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(),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(),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 dest      n  depm
  <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(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

    1. 代码解释：将 iris 数据集转换为 tibble 格式。

    2. arrange 是 dplyr 包中的函数，用于对数据进行排序。

    3. Species 是 iris 数据集中的一个分类变量（鸢尾花的种类），表示首先按 Species 列进行升序排序。

    4. across(starts_with("Sepal"), desc) 表示对以 "Sepal" 开头的列（即 Sepal.Length 和 Sepal.Width）进行降序排序（desc 表示降序）。

    5. 因此，数据会先按 Species 列升序排序，然后在每个 Species 组内，按 Sepal.Length 和 Sepal.Width 列降序排序。

  2. 代码含义：

    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>

    1. 按 gender 列对 starwars 数据集进行分组。

    2. 在每个性别组内，筛选出体重（mass）大于该组平均体重的角色。

  3. 代码含义：

    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

    • 含义：选择列:

      • 从 starwars 数据集中选择 name、homeworld 和 species 三列。

    • 转换数据类型:

      • 将 homeworld 和 species 列的数据类型转换为因子（factor）类型。

    • 返回结果:

      • 返回一个包含 name、homeworld 和 species 列的 tibble，其中 homeworld 和 species 列的数据类型为因子。
      • 这段代码的作用是从starwars数据框中选择name、homeworld和species这三列，然后将homeworld和species列转换为因子类型。最终的结果是一个新的数据框，包含这三列，其中homeworld和species是因子类型。

  4. 代码含义：

    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

这段代码的作用是：

  1. 将mtcars数据集转换为tibble格式。

  2. 按vs列（发动机类型）对数据进行分组。

  3. 在每个vs组内，将hp（马力）列分成3个等宽的区间，并将结果存储在新列hp_cut中。

  4. 最后，按hp_cut列对数据进行分组。

最终的结果是一个按vs和hp_cut分组的数据集，可以用于进一步的分组分析或汇总操作。

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：将数据集 x 和数据集 y 按照指定的列（by 参数）进行匹配。

    只返回两个数据集中键值匹配的行。

    如果某个键值在其中一个数据集中不存在，则该行不会出现在结果中。

    # 加载 dplyr 包
library(dplyr)

# 创建 students 数据集
students <- tibble(
  id = c(1, 2, 3, 4),
  name = c("Alice", "Bob", "Charlie", "David")
)

# 创建 scores 数据集
scores <- tibble(
  id = c(1, 2, 4, 5),
  score = c(85, 90, 95, 88)
)

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

# 查看结果
print(result)
    # A tibble: 3 × 3
     id name  score
  <dbl> <chr> <dbl>
1     1 Alice    85
2     2 Bob      90
3     4 David    95

  2. left_join() ：

    作用：将数据集 x（左表）和数据集 y（右表）按照指定的列（by 参数）进行匹配。

    保留左表的所有行，无论是否在右表中有匹配。

    如果右表中没有匹配的行，则对应的列用 NA 填充。

    # 加载 dplyr 包
library(dplyr)

# 创建 students 数据集
students <- tibble(
  id = c(1, 2, 3, 4),
  name = c("Alice", "Bob", "Charlie", "David")
)

# 创建 scores 数据集
scores <- tibble(
  id = c(1, 2, 4),
  score = c(85, 90, 95)
)

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

# 查看结果
print(result)
    # A tibble: 4 × 3
     id name    score
  <dbl> <chr>   <dbl>
1     1 Alice      85
2     2 Bob        90
3     3 Charlie    NA
4     4 David      95

  3. right_join() ：将数据集 x（左表）和数据集 y（右表）按照指定的列（by 参数）进行匹配。

    保留右表的所有行，无论是否在左表中有匹配。

    如果左表中没有匹配的行，则对应的列用 NA 填充。

    # 加载 dplyr 包
library(dplyr)

# 创建 students 数据集
students <- tibble(
  id = c(1, 2, 3, 4),
  name = c("Alice", "Bob", "Charlie", "David")
)

# 创建 scores 数据集
scores <- tibble(
  id = c(1, 2, 4, 5),
  score = c(85, 90, 95, 88)
)

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

# 查看结果
print(result)
    # A tibble: 4 × 3
     id name  score
  <dbl> <chr> <dbl>
1     1 Alice    85
2     2 Bob      90
3     4 David    95
4     5 <NA>     88

  4. full_join() ：将数据集 x（左表）和数据集 y（右表）按照指定的列（by 参数）进行匹配。

    保留两个数据集中的所有行。

    如果某个键值在其中一个数据集中不存在，则对应的列用 NA 填充。

    # 加载 dplyr 包
library(dplyr)

# 创建 students 数据集
students <- tibble(
  id = c(1, 2, 3, 4),
  name = c("Alice", "Bob", "Charlie", "David")
)

# 创建 scores 数据集
scores <- tibble(
  id = c(1, 2, 4, 5),
  score = c(85, 90, 95, 88)
)

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

# 查看结果
print(result)
    # A tibble: 5 × 3
     id name    score
  <dbl> <chr>   <dbl>
1     1 Alice      85
2     2 Bob        90
3     3 Charlie    NA
4     4 David      95
5     5 <NA>       88