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)|>
   arrange(desc(n))

`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 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

代码含义：将iris数据集转化为tibble格式，首先按照Species列进行升序排序。在每个Species组内，按照Sepal.Length和Sepal.width列进行降序排序。数据先按照鸢尾花的种类分组，然后在每个组内按照花萼的长度和宽度从大到小排列。

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：对starwars数据集按照gender列（性别）进行分组。在每个性别组中，筛选出体重（mass）大于该组平均体重的角色。最终的结果是一个新的数据集，其中只包含那些体重超过其性别组平均体重的角色。

如果某个性别组中有缺失值（NA），mean(mass, na.rm = TRUE)会忽略这些缺失值来计算平均值。如果某个角色的mass是NA，则该角色会被自动排除在筛选结果之外

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 数据集中提取 name、homeworld 和 species 三列。

将 homeworld 和 species 列的数据类型转换为因子。

最终生成一个新的数据框，包含这三列，且 homeworld 和 species 是因子类型。

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

代码含义：将 mtcars 数据集转换为 tibble 格式。按 vs 列（发动机类型）分组。

在每一组内，将 hp（马力）列分为 3 个区间，并添加 hp_cut 列。最后，按 hp_cut 列再次分组。

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。

inner_join() ：返回两个数据集中键匹配的行，即只保留两个数据集中都存在的记录。实例：合并学生成绩表与课程表，仅保留同时存在于两个表中的学生。

library(dplyr)

grades <- tibble(
  id = c(1, 2, 4),
  score = c(90, 85, 70)
)

# 数据2：学生ID和选修课程
courses <- tibble(
  id = c(1, 2, 3),
  course = c("Math", "Bio", "CS")
)

# 内连接
inner_join(grades, courses, by = "id")

# A tibble: 2 × 3
     id score course
  <dbl> <dbl> <chr> 
1     1    90 Math  
2     2    85 Bio

left_join()：保留左侧数据框中的所有行，右侧无匹配时填充NA。实例：保留所有学生的成绩，补充他们的课程，无则标NA。

left_join(grades, courses, by = "id")

# A tibble: 3 × 3
     id score course
  <dbl> <dbl> <chr> 
1     1    90 Math  
2     2    85 Bio   
3     4    70 <NA>

right_join() ：留右侧数据框中的所有行，左侧无匹配时填充NA。实例：列出所有课程的学生，补充成绩，无则标NA。

right_join(grades, courses, by = "id")

# A tibble: 3 × 3
     id score course
  <dbl> <dbl> <chr> 
1     1    90 Math  
2     2    85 Bio   
3     3    NA CS

full_join() ：保留两个数据框的所有行，无匹配时填充NA。实例：合并所有学生和课程信息，确保无遗漏。

full_join(grades, courses, by = "id")

# A tibble: 4 × 3
     id score course
  <dbl> <dbl> <chr> 
1     1    90 Math  
2     2    85 Bio   
3     4    70 <NA>  
4     3    NA CS

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