个按gender分组后，每个组内质量超过组平均值的个体。

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：首先选择name、homeworld、species三列。然后用mutate和across对除了name之外的列应用as.factor，即转换为因子类型。所以homeworld和species列会被转成因子，而name保持原样（可能是字符型）。比如，原来的homeworld可能是字符向量，转成因子后会有不同的水平。

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：首先将mtcars转换为tibble，然后按vs（发动机类型）分组。接着mutate创建一个新列hp_cut，使用cut函数将hp（马力）分成3个区间。cut函数默认会等距划分范围，将连续的hp变量转换为因子，每个观测值属于哪个区间。例如，如果hp的范围是50到300，cut成3段，可能分为50-133, 133-216, 216-300这样的三个区间。每个车的hp值会被分配到对应的区间，生成hp_cut列。然后再次按hp_cut重新分组，覆盖原来的vs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（by 参数指定的列）完全匹配的行。仅保留左右表中均存在的键值对应的记录，其他行被排除。

#假设有两个数据集 students 和 scores，分别记录学生基本信息和成绩：
students <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
scores <- tibble(id = c(1, 2, 4), math = c(90, 85, 88))
#使用 inner_join() 合并：
result <- inner_join(students, scores, by = "id")
#仅保留 id 为 1 和 2 的行（两个表均存在的键值），id=3 和 id=4 因不匹配被剔除。

left_join() ：保留左表的所有行，右表中无匹配键值的行以 NA 填充。

#继续使用 students 和 scores：
result <- left_join(students, scores, by = "id")
#左表 students 的 id=3 保留，右表无对应成绩，math 列为 NA。

right_join() ：保留右表的所有行，左表中无匹配键值的行以 NA 填充。

result <- right_join(students, scores, by = "id")
#右表 scores 的 id=4 保留，左表无对应学生信息，name 列为 NA。

full_join() ：保留左右表的所有行，无匹配键值的列以 NA 填充。

result <- full_join(students, scores, by = "id")
#合并后包含所有 id，缺失值用 NA 填充。

1 第一题 编写代码

2 第二题 解释代码

3 第三题 查找帮助理解函数

1 第一题编写代码

2 第二题解释代码

3 第三题查找帮助理解函数