221527111苏碧慧”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(),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

  1. 代码含义：数据首先按Species升序排序，然后在每个Species组内，对Sepal.Length和Sepal.Width列进行降序排序。

    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

  2. 代码含义：对starwars数据集按性别分组，然后筛选出每组中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：从starwars数据集中提取name、homeworld和species三列，并将homeworld和species列转换为因子类型。

    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：对mtcars数据集按发动机类型（vs）分组，然后在每组内将hp列分成3个区间，并最终按hp_cut列分组。

    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() ：

    仅保留两个数据集中键匹配的行（交集）。

    如果某行在一个表中存在但在另一个表中没有匹配，则该行会被丢弃。

    library(dplyr)

# 创建两个数据集
df1 <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
df2 <- tibble(id = c(2, 3, 4), age = c(25, 30, 35))

# 执行 inner_join
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

    3.1 解释：

    • df1 和 df2 都有 id = 2 和 id = 3，所以这两行被保留。

    • id = 1（仅在 df1 中）和 id = 4（仅在 df2 中）被丢弃。

  2. left_join() ：

    保留左表的所有行，并匹配右表的行。

    如果右表中没有匹配的行，则用 NA 填充。

    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

    3.2 解释：

    • df1 的所有行都被保留。

    • id = 1 在 df2 中没有匹配，所以 age 为 NA。

    • id = 2 和 id = 3 正常匹配。

  3. right_join() ：

    保留右表的所有行，并匹配左表的行。

    如果左表中没有匹配的行，则用 NA 填充。

    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

    3.3 解释：

    • df2 的所有行都被保留。

    • id = 4 在 df1 中没有匹配，所以 name 为 NA。

    • id = 2 和 id = 3 正常匹配。

  4. full_join() ：

    保留两个表的所有行，无论是否匹配。

    如果某行在一个表中没有匹配，则用 NA 填充。

    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

3.4 解释：

  • df1 和 df2 的所有行都被保留。

  • id = 1 和 id = 4 没有匹配，所以对应的列填充 NA。

  • id = 2 和 id = 3 正常匹配。