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(),dly=mean(dep_delay,na.rm=T))

# A tibble: 3 × 3
  origin      n   dly
  <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(),dly=mean(dep_delay,na.rm=T)) |> 
  arrange(desc(n))

# A tibble: 16 × 3
   carrier     n   dly
   <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(),dist=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
  <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：对鸢尾花的数据按照单词开头是”Sepal”对种类进行降序排序。

tibble(iris) %>% ##将iris数据集从传统的data.frame格式转换为tibble格式
  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：对星球大战中的角色按照性别分组，筛选出重量大于平均值的角色

##starwars是tidyverse包中的一个内置数据集，包含了《星球大战》系列电影中的角色信息，例如姓名、性别、身高、质量等。
##gender：性别；mass：重量
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：

从 starwars 数据集中选择 name、homeworld 和 species 三列。

将 homeworld 和 species 列转换为因子类型，以便更好地表示分类变量

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

##across是dplyr中的一个函数，用于对多列应用相同的操作
##mutate用于在数据框中添加新列或修改现有列。它的作用是对数据进行列级别的变换
##!name 表示除了 name 列之外的所有列（即 homeworld 和 species）
##as.factor 是将列转换为因子（factor）类型的函数。

代码含义：

首先将mtcars的数据按发动机类型分组，vs = 0 是V 型发动机，vs = 1 是直列发动机。

然后在每个发动机类型组内，将总马力分为 3 个区间

最后按3个区间进一步分组，在每个发动机类型内，数据会进一步按总马力 3 个区间分组。

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

##Motor Trend 汽车路测数据
##vs:发动机类型
##hp：总马力

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() ：内连接，只保留两个数据框中都有匹配项的行。如果某个数据框中的行在另一个数据框中没有匹配项，则该行不会出现在结果中。

解释：只有在两个表中都存在的姓名（刘文涛, 王宇翔, 田思雨, 徐丽娜,丁文彬）对应的行被保留下来，其他没有匹配项的行都被排除在结果之外。

# 读取数据框
##5个同学统计学,数学,经济学的成绩
data1_1 <- read.csv("table1_1.csv", header = TRUE)
##10个同学金融,会计的成绩
data1_3 <- read.csv("table1_3.csv", header = TRUE)

# 使用inner_join连接两个数据框
result1 <- inner_join(data1_1, data1_3, by = "姓名")

result1

    姓名 统计学 数学 经济学 金融 会计
1 刘文涛     68   85     84   89   86
2 王宇翔     85   91     63   76   66
3 田思雨     74   74     61   80   69
4 徐丽娜     88  100     49   71   66
5 丁文彬     63   82     89   78   80

left_join() ：左连接，保留左边数据框中的所有行。对于左边数据框中在右边数据框中没有匹配项的行，右边数据框中的对应列将填充为NA。

解释：左边数据框data1_3中的所有行都被保留。对于李志国,王智强, 宋丽媛, 袁芳芳和张建国，他们在data1_1中没有匹配的name值，因此统计学,数学,经济学的成绩填充为NA。

# 使用left_join连接两个数据框
result2 <- left_join(data1_3, data1_1, by = "姓名")

result2

     姓名 金融 会计 统计学 数学 经济学
1  刘文涛   89   86     68   85     84
2  王宇翔   76   66     85   91     63
3  田思雨   80   69     74   74     61
4  徐丽娜   71   66     88  100     49
5  丁文彬   78   80     63   82     89
6  李志国   60   60     NA   NA     NA
7  王智强   72   66     NA   NA     NA
8  宋丽媛   73   70     NA   NA     NA
9  袁芳芳   91   85     NA   NA     NA
10 张建国   85   82     NA   NA     NA

right_join() ：右连接，保留右边数据框中的所有行。对于右边数据框中在左边数据框中没有匹配项的行，左边数据框中的对应列将填充为NA。

解释：右边数据框data1_3中的所有行都被保留。对于李志国,王智强, 宋丽媛, 袁芳芳和张建国，他们在data1_1中没有匹配的姓名，因此统计学,数学,经济学的成绩填充为NA。

# 使用right_join连接两个数据框
result3 <- right_join(data1_1, data1_3, by = "姓名")

result3

     姓名 统计学 数学 经济学 金融 会计
1  刘文涛     68   85     84   89   86
2  王宇翔     85   91     63   76   66
3  田思雨     74   74     61   80   69
4  徐丽娜     88  100     49   71   66
5  丁文彬     63   82     89   78   80
6  李志国     NA   NA     NA   60   60
7  王智强     NA   NA     NA   72   66
8  宋丽媛     NA   NA     NA   73   70
9  袁芳芳     NA   NA     NA   91   85
10 张建国     NA   NA     NA   85   82

full_join() ：全连接，保留两个数据框中的所有行。对于在另一个数据框中没有匹配项的行，对应列填充为NA。

解释：两个数据框中的所有行都被保留。对于在另一个数据框中没有匹配项的行，对应列填充为NA。例如，李志国,王智强, 宋丽媛, 袁芳芳和张建国在data1_1中没有匹配项，统计学,数学,经济学的成绩填充为NA。

# 使用full_join连接两个数据框
result4 <- full_join(data1_1, data1_3, by = "姓名")

result4

     姓名 统计学 数学 经济学 金融 会计
1  刘文涛     68   85     84   89   86
2  王宇翔     85   91     63   76   66
3  田思雨     74   74     61   80   69
4  徐丽娜     88  100     49   71   66
5  丁文彬     63   82     89   78   80
6  李志国     NA   NA     NA   60   60
7  王智强     NA   NA     NA   72   66
8  宋丽媛     NA   NA     NA   73   70
9  袁芳芳     NA   NA     NA   91   85
10 张建国     NA   NA     NA   85   82

1 第一题 编写代码

2 第二题 解释代码

3 第三题 查找帮助理解函数

1 第一题编写代码

2 第二题解释代码

3 第三题查找帮助理解函数