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(dplyr)
library(nycflights13)

library(dplyr)
library(nycflights13)

flights %>%
  group_by(origin) %>%
  summarise(
    flights_count = n(),
    avg_dep_delay = mean(dep_delay, na.rm = TRUE)
  )
    # A tibble: 3 × 3
  origin flights_count avg_dep_delay
  <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

    library(dplyr)
library(nycflights13)

flights %>%
  group_by(carrier) %>%
  summarise(
    flights_count = n(),
    avg_dep_delay = mean(dep_delay, na.rm = TRUE)
  ) %>%
  left_join(airlines, by = "carrier")
    # A tibble: 16 × 4
   carrier flights_count avg_dep_delay name                       
   <chr>           <int>         <dbl> <chr>                      
 1 9E              18460         16.7  Endeavor Air Inc.          
 2 AA              32729          8.59 American Airlines Inc.     
 3 AS                714          5.80 Alaska Airlines Inc.       
 4 B6              54635         13.0  JetBlue Airways            
 5 DL              48110          9.26 Delta Air Lines Inc.       
 6 EV              54173         20.0  ExpressJet Airlines Inc.   
 7 F9                685         20.2  Frontier Airlines Inc.     
 8 FL               3260         18.7  AirTran Airways Corporation
 9 HA                342          4.90 Hawaiian Airlines Inc.     
10 MQ              26397         10.6  Envoy Air                  
11 OO                 32         12.6  SkyWest Airlines Inc.      
12 UA              58665         12.1  United Air Lines Inc.      
13 US              20536          3.78 US Airways Inc.            
14 VX               5162         12.9  Virgin America             
15 WN              12275         17.7  Southwest Airlines Co.     
16 YV                601         19.0  Mesa Airlines Inc.

  • 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)
library(nycflights13)

flights %>%
  group_by(origin, dest) %>%                # 按机场和目的地分组
  summarise(
    flights_count = n(),                    # 计算每个目的地的航班数量
    avg_distance = mean(distance, na.rm = TRUE) # 计算平均飞行距离
  ) %>%
  group_by(origin) %>%                      # 重新按机场分组
  slice_max(order_by = flights_count, n = 3) %>% # 取每个机场航班量前三的目的地
  arrange(origin, desc(flights_count))      # 按机场和航班量排序
    `summarise()` has grouped output by 'origin'. You can override using the
`.groups` argument.
    # A tibble: 9 × 4
# Groups:   origin [3]
  origin dest  flights_count avg_distance
  <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：
    功能：对鸢尾花数据集 iris 按以下规则排序：

    1. 第一排序依据：Species 列（按字母升序排列，如 setosa → versicolor → virginica）

    2. 第二排序依据：所有以 Sepal 开头的列（如 Sepal.Length 和 Sepal.Width），按降序排列（desc）

    输出：排序后的数据框，同一物种内的 Sepal 列值从大到小排列。

    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

  2. 代码含义：
    功能：筛选《星球大战》数据集中体重超过同性别平均体重的角色：

    1. 按 gender 分组（如 male, female, none）

    2. 每组内计算平均体重（mean(mass)，忽略缺失值 na.rm=TRUE）

    3. 保留体重大于组内平均值的行

    输出：筛选后的数据框，仅包含体重超过同性别平均值的角色。

    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：

    功能：对《星球大战》数据集的列进行类型转换：

    1. 仅保留 name, homeworld, species 三列（select）

    2. 将除 name 外的其他列（homeworld, species）转换为因子类型（as.factor）

    输出：数据框中 homeworld 和 species 变为分类变量（因子），便于后续统计分析。

    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：
    功能：对汽车数据集 mtcars 进行分组分箱：

    1. 按 vs 列分组（0 或 1，代表发动机类型）

    2. 在每组内，将马力（hp）等距切分为 3 个区间（cut(hp, 3)），生成新列 hp_cut（如 (50,100]）

    3. 最终按 hp_cut 列重新分组（覆盖之前的 vs 分组）

    输出：数据框新增 hp_cut 列，并按马力区间分组。

    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

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完全匹配的行（交集）

    df1 <- tibble(id = 1:3, value = c("A", "B", "C"))
df2 <- tibble(id = 2:4, score = c(90, 85, 70))

inner_join(df1, df2, by = "id")
    # A tibble: 2 × 3
     id value score
  <int> <chr> <dbl>
1     2 B        90
2     3 C        85

  2. left_join() ：保留左表所有行，右表匹配的行合并，无匹配时填充 NA。

    left_join(df1, df2, by = "id")
    # A tibble: 3 × 3
     id value score
  <int> <chr> <dbl>
1     1 A        NA
2     2 B        90
3     3 C        85

  3. right_join() ：保留右表所有行，左表匹配的行合并，无匹配时填充 NA。

    right_join(df1, df2, by = "id")
    # A tibble: 3 × 3
     id value score
  <int> <chr> <dbl>
1     2 B        90
2     3 C        85
3     4 <NA>     70

  4. full_join() ：保留两表所有行，无匹配的列填充 NA（并集）。

    full_join(df1, df2, by = "id")
    # A tibble: 4 × 3
     id value score
  <int> <chr> <dbl>
1     1 A        NA
2     2 B        90
3     3 C        85
4     4 <NA>     70

3.1 关键区别总结

函数 保留左表行 保留右表行 无匹配填充
inner_join 仅匹配 仅匹配 不保留
left_join 全部 仅匹配 左表列保留
right_join 仅匹配 全部 右表列保留
full_join 全部 全部 全部保留