tidyverse初认识

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(),delay_mean=mean(dep_delay,na.rm=T));airports

# A tibble: 3 × 3
  origin      n delay_mean
  <chr>   <int>      <dbl>
1 EWR    120835       15.1
2 JFK    111279       12.1
3 LGA    104662       10.3

# A tibble: 1,458 × 8
   faa   name                             lat    lon   alt    tz dst   tzone    
   <chr> <chr>                          <dbl>  <dbl> <dbl> <dbl> <chr> <chr>    
 1 04G   Lansdowne Airport               41.1  -80.6  1044    -5 A     America/…
 2 06A   Moton Field Municipal Airport   32.5  -85.7   264    -6 A     America/…
 3 06C   Schaumburg Regional             42.0  -88.1   801    -6 A     America/…
 4 06N   Randall Airport                 41.4  -74.4   523    -5 A     America/…
 5 09J   Jekyll Island Airport           31.1  -81.4    11    -5 A     America/…
 6 0A9   Elizabethton Municipal Airport  36.4  -82.2  1593    -5 A     America/…
 7 0G6   Williams County Airport         41.5  -84.5   730    -5 A     America/…
 8 0G7   Finger Lakes Regional Airport   42.9  -76.8   492    -5 A     America/…
 9 0P2   Shoestring Aviation Airfield    39.8  -76.6  1000    -5 U     America/…
10 0S9   Jefferson County Intl           48.1 -123.    108    -8 A     America/…
# ℹ 1,448 more rows

计算不同航空公司2013从纽约起飞航班数和平均延误时间

carrier <- flights %>% group_by(carrier) %>% summarise(n=n(),delay=mean(dep_delay,na.rm=T)) %>% arrange(desc(n));carrier

# A tibble: 16 × 3
   carrier     n delay
   <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)

top3 <- flights %>% group_by(origin,dest) %>% summarise(n=n(),distance_mean=mean(distance,na.rm=T)) %>%  slice_max(n,n=3) %>% arrange(origin,desc(n));top3

`summarise()` has grouped output by 'origin'. You can override using the
`.groups` argument.

# A tibble: 9 × 4
# Groups:   origin [3]
  origin dest      n distance_mean
  <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

第二题解释代码

代码含义：将iris数据集转换为tibble格式，并按照Species列升序排序，然后在每个Species组内，按Sepal.Length和Sepal.Width列降序排序。最终返回排序后的数据框。

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：按gender列对starwars数据集进行分组。在每个性别组内，筛选出mass大于该组均值的元素并返回筛选后的结果。最终输出的数据框只包含那些体重超过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：选择starwars数据集中的name、homeworld、species三个变量，并对除name变量外的其余变量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数据集转换为tibble格式，按vs变量对数据进行分组，再在每个vs组内将hp变量等距分为3个区间并将结果存储在hp_cut中，最后再按hp_cut对数据进行分组。

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

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() ：返回两个数据框中键值完全匹配的行。如果某一行在一个数据框中有键值，但在另一个数据框中没有匹配的键值，则该行会被丢弃。

 # 创建两个数据框
df1 <- tibble(id = c(1, 2, 3), name = c("A", "B", "C"))
df2 <- tibble(id = c(2, 3, 4), age = c(25, 30, 35))

# 使用inner_join合并
result <- inner_join(df1, df2, by = "id");result

# A tibble: 2 × 3
     id name    age
  <dbl> <chr> <dbl>
1     2 B        25
2     3 C        30

left_join() ：返回左侧数据框的所有行，以及右侧数据框中与左侧数据框键匹配的行。如果右侧数据框中没有匹配的键值，则用NA填充。

#继续使用df1、df2数据框
result <- left_join(df1, df2, by = "id");result

# A tibble: 3 × 3
     id name    age
  <dbl> <chr> <dbl>
1     1 A        NA
2     2 B        25
3     3 C        30

right_join() ：返回右侧数据框的所有行，以及左侧数据框中与右侧数据框键匹配的行。如果左侧数据框中没有匹配的键值，则用NA填充。
```
result <- right_join(df1, df2, by = "id");result
```
```
# A tibble: 3 × 3
     id name    age
  <dbl> <chr> <dbl>
1     2 B        25
2     3 C        30
3     4 <NA>     35
```

full_join() ：返回两个数据框的所有行。如果某一行在一个数据框中有键值，但在另一个数据框中没有匹配的键值，则用NA填充。

result <- full_join(df1, df2, by = "id");result

# A tibble: 4 × 3
     id name    age
  <dbl> <chr> <dbl>
1     1 A        NA
2     2 B        25
3     3 C        30
4     4 <NA>     35

第一题 编写代码

第二题 解释代码

第三题 查找帮助理解函数

第一题编写代码

第二题解释代码

第三题查找帮助理解函数