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：
#这段代码的作用是对 iris 数据集按照 Species（物种）列升序排序，同时对列名以 "Sepal" 开头的列（Sepal.Length 和 Sepal.Width）按降序进行排序。across() 函数用于同时对多个列进行相同的操作，而 desc 表示降序排序。 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：
#这段代码将 starwars 数据集按 gender（性别）分组后，筛选出每个性别组中 mass（体重）大于该组平均体重的行。na.rm = TRUE 用于忽略 NA（缺失值），确保 mean() 在存在缺失值时也能正常计算。 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：
#该代码从 starwars 数据集中筛选出 name、homeworld 和 species 三个列，然后将除 name 列以外的两列 (homeworld 和 species) 转换为 factor 类型。across(!name, as.factor) 表示对除 name 以外的所有列应用 as.factor() 转换 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：
#这段代码将 mtcars 数据集转化为 tibble 类型后，按 vs（发动机类型）分组；然后将 hp（马力）列划分为 3 个区间（cut() 函数用于对数值数据进行区间划分），并将其结果保存在新列 hp_cut 中。最后再次按 hp_cut 进行分组，以便后续对这些区间的进一步分析。 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。
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，则该行不会出现在结果中。 #例子 library(dplyr) df1 <- tibble( id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie") ) df2 <- tibble( id = c(2, 3, 4), age = c(25, 30, 35) ) result <- inner_join(df1, df2, by = "id") print(result)# A tibble: 2 × 3 id name age <dbl> <chr> <dbl> 1 2 Bob 25 2 3 Charlie 30#解释：只有 id 为 2 和 3 的行在两个数据集中都存在，因此结果中只包含这两行。left_join()：#作用：返回左侧数据集中的所有行，即使右侧数据集中没有匹配的键。如果右侧数据集中没有匹配的键，则结果中对应的列将包含 NA。 #例子 result <- left_join(df1, df2, by = "id") print(result)# A tibble: 3 × 3 id name age <dbl> <chr> <dbl> 1 1 Alice NA 2 2 Bob 25 3 3 Charlie 30#解释：df1 中的所有行都保留在结果中。id 为 1 的行在 df2 中没有匹配的键，因此 age 列显示为 NA。right_join()：#作用：返回右侧数据集中的所有行，即使左侧数据集中没有匹配的键。如果左侧数据集中没有匹配的键，则结果中对应的列将包含 NA。 #例子 result <- right_join(df1, df2, by = "id") print(result)# A tibble: 3 × 3 id name age <dbl> <chr> <dbl> 1 2 Bob 25 2 3 Charlie 30 3 4 <NA> 35#解释：df2 中的所有行都保留在结果中。id 为 4 的行在 df1 中没有匹配的键，因此 name 列显示为 NA。full_join()：#作用：返回两个数据集中的所有行。如果某一行在其中一个数据集中没有匹配的键，则结果中对应的列将包含 NA。 #例子 result <- full_join(df1, df2, by = "id") print(result)# A tibble: 4 × 3 id name age <dbl> <chr> <dbl> 1 1 Alice NA 2 2 Bob 25 3 3 Charlie 30 4 4 <NA> 35#解释：结果中包含了两个数据集中的所有行。id 为 1 和 4 的行在另一个数据集中没有匹配的键，因此对应的列显示为 NA。