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）

    data1<-flights %>% 
  group_by(origin)%>%
  summarise(n=n(),dly=mean(dep_delay,na.rm = T))
data1
    # 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

    data2<-flights %>% 
  group_by(carrier,dest)%>%
  summarise(n=n(),dly=mean(dep_delay,na.rm = T))
    `summarise()` has grouped output by 'carrier'. You can override using the
`.groups` argument.
    data2
    # A tibble: 314 × 4
# Groups:   carrier [16]
   carrier dest      n    dly
   <chr>   <chr> <int>  <dbl>
 1 9E      ATL      59  0.965
 2 9E      AUS       2 19    
 3 9E      AVL      10 -2.6  
 4 9E      BGR       1 34    
 5 9E      BNA     474 19.1  
 6 9E      BOS     914 14.8  
 7 9E      BTV       2 -4.5  
 8 9E      BUF     833 15.5  
 9 9E      BWI     856 17.5  
10 9E      CAE       3 -3.67 
# ℹ 304 more rows

  • 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)

    library(dplyr)#用于arrange函数
data3<-flights %>% 
  group_by(origin,dest)%>%
  summarise(n=n(),dis=mean(distance,na.rm = T)) %>% 
  slice_max(n,n=3) %>% 
  arrange(desc(n))
    `summarise()` has grouped output by 'origin'. You can override using the
`.groups` argument.
    data3
    # A tibble: 9 × 4
# Groups:   origin [3]
  origin dest      n   dis
  <chr>  <chr> <int> <dbl>
1 JFK    LAX   11262  2475
2 LGA    ATL   10263   762
3 LGA    ORD    8857   733
4 JFK    SFO    8204  2586
5 LGA    CLT    6168   544
6 EWR    ORD    6100   719
7 JFK    BOS    5898   187
8 EWR    BOS    5327   200
9 EWR    SFO    5127  2565

2 第二题 解释代码

  1. 代码含义：对数据框iris中的Species变量进行排序，arrange是排序函数，starts_with是表示以Sepal开始排序，desc表示是降序，%>%是管道操作符，用于将前一个操作的结果传递给下一个操作。它使得代码更易读和简洁

    arrange(): 用于对数据框的行进行排序。

    Species: 首先按Species列（鸢尾花的种类）进行升序排序。Species有三个类别：setosa、versicolor和virginica。

    across(starts_with("Sepal")):

    • starts_with("Sepal")选择所有以"Sepal"开头的列（即Sepal.Length和Sepal.Width）。

    • across()用于对多列应用相同的操作。

    desc(): 表示降序排序。这里对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： starwars: 这是dplyr包自带的一个数据集，包含了《星球大战》系列电影中的角色信息，如姓名、性别、身高等。

    group_by(gender): 这一步将数据按gender（性别）分组。也就是说，数据会按照不同的性别（如男性、女性等）分成不同的组。

    filter(mass > mean(mass, na.rm = TRUE)): 这一步对每个性别组进行过滤，保留那些mass（体重）大于该组平均体重的行。na.rm = TRUE表示在计算平均值时忽略缺失值（NA）

    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：

    select(name, homeworld, species)

    • select() 函数用于从数据集中选择指定的列。

    • 这里选择了 name（角色名称）、homeworld（母星）和 species（物种）三列。

    mutate(across(!name, as.factor))

    • mutate() 函数用于创建或修改数据集的列。

    • across() 是 dplyr 中的一个函数，用于对多列应用相同的操作。

    • !name 表示对除 name 列之外的所有列进行操作。

    • as.factor() 函数将指定的列转换为因子（factor）类型，通常用于分类数据。

    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：tibble(mtcars)将mtcars数据集转换为tibble格式。tibble是dplyr中一种更现代的、增强版的数据框，打印时更友好。

    vs是mtcars数据集中的一列，表示发动机类型（0表示V型发动机，1表示直列发动机）。这一步将数据按vs列分组，分成两组：vs = 0和vs = 1

    mutate(hp_cut = cut(hp, 3))
    对 hp 列（马力）进行分箱操作，将其分为 3 个区间，并将结果存储在新列 hp_cut 中。cut() 函数将连续变量转换为因子变量，默认按等宽区间划分。

    group_by(hp_cut)
    再次按 hp_cut 列对数据进行分组。此时，数据会先按 vs 分组，再在每组内按 hp_cut 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() ：是 dplyr 包中的一个函数，用于将两个数据框（或表格）按照指定的列进行内连接。内连接的特点是只保留两个数据框中匹配的行，不匹配的行会被丢弃。

    #library(dplyr)

df1 <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
df2 <- tibble(id = c(2, 3, 4), score = c(90, 85, 88))
result <- inner_join(df1, df2, by = "id")
print(result)
    # A tibble: 2 × 3
     id name    score
  <dbl> <chr>   <dbl>
1     2 Bob        90
2     3 Charlie    85

    • 匹配的行：df1 和 df2 中 id 为 2 和 3 的行匹配成功。

    • 丢弃的行：df1 中 id 为 1 的行和 df2 中 id 为 4 的行被丢弃。

    • 合并的列：name 和 score 列被合并到结果中。

  2. left_join() ：用于将两个数据框（或表格）按照指定的列进行左连接。左连接的特点是保留左表（第一个表）的所有行，并将右表（第二个表）中匹配的行合并到左表中。如果右表中没有匹配的行，则用 NA 填充。

    df1 <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
df2 <- tibble(id = c(2, 3, 4), score = c(90, 85, 88))
result <- left_join(df1, df2, by = "id")
print(result)
    # A tibble: 3 × 3
     id name    score
  <dbl> <chr>   <dbl>
1     1 Alice      NA
2     2 Bob        90
3     3 Charlie    85

    保留左表的所有行：df1 中 id 为 1、2、3 的行都被保留。

    合并匹配的数据：df2 中 id 为 2 和 3 的行被合并到 df1 中。

    填充缺失值：df1 中 id 为 1 的行在 df2 中没有匹配的行，因此 score 列用 NA 填充。

  3. right_join() ：用于将两个数据框（或表格）按照指定的列进行右连接。右连接的特点是保留右表（第二个表）的所有行，并将左表（第一个表）中匹配的行合并到右表中。如果左表中没有匹配的行，则用 NA 填充。

    df1 <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
df2 <- tibble(id = c(2, 3, 4), score = c(90, 85, 88))
result <- right_join(df1, df2, by = "id")
print(result)
    # A tibble: 3 × 3
     id name    score
  <dbl> <chr>   <dbl>
1     2 Bob        90
2     3 Charlie    85
3     4 <NA>       88

    • 保留右表的所有行：df2 中 id 为 2、3、4 的行都被保留。

    • 合并匹配的数据：df1 中 id 为 2 和 3 的行被合并到 df2 中。

    • 填充缺失值：df2 中 id 为 4 的行在 df1 中没有匹配的行，因此 name 列用 NA 填充。

  4. full_join() ：用于将两个数据框（或表格）按照指定的列进行全连接。全连接的特点是保留两个表中的所有行，无论是否有匹配的行。如果某一行在其中一个表中没有匹配的行，则用 NA 填充。

    df1 <- tibble(id = c(1, 2, 3), name = c("Alice", "Bob", "Charlie"))
df2 <- tibble(id = c(2, 3, 4), score = c(90, 85, 88))
result <- full_join(df1, df2, by = "id")
print(result)
    # A tibble: 4 × 3
     id name    score
  <dbl> <chr>   <dbl>
1     1 Alice      NA
2     2 Bob        90
3     3 Charlie    85
4     4 <NA>       88

    保留两个表的所有行：df1 中 id 为 1、2、3 的行和 df2 中 id 为 2、3、4 的行都被保留。

    合并匹配的数据：df1 中 id 为 2 和 3 的行与 df2 中对应的行被合并。

    填充缺失值：df1 中 id 为 1 的行在 df2 中没有匹配的行，因此 score 列用 NA 填充；df2 中 id 为 4 的行在 df1 中没有匹配的行，因此 name 列用 NA 填充。