tidyverse初认识

Author

221527110陈艺印

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(),distm=mean(distance))
    `summarise()` has grouped output by 'origin'. You can override using the
`.groups` argument.
    # A tibble: 224 × 4
# Groups:   origin [3]
   origin dest      n distm
   <chr>  <chr> <int> <dbl>
 1 EWR    ALB     439   143
 2 EWR    ANC       8  3370
 3 EWR    ATL    5022   746
 4 EWR    AUS     968  1504
 5 EWR    AVL     265   583
 6 EWR    BDL     443   116
 7 EWR    BNA    2336   748
 8 EWR    BOS    5327   200
 9 EWR    BQN     297  1585
10 EWR    BTV     931   266
# ℹ 214 more rows

2 第二题 解释代码

  1. 代码含义：

    arrange 是 dplyr 包中的一个函数，用于对数据框的行进行排序。 首先按 Species 列升序排列（默认是升序）。

    across 是 dplyr 中的一个函数，用于对多列应用相同的操作。starts_with("Sepal") 是一个选择辅助函数，用于选择所有以 "Sepal" 开头的列（即 Sepal.Length 和 Sepal.Width）。

    desc 是 dplyr 中的一个函数，用于对列进行降序排列。

    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

  2. 代码含义：

    2.0.1 group_by(gender)表示对 starwars 数据集按 gender（性别）分组。

    filter 函数用于筛选满足条件的行。mean(mass, na.rm = TRUE)：计算每个性别组的平均体重，na.rm = TRUE 表示忽略缺失值（NA）。

    mass > mean(mass, na.rm = TRUE)：筛选出体重大于该组平均体重的角色。

    即在每个性别组中，筛选出体重大于该组平均体重的角色。

    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：

    select 函数用于选择数据集中的特定列。这里选择了 name（姓名）、homeworld（家乡星球）和 species（物种）三列。即从 starwars 数据集中选择 name、homeworld 和 species 三列。

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

    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：

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

    group_by(vs) 按照 vs 列对数据进行分组。vs 是 mtcars 数据集中的一个列，表示发动机类型（0 = V型发动机，1 = 直列发动机）。分组后，后续的操作会分别应用于每个分组。

    mutate(hp_cut = cut(hp, 3)) 创建了一个新列 hp_cut，它是根据 hp（马力）列的值进行分箱（binning）得到的。cut(hp, 3) 将 hp 列的值分成3个区间，每个区间对应一个因子水平。

    group_by(hp_cut) 再次对数据进行分组，这次是按照新创建的 hp_cut 列进行分组。这意味着数据现在会按照 vs 和 hp_cut 的组合进行分组。

    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。

  1. inner_join() ：

    作用: 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，则该行会被丢弃。

    library(dplyr)

# 创建两个数据集
df1 <- tibble(name = c("Alice", "Bob", "Charlie"),
              age = c(25, 30, 35))
df2 <- tibble(name = c("Alice", "Bob", "David"),
              city = c("New York", "Los Angeles", "Chicago"))

# 使用 inner_join 合并
result <- inner_join(df1, df2, by = "name")
print(result)
    # A tibble: 2 × 3
  name    age city       
  <chr> <dbl> <chr>      
1 Alice    25 New York   
2 Bob      30 Los Angeles

    解释：df1 和 df2 通过 name 列进行匹配。

    只有 Alice 和 Bob 在两个数据集中都有匹配的键，因此 Charlie 和 David 被丢弃

  2. left_join() ：

    作用: 返回左侧数据集（x）的所有行，以及右侧数据集（y）中与左侧数据集匹配的行。如果右侧数据集中没有匹配的键，则用 NA 填充。

    # 使用 left_join 合并
result <- left_join(df1, df2, by = "name")
print(result)
    # A tibble: 3 × 3
  name      age city       
  <chr>   <dbl> <chr>      
1 Alice      25 New York   
2 Bob        30 Los Angeles
3 Charlie    35 <NA>

    解释: df1 的所有行都被保留。 Charlie 在 df2 中没有匹配的键，因此 city 列用 NA 填充。

  3. right_join() ：

    作用：
    right_join() 返回右侧数据集的所有行，以及左侧数据集中与右侧数据集匹配的行。如果左侧数据集中没有匹配的键，则用 NA 填充。

    library(dplyr)

# 左侧数据集列名为 ID
df1 <- tibble(ID = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
# 右侧数据集列名为 id
df2 <- tibble(id = c(2, 3, 4), score = c(90, 85, 88))
result <- right_join(df1, df2, by = c("ID" = "id"))
print(result)
    # A tibble: 3 × 3
     ID name    score
  <dbl> <chr>   <dbl>
1     2 Bob        90
2     3 Charlie    85
3     4 <NA>       88

    解释：

    df2 的所有行都保留在结果中。

    id 为 2 和 3 的行在 df1 中有匹配的键，因此 name 列被填充。

    id 为 4 的行在 df1 中没有匹配的键，因此 name 列用 NA 填充。

  4. full_join() ：

    # 左侧数据集列名为 ID
df1 <- tibble(ID = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))

# 右侧数据集列名为 id
df2 <- tibble(id = c(2, 3, 4), score = c(90, 85, 88))
result <- full_join(df1, df2, by = c("ID" = "id"))
print(result)
    # A tibble: 4 × 3
     ID name    score
  <dbl> <chr>   <dbl>
1     1 Alice      NA
2     2 Bob        90
3     3 Charlie    85
4     4 <NA>       88

解释： df1 和 df2 的所有行都保留在结果中。

id 为 2 和 3 的行在两个数据集中都有匹配的键，因此 name 和 score 列被填充。

id 为 1 的行在 df2 中没有匹配的键，因此 score 列用 NA 填充。

id 为 4 的行在 df1 中没有匹配的键，因此 name 列用 NA 填充。