flights %>%
group_by(origin) %>%
summarise(n=n(),depm=mean(dep_delay,na.rm=T))# A tibble: 3 × 3
origin n depm
<chr> <int> <dbl>
1 EWR 120835 15.1
2 JFK 111279 12.1
3 LGA 104662 10.3tidyverse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）
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(),depm=mean(dep_delay,na.rm = T)) %>% arrange(desc(n))# A tibble: 16 × 3 carrier n depm <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(),distm=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 distm <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：将iris数据集转换为tibble格式，并对其进行排序。首先按照Species列进行升序排序，然后在每个Species组内，对以Sepal开头的列进行降序排序。
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- 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，最终返回一个筛选后的数据集，其中只包含体重高于其性别组平均体重的角色
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>代码含义：从starwars数据集中选择name、homeworld和species三列，将homeworld和species列的数据类型转换为因子类型，返回一个修改后的数据框，其中homeworld和species列是因子类型，而name列保持不变
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，按照vs列对数据进行分组，在每组中，将hp列的值分成3个区间，并创建一个新列hp_cut表示这些区间，最后按照hp_cut列进行分组。
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()：其作用只返回两个数据集中键值匹配的行，将两个数据集的列合并到一起，可以指定一个或多个列作为匹配键，当键不唯一时，会返回所有可能的组合library(dplyr) # 创建示例数据集 students <- data.frame( student_id = c(1, 2, 3, 4), name = c("Alice", "Bob", "Charlie", "David") ) scores <- data.frame( student_id = c(1, 2, 3, 5), score = c(90, 85, 78, 92) ) # 使用inner_join合并数据集 merged_data <- inner_join(students, scores, by = "student_id") # 查看结果 print(merged_data)student_id name score 1 1 Alice 90 2 2 Bob 85 3 3 Charlie 78原始students数据集有4个学生(ID:1-4)scores数据集有4个分数记录(ID:1-3和5)，inner_join()只保留了在两个数据集中都存在的学生ID(1,2,3)，ID为4的学生(在students中)被排除，因为scores中没有他的记录，ID为5的学生(在scores中)被排除，因为students中没有他的记录，最终结果包含3行，合并了两个数据集的所有列
left_join()：用于保留左边数据集的所有行，并根据匹配键从右边数据集中添加对应的列。如果右边数据集中没有匹配项，结果中将用NA填充。
library(dplyr)
# 创建示例数据集
students <- data.frame(
student_id = c(1, 2, 3, 4),
name = c("Alice", "Bob", "Charlie", "David")
)
scores <- data.frame(
student_id = c(1, 2, 3, 5),
score = c(90, 85, 78, 92)
)
# 使用left_join合并数据集
merged_data <- left_join(students, scores, by = "student_id")
# 查看结果
print(merged_data) student_id name score
1 1 Alice 90
2 2 Bob 85
3 3 Charlie 78
4 4 David NA保留了左边students数据集的所有4行记录(ID:1-4)从右边scores数据集中匹配并添加了score列,scores中ID为5的记录被忽略，因为它不在左边数据集中
right_join()：保留右边数据集的所有行，并从左边数据集中匹配对应的列。如果左边数据集中没有匹配项，结果中将用NA填充。library(dplyr) students <- data.frame( student_id = c(1, 2, 3, 4), name = c("Alice", "Bob", "Charlie", "David") ) scores <- data.frame( student_id = c(1, 2, 3, 5), score = c(90, 85, 78, 92) ) # 使用right_join合并数据集 merged_data <- right_join(students, scores, by = "student_id") # 查看结果 print(merged_data)student_id name score 1 1 Alice 90 2 2 Bob 85 3 3 Charlie 78 4 5 <NA> 92
保留了右边scores数据集的所有4行记录(ID:1-3和5),从左边students数据集中匹配并添加了name列,ID为1、2、3的学生成功匹配到姓名,ID为5的学生在students中没有记录，所以name显示为NA
full_join()：保留两个数据集中的所有行，无论匹配键是否在另一个数据集中存在。当一方数据集中没有匹配项时，会自动用NA填充缺失值。library(dplyr) # 创建数据集 students <- data.frame( student_id = c(1, 2, 3, 4), name = c("Alice", "Bob", "Charlie", "David"), department = c("Math", "Physics", "Chemistry", "Biology") ) scores <- data.frame( student_id = c(1, 2, 3, 5), score = c(90, 85, 78, 92), exam_date = as.Date(c("2023-05-01", "2023-05-01", "2023-05-02", "2023-05-03")) ) # 使用full_join全连接 complete_data <- full_join(students, scores, by = "student_id") # 查看结果 print(complete_data)student_id name department score exam_date 1 1 Alice Math 90 2023-05-01 2 2 Bob Physics 85 2023-05-01 3 3 Charlie Chemistry 78 2023-05-02 4 4 David Biology NA <NA> 5 5 <NA> <NA> 92 2023-05-03
匹配成功的记录（ID 1-3）：合并了两个数据集的所有列,包含完整的student_id、name、department、score和exam_date信息
仅存在于students的记录（ID 4）：保留了David的学生信息,score和exam_date列填充为NA
仅存在于scores的记录（ID 5）：保留了该考试成绩记录,name和department列填充为NA