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）

library(nycflights13)
?flights

starting httpd help server ... done

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：将R语言中的数据集iris转换成tibble格式的数据框，并按照species给iris排序，以sepal的开头的列进行降序

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：将starwars按gender列进行分组，将数据分为不同的性别组，对每个性别组进行筛选，只保留mass大于该性别组其他mass平均值的行，并计算平均值，忽略列中的缺失值

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集中选择name,homeworld, species的列，其他的舍去，并对数据框进行修改，排除除了name以外的所有列，将homeworld, species列的数据类型转换为因子

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：将mtcars转化为tibble形式，按照by对数据进行分组，将hp分为三个等宽的组，每个组分配到各个组中

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() ：

只返回两个表中匹配成功的行，排除所有不匹配的行，结果集包含两个表中所有字段的组合

library(dplyr)
customers <- tibble(
  customer_id = c(101, 102, 103, 104),
  name = c("张三", "李四", "王五", "赵六"),
  vip_level = c("黄金", "白银", "黄金", "青铜")
)
orders <- tibble(
  order_id = c(1001, 1002, 1003, 1005),
  customer_id = c(101, 102, 103, 105),  # 注意：104号客户没有订单，105号客户不在客户表中
  amount = c(299, 450, 180, 600),
  order_date = as.Date(c("2023-01-15", "2023-02-20", "2023-03-10", "2023-04-05"))
)
customer_orders <- inner_join(
  customers, 
  orders, 
  by = "customer_id"
)
print(customer_orders)

# A tibble: 3 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10

left_join() ：

保留左表全部数据，当右表有匹配时，显示匹配数据，当右表无匹配时，右表字段显示为 NULL，与 inner join 不同，不会因为右表无匹配而过滤掉左表记录

left_join(customers, orders, by = "customer_id")

# A tibble: 4 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10
4         104 赵六  青铜            NA     NA NA

print(customer_orders)

# A tibble: 3 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10

right_join() ：

保留右表全部数据，当左表有匹配时，显示匹配数据，当左表无匹配时，左表字段显示为 NULL，与 inner join 不同，不会因为左表无匹配而过滤掉右表记录

right_join(customers, orders, by = "customer_id")

# A tibble: 4 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10
4         105 <NA>  <NA>          1005    600 2023-04-05

print(customer_orders)

# A tibble: 3 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10

full_join() ：

保留双表全部数据，当有匹配时，显示合并后的数据，左表有但右表无时右表字段显示为 NULL，右表有但左表无时左表字段显示为 NULL，不会丢失任何信息：是四种主要连接类型中最全面的

full_join(customers, orders, by = "customer_id")

# A tibble: 5 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10
4         104 赵六  青铜            NA     NA NA        
5         105 <NA>  <NA>          1005    600 2023-04-05

print(customer_orders)

# A tibble: 3 × 6
  customer_id name  vip_level order_id amount order_date
        <dbl> <chr> <chr>        <dbl>  <dbl> <date>    
1         101 张三  黄金          1001    299 2023-01-15
2         102 李四  白银          1002    450 2023-02-20
3         103 王五  黄金          1003    180 2023-03-10

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