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 10.3tidyverse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）
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
代码含义：鸢尾花先按物种（Species）升序（setosa → versicolor → virginica）；同物种内，按Sepal.Length降序（数值大的在前）；若Sepal.Length相同，按Sepal.Width降序（数值大的在前）。
iris是 R 语言自带的一个经典数据集，涵盖了不同种类鸢尾花的多种测量数据。tibble(iris) 将内置的iris数据集转换为tibble格式（一种增强的数据框，更易阅读和操作）。虽然iris本身已是数据框，但显式转换为tibble可确保后续操作兼容tidyverse语法。 %>%（管道操作符） 将左边的表达式的结果传递给右边的函数作为第一个参数，实现链式操作，使代码更清晰。 arrange(Species, across(starts_with(“Sepal”), desc) arrange() 用于对数据排序。 Species 作为第一个排序依据，默认按字母升序排列（如setosa → versicolor → virginica）。 across()函数用于对多个列应用操作。它的参数是一个列选择器和一个操作函数。 starts_with(“Sepal”)是一个列选择器，表示选择所有以”Sepal”开头的列（即Sepal.Length和Sepal.Width）。 desc()函数表示对这些列进行降序排序。 across(starts_with(“Sepal”), desc) 对以“Sepal”开头的列（即Sepal.Length和Sepal.Width）应用降序排列： 在每个Species组内，先按Sepal.Length从大到小排序。 若Sepal.Length相同，再按Sepal.Width从大到小排序。
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代码含义：每个性别组中，质量高于本组平均值的角色。 列数与原始 starwars 数据集一致，但行数减少。
starwars %>% 调用 dplyr 内置的 starwars 数据集（包含《星球大战》角色的性别、质量、身高等信息）。 %>%（管道操作符）将数据传递到下一步操作，将左边的数据集传递给右边的函数作为第一个参数。 group_by(gender) 按 gender（性别）列对数据进行分组，后续操作会分别作用于每个性别组（如 “male”、“female”、NA 等组）。 filter(mass > mean(mass, na.rm = TRUE)) filter 是 dplyr 包中的函数，用于根据指定的条件筛选数据。 mass 是 starwars 数据集中表示角色体重的列。 mean(mass) 是组内均值（如男性组的平均质量、女性组的平均质量），而非全局均值。 在每个性别组内，仅保留 mass（质量/体重）大于该组平均值的行。 如果某行的 mass 为 NA，该行会被自动排除（filter 默认不保留无法判断条件的行）。 如果某性别组的所有 mass 均为 NA，则 mean(mass) 返回 NA，该组最终无数据保留。 na.rm = TRUE：计算均值时忽略缺失值（NA），避免因缺失值导致计算失败。
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：name：保持原数据类型（通常为字符型）。homeworld：转换为因子型（母星名称作为分类标签）。species：转换为因子型（物种名称作为分类标签）。
starwars %>% 调用 dplyr 内置的 starwars 数据集（包含《星球大战》角色的姓名、母星、物种、身高等信息）。 %>%（管道操作符）将数据传递到下一步操作，将左边的数据集传递给右边的函数作为第一个参数。 select(name, homeworld, species) select()用于选择数据集中的特定列：从数据集中仅保留 name（姓名）、homeworld（母星）、species（物种）三列，其余列（如 height、mass 等）被移除。 mutate(across(!name, as.factor)) mutate() 用于创建或修改列，此处修改数据类型。 across()函数用于对多个列应用操作。它的参数是一个列选择器和一个操作函数。 !name是一个列选择器，表示选择除name列之外的所有列。 as.factor是一个函数，用于将列转换为因子类型。 across(!name, as.factor) 表示对 除 name 列之外的所有列（即 homeworld 和 species）执行 as.factor() 函数： 将 homeworld 和 species 列从字符型（character）或任意类型转换为 因子型（factor）会被视为分类变量（如性别、物种类型），适合分类变量分析。
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：最终得到一个 tibble 数据，包含以下信息：所有原始列（如 mpg, cyl, hp 等），新增列 hp_cut（表示分箱区间），数据按 hp_cut 分组（覆盖了最初的 vs 分组）
tibble(mtcars) %>% mtcars 是 R 语言自带的经典数据集，包含了 32 辆汽车的各种性能指标，如每加仑英里数（mpg）、马力（hp）、气缸数（cyl）等。 tibble 是 tibble 包（它是 tidyverse 的一部分）中的函数，用于把数据转换为 tibble 格式。tibble 是一种现代的数据框，在打印和处理方面比传统的数据框更友好。 %>%是管道操作符，将左边的表达式的结果传递给右边的函数作为第一个参数。 group_by(vs) %>% group_by 是 dplyr 包中的函数，用于按照指定的列对数据集进行分组。这里按照 vs 列（发动机形状，0 表示 V 型发动机，1 表示直列发动机）对 mtcars 数据集进行分组，后续操作会在每个分组内独立进行。 mutate(hp_cut = cut(hp, 3)) %>% mutate()是dplyr包中的一个函数，用于对数据集中的列进行变换或创建新列。 cut(hp, 3)函数将hp（马力）列的值分成3个区间，生成新列 hp_cut（如 (50,100]、(100,150]、(150,200]），每个区间会被赋予一个唯一的标签。 hp_cut是新创建的列，表示每个汽车的马力所属的区间。 group_by(hp_cut) 再次使用 group_by 函数，这次是按照新创建的 hp_cut 列对数据集进行分组，后续操作将基于这个新的分组进行。 最终数据按 hp_cut 区间分组，不再保留 vs 的分组。
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()：仅保留两个数据集中键完全匹配的行（交集），丢弃所有不匹配的行。library(dplyr) df_party <- tibble( name = c("Luke", "Darth Vader", "Leia"), party = c("Rebel", "Empire", "Rebel") ) df_planet <- tibble( name = c("Luke", "Leia", "Han"), planet = c("Tatooine", "Alderaan", "Corellia") ) result_inner <- inner_join(df_party, df_planet, by = "name") print(result_inner)# A tibble: 2 × 3 name party planet <chr> <chr> <chr> 1 Luke Rebel Tatooine 2 Leia Rebel Alderaanleft_join()：返回第一个数据框中的所有行及其在第二个数据框中匹配的行（左连接）。右侧无匹配的行用NA填充。result_left <- left_join(df_party, df_planet, by = "name") print(result_left)# A tibble: 3 × 3 name party planet <chr> <chr> <chr> 1 Luke Rebel Tatooine 2 Darth Vader Empire <NA> 3 Leia Rebel Alderaanright_join()：返回第二个数据框中的所有行及其在第一个数据框中匹配的行（右连接）。左侧无匹配的行用NA填充。result_right <- right_join(df_party, df_planet, by = "name") print(result_right)# A tibble: 3 × 3 name party planet <chr> <chr> <chr> 1 Luke Rebel Tatooine 2 Leia Rebel Alderaan 3 Han <NA> Corelliafull_join()：返回两个数据框中的所有行（并集），如果没有匹配，则会有NA填充缺失值。result_full <- full_join(df_party, df_planet, by = "name") print(result_full)# A tibble: 4 × 3 name party planet <chr> <chr> <chr> 1 Luke Rebel Tatooine 2 Darth Vader Empire <NA> 3 Leia Rebel Alderaan 4 Han <NA> Corellia