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(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(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

  • 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_m=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_m
  <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：

    这段代码首先将经典的iris数据集转换为tibble格式，然后按照以下规则进行排序：先按照Species列（物种）升序排列，然后在每个物种组内，对所有以”Sepal”开头的列（即Sepal.Length和Sepal.Width）进行降序排列。最终输出的数据框会先按物种分类，再在每个物种组内按照萼片长度和宽度从大到小排列。

    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：

    这段代码使用 dplyr 对 starwars 数据集进行分组筛选操作。首先按 gender（性别）列分组，然后筛选出每个性别组中 mass（体重）大于该组平均体重的角色（自动排除缺失值）。最终结果是每个性别组中体重超过该组平均值的角色子集。

    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：

    这段代码对 starwars 数据集进行了列选择和类型转换操作：首先使用 select() 选取了 name（姓名）、homeworld（母星）和 species（物种）三列；然后通过 mutate() 和 across() 函数，将除了 name 列之外的其余列（即 homeworld 和 species）都转换为因子型（factor）数据，这种转换适用于后续的分类统计或可视化分析。最终得到一个包含姓名（字符型）、母星（因子型）和物种（因子型）的简洁数据框。

    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：

    这段代码对 mtcars 数据集执行了分组和变量离散化操作。首先将数据转换为 tibble 格式，然后按发动机类型 (vs) 进行初始分组。接着在每组内，将马力 (hp) 离散化为 3 个等距区间，生成新的分类变量 hp_cut。最后，代码将分组依据从原来的发动机类型切换为这个新创建的马力区间分组。整个过程实现了从连续变量到分类变量的转换，便于后续按马力区间进行分组分析。

    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() ：只保留两个数据框中键值匹配的行（交集）

    library(dplyr)
# 创建两个示例数据框
employees <- tibble(
  id = c(1, 2, 3, 4),
  name = c("Alice", "Bob", "Charlie", "David")
)
salaries <- tibble(
  id = c(1, 2, 4, 5),
  salary = c(5000, 6000, 4500, 7000)
)
# 内连接
inner_join(employees, salaries, by = "id")
    # A tibble: 3 × 3
     id name  salary
  <dbl> <chr>  <dbl>
1     1 Alice   5000
2     2 Bob     6000
3     4 David   4500

    解释：只保留同时在employees和salaries表中存在的id(1,2,4)，id为3和5的记录被排除。

  2. left_join() ：保留左边数据框的所有行，无论右边数据框是否有匹配

    left_join(employees, salaries, by = "id")
    # A tibble: 4 × 3
     id name    salary
  <dbl> <chr>    <dbl>
1     1 Alice     5000
2     2 Bob       6000
3     3 Charlie     NA
4     4 David     4500

    解释：保留employees表的所有记录，salaries表中没有匹配的id(3)显示为NA，salaries表中多出的id(5)不显示。

  3. right_join() ：保留右边数据框的所有行，无论左边数据框是否有匹配

    right_join(employees, salaries, by = "id")
    # A tibble: 4 × 3
     id name  salary
  <dbl> <chr>  <dbl>
1     1 Alice   5000
2     2 Bob     6000
3     4 David   4500
4     5 <NA>    7000

    解释：保留salaries表的所有记录，employees表中没有匹配的id(5)显示为NA，employees表中多出的id(3)不显示。

  4. full_join() ：保留两个数据框中的所有行（并集）

    full_join(employees, salaries, by = "id")
    # A tibble: 5 × 3
     id name    salary
  <dbl> <chr>    <dbl>
1     1 Alice     5000
2     2 Bob       6000
3     3 Charlie     NA
4     4 David     4500
5     5 <NA>      7000

    解释：保留两个表中的所有记录，没有匹配的部分用NA填充。