R语言数据管理：日期值、因子、排序与计算变量

1. 本节学习目标

在实际数据分析中，拿到原始数据后，通常不能直接画图或建模。
我们经常需要先对数据做一些整理，例如：

• 把字符型日期转换成真正的日期；
• 把分类变量转换成因子；
• 按某个变量排序；
• 根据已有变量计算新变量；
• 根据条件创建分类变量；
• 按组计算平均值、总和等。

本节主要学习以下内容：

1. 日期值的基本处理；
2. 因子的基本用法；
3. 数据排序；
4. 计算新变量；
5. 条件变量；
6. 简单分组汇总。

主要使用两个包：

dplyr
lubridate

包	作用
dplyr	数据整理，如排序、计算变量、分组汇总
lubridate	日期处理

---

2. 加载包

如果没有安装，可以先运行：

install.packages("dplyr")
install.packages("lubridate")

加载包：

library(dplyr)
library(lubridate)

---

3. 创建示例数据

先创建一份简单的销售数据。

sales <- data.frame(
  id = 1:8,
  date = c(
    "2024-01-05", "2024-01-12", "2024-02-03", "2024-02-20",
    "2024-03-01", "2024-03-15", "2024-04-02", "2024-04-18"
  ),
  region = c("华东", "华北", "华南", "华东", "华北", "华南", "华东", "华北"),
  category = c("食品", "服装", "电子", "食品", "服装", "电子", "食品", "服装"),
  price = c(20, 150, 3000, 35, 180, 2500, 28, 220),
  quantity = c(5, 2, 1, 6, 3, 1, 4, 2)
)

sales

  id       date region category price quantity
1  1 2024-01-05   华东     食品    20        5
2  2 2024-01-12   华北     服装   150        2
3  3 2024-02-03   华南     电子  3000        1
4  4 2024-02-20   华东     食品    35        6
5  5 2024-03-01   华北     服装   180        3
6  6 2024-03-15   华南     电子  2500        1
7  7 2024-04-02   华东     食品    28        4
8  8 2024-04-18   华北     服装   220        2

查看数据结构：

str(sales)

'data.frame':   8 obs. of  6 variables:
 $ id      : int  1 2 3 4 5 6 7 8
 $ date    : chr  "2024-01-05" "2024-01-12" "2024-02-03" "2024-02-20" ...
 $ region  : chr  "华东" "华北" "华南" "华东" ...
 $ category: chr  "食品" "服装" "电子" "食品" ...
 $ price   : num  20 150 3000 35 180 2500 28 220
 $ quantity: num  5 2 1 6 3 1 4 2

可以看到：

• date 现在是字符型；
• region 和 category 也是字符型；
• price 和 quantity 是数值型。

---

4. 日期值基础

4.1 什么是日期值？

日期看起来像普通文字，例如：

"2024-01-05"

但在数据分析中，我们希望 R 把它识别成真正的日期。
只有这样，才能进行日期计算，例如：

• 提取年份；
• 提取月份；
• 计算两个日期相差多少天；
• 筛选某个时间段的数据。

---

4.2 日期格式符号基础

在 R 中，日期通常由“年、月、日”组成。
但是不同数据中的日期写法可能不一样，例如：

"2024-03-01"
"2024/03/01"
"03/01/2024"
"01-03-24"

R 需要知道这些数字分别代表什么，才能正确转换成日期。

常用日期格式符号如下：

格式符号	含义	示例
%Y	四位年份	2024
%y	两位年份	24
%m	两位月份	03
%d	两位日期	01
%B	完整月份名称	March
%b	缩写月份名称	Mar
%A	完整星期名称	Friday
%a	缩写星期名称	Fri

其中，最常用的是：

%Y
%y
%m
%d

---

4.3 %Y 和 %y 的区别

%Y 表示四位年份。

as.Date("2024-03-01", format = "%Y-%m-%d")

[1] "2024-03-01"

这里：

"2024-03-01"

对应：

"%Y-%m-%d"

意思是：

数据中的部分	对应格式
2024	%Y
03	%m
01	%d

所以：

%Y = 四位年份

例如：

2024
1998
2010

---

%y 表示两位年份。

as.Date("24-03-01", format = "%y-%m-%d")

[1] "2024-03-01"

这里：

"24-03-01"

对应：

"%y-%m-%d"

意思是：

数据中的部分	对应格式
24	%y
03	%m
01	%d

所以：

%y = 两位年份

例如：

24
98
10

简单记忆：

符号	含义
%Y	大写 Y，四位年份
%y	小写 y，两位年份

---

4.4 as.Date() 中的 format 参数

as.Date() 可以把字符转换成日期。

基本形式是：

as.Date(日期字符, format = "日期格式")

例如：

as.Date("2024-03-01", format = "%Y-%m-%d")

[1] "2024-03-01"

如果日期中间用 / 分隔，那么格式也要写成 /。

as.Date("2024/03/01", format = "%Y/%m/%d")

[1] "2024-03-01"

如果日期顺序是“月/日/年”，例如：

"03/01/2024"

表示 2024 年 3 月 1 日，那么应该写：

as.Date("03/01/2024", format = "%m/%d/%Y")

[1] "2024-03-01"

如果日期顺序是“日/月/年”，例如：

"01/03/2024"

表示 2024 年 3 月 1 日，那么应该写：

as.Date("01/03/2024", format = "%d/%m/%Y")

[1] "2024-03-01"

注意：

"03/01/2024"

可能表示：

• 2024 年 3 月 1 日；
• 也可能表示 2024 年 1 月 3 日。

所以一定要先弄清楚原始数据中的日期顺序。

---

4.5 format() 函数：改变日期显示格式

as.Date() 是把字符转换成日期。
format() 是把日期按照指定格式显示出来。

先创建一个日期：

date1 <- as.Date("2024-03-01")
date1

[1] "2024-03-01"

把日期显示成“年/月/日”：

format(date1, "%Y/%m/%d")

[1] "2024/03/01"

显示成“月-日-年”：

format(date1, "%m-%d-%Y")

[1] "03-01-2024"

显示成年份：

format(date1, "%Y")

[1] "2024"

显示成月份：

format(date1, "%m")

[1] "03"

显示成“年-月”：

format(date1, "%Y-%m")

[1] "2024-03"

显示成带中文的格式：

format(date1, "%Y年%m月%d日")

[1] "2024年03月01日"

结果是：

"2024年03月01日"

---

4.6 as.Date() 和 format() 的区别

很多初学者容易混淆 as.Date() 和 format()。

函数	作用	结果类型
as.Date()	把字符转换成日期	Date 类型
format()	把日期显示成指定样式	字符型

例如：

date2 <- as.Date("2024-03-01", format = "%Y-%m-%d")
date2

[1] "2024-03-01"

class(date2)

[1] "Date"

可以看到，date2 是 Date 类型。

再使用 format()：

date3 <- format(date2, "%Y年%m月%d日")
date3

[1] "2024年03月01日"

class(date3)

[1] "character"

可以看到，date3 变成了字符型。

所以要注意：

format() 主要用于改变显示格式，不适合继续做日期计算。

如果后面还要进行日期计算，建议保留 Date 类型。

---

4.7 常见日期格式示例

下面是一些常见写法。

as.Date("2024-03-01", format = "%Y-%m-%d")

[1] "2024-03-01"

as.Date("2024/03/01", format = "%Y/%m/%d")

[1] "2024-03-01"

as.Date("03/01/2024", format = "%m/%d/%Y")

[1] "2024-03-01"

as.Date("01/03/2024", format = "%d/%m/%Y")

[1] "2024-03-01"

as.Date("24-03-01", format = "%y-%m-%d")

[1] "2024-03-01"

对应关系如下：

原始日期	格式写法	含义
"2024-03-01"	"%Y-%m-%d"	年-月-日
"2024/03/01"	"%Y/%m/%d"	年/月/日
"03/01/2024"	"%m/%d/%Y"	月/日/年
"01/03/2024"	"%d/%m/%Y"	日/月/年
"24-03-01"	"%y-%m-%d"	两位年-月-日

---

4.8 在数据框中使用日期格式

假设数据中的日期是字符型。

df_date <- data.frame(
  id = 1:4,
  date = c("2024-03-01", "2024-03-02", "2024-03-03", "2024-03-04")
)

df_date

  id       date
1  1 2024-03-01
2  2 2024-03-02
3  3 2024-03-03
4  4 2024-03-04

str(df_date)

'data.frame':   4 obs. of  2 variables:
 $ id  : int  1 2 3 4
 $ date: chr  "2024-03-01" "2024-03-02" "2024-03-03" "2024-03-04"

把 date 转换为日期型：

df_date <- df_date %>%
  mutate(
    date = as.Date(date, format = "%Y-%m-%d")
  )

df_date

  id       date
1  1 2024-03-01
2  2 2024-03-02
3  3 2024-03-03
4  4 2024-03-04

str(df_date)

'data.frame':   4 obs. of  2 variables:
 $ id  : int  1 2 3 4
 $ date: Date, format: "2024-03-01" "2024-03-02" ...

如果想生成一个“年月”变量，可以使用 format()：

df_date <- df_date %>%
  mutate(
    year_month = format(date, "%Y-%m")
  )

df_date

  id       date year_month
1  1 2024-03-01    2024-03
2  2 2024-03-02    2024-03
3  3 2024-03-03    2024-03
4  4 2024-03-04    2024-03

这里的 year_month 是字符型，适合用于分组统计或标签显示。

例如按年月计数：

df_date %>%
  group_by(year_month) %>%
  summarise(
    count = n(),
    .groups = "drop"
  )

# A tibble: 1 × 2
  year_month count
  <chr>      <int>
1 2024-03        4

---

5. 因子基础

5.1 什么是因子？

因子是 R 中专门用来表示分类变量的数据类型。

例如：

• 地区：华东、华北、华南；
• 类别：食品、服装、电子；
• 等级：低、中、高；
• 性别：男、女。

简单来说：

因子就是有类别的数据。

---

5.2 字符变量转为因子

把 region 和 category 转换为因子。

sales <- sales %>%
  mutate(
    region = factor(region),
    category = factor(category)
  )

str(sales)

'data.frame':   8 obs. of  6 variables:
 $ id      : int  1 2 3 4 5 6 7 8
 $ date    : chr  "2024-01-05" "2024-01-12" "2024-02-03" "2024-02-20" ...
 $ region  : Factor w/ 3 levels "华北","华东",..: 2 1 3 2 1 3 2 1
 $ category: Factor w/ 3 levels "电子","服装",..: 3 2 1 3 2 1 3 2
 $ price   : num  20 150 3000 35 180 2500 28 220
 $ quantity: num  5 2 1 6 3 1 4 2

查看因子的类别：

levels(sales$region)

[1] "华北" "华东" "华南"

levels(sales$category)

[1] "电子" "服装" "食品"

---

5.3 设置因子的显示顺序

有时候我们希望分类变量按照指定顺序显示。

例如地区按照：

华东、华北、华南

显示。

sales <- sales %>%
  mutate(
    region = factor(
      region,
      levels = c("华东", "华北", "华南")
    )
  )

levels(sales$region)

[1] "华东" "华北" "华南"

因子的顺序会影响表格、绘图和模型中的显示顺序。

---

5.4 有序因子

有些分类变量本身有顺序，例如：

低、中、高

这种变量可以设置成有序因子。

下面根据价格创建价格等级。

sales <- sales %>%
  mutate(
    price_level = case_when(
      price < 100 ~ "低价",
      price < 1000 ~ "中价",
      TRUE ~ "高价"
    ),
    price_level = factor(
      price_level,
      levels = c("低价", "中价", "高价"),
      ordered = TRUE
    )
  )

sales

  id       date region category price quantity price_level
1  1 2024-01-05   华东     食品    20        5        低价
2  2 2024-01-12   华北     服装   150        2        中价
3  3 2024-02-03   华南     电子  3000        1        高价
4  4 2024-02-20   华东     食品    35        6        低价
5  5 2024-03-01   华北     服装   180        3        中价
6  6 2024-03-15   华南     电子  2500        1        高价
7  7 2024-04-02   华东     食品    28        4        低价
8  8 2024-04-18   华北     服装   220        2        中价

解释：

• case_when() 用来根据条件创建分类变量；
• factor(..., ordered = TRUE) 表示这是有顺序的因子。

---

6. 数据排序基础

6.1 按一个变量升序排序

使用 arrange() 可以排序。

例如，按照价格从小到大排序：

sales %>%
  arrange(price)

  id       date region category price quantity price_level
1  1 2024-01-05   华东     食品    20        5        低价
2  7 2024-04-02   华东     食品    28        4        低价
3  4 2024-02-20   华东     食品    35        6        低价
4  2 2024-01-12   华北     服装   150        2        中价
5  5 2024-03-01   华北     服装   180        3        中价
6  8 2024-04-18   华北     服装   220        2        中价
7  6 2024-03-15   华南     电子  2500        1        高价
8  3 2024-02-03   华南     电子  3000        1        高价

---

6.2 按一个变量降序排序

如果想从大到小排序，可以使用 desc()。

sales %>%
  arrange(desc(price))

  id       date region category price quantity price_level
1  3 2024-02-03   华南     电子  3000        1        高价
2  6 2024-03-15   华南     电子  2500        1        高价
3  8 2024-04-18   华北     服装   220        2        中价
4  5 2024-03-01   华北     服装   180        3        中价
5  2 2024-01-12   华北     服装   150        2        中价
6  4 2024-02-20   华东     食品    35        6        低价
7  7 2024-04-02   华东     食品    28        4        低价
8  1 2024-01-05   华东     食品    20        5        低价

---

6.3 按多个变量排序

例如先按地区排序，再按价格从高到低排序。

sales %>%
  arrange(region, desc(price))

  id       date region category price quantity price_level
1  4 2024-02-20   华东     食品    35        6        低价
2  7 2024-04-02   华东     食品    28        4        低价
3  1 2024-01-05   华东     食品    20        5        低价
4  8 2024-04-18   华北     服装   220        2        中价
5  5 2024-03-01   华北     服装   180        3        中价
6  2 2024-01-12   华北     服装   150        2        中价
7  3 2024-02-03   华南     电子  3000        1        高价
8  6 2024-03-15   华南     电子  2500        1        高价

解释：

• 先按照 region 排序；
• 同一个地区内部，再按照 price 从大到小排序。

---

7. 计算变量

7.1 什么是计算变量？

计算变量就是根据已有变量生成新变量。

例如已有：

• 单价 price；
• 数量 quantity。

可以计算：

销售额 = 单价 × 数量

---

7.2 使用 mutate() 创建新变量

sales <- sales %>%
  mutate(
    amount = price * quantity
  )

sales

  id       date region category price quantity price_level amount
1  1 2024-01-05   华东     食品    20        5        低价    100
2  2 2024-01-12   华北     服装   150        2        中价    300
3  3 2024-02-03   华南     电子  3000        1        高价   3000
4  4 2024-02-20   华东     食品    35        6        低价    210
5  5 2024-03-01   华北     服装   180        3        中价    540
6  6 2024-03-15   华南     电子  2500        1        高价   2500
7  7 2024-04-02   华东     食品    28        4        低价    112
8  8 2024-04-18   华北     服装   220        2        中价    440

这里：

amount = price * quantity

表示新建一个变量 amount，它等于单价乘以数量。

---

7.3 一次创建多个新变量

例如继续计算折扣后金额。

sales <- sales %>%
  mutate(
    amount = price * quantity,
    discount_amount = amount * 0.9
  )

sales

  id       date region category price quantity price_level amount
1  1 2024-01-05   华东     食品    20        5        低价    100
2  2 2024-01-12   华北     服装   150        2        中价    300
3  3 2024-02-03   华南     电子  3000        1        高价   3000
4  4 2024-02-20   华东     食品    35        6        低价    210
5  5 2024-03-01   华北     服装   180        3        中价    540
6  6 2024-03-15   华南     电子  2500        1        高价   2500
7  7 2024-04-02   华东     食品    28        4        低价    112
8  8 2024-04-18   华北     服装   220        2        中价    440
  discount_amount
1            90.0
2           270.0
3          2700.0
4           189.0
5           486.0
6          2250.0
7           100.8
8           396.0

解释：

• amount 是原始销售额；
• discount_amount 是打 9 折后的销售额。

---

8. 条件变量

8.1 使用 ifelse() 创建二分类变量

如果只有两个类别，可以使用 ifelse()。

例如，根据销售额判断是否为大订单。

sales <- sales %>%
  mutate(
    big_order = ifelse(amount >= 1000, "大订单", "普通订单")
  )

sales

  id       date region category price quantity price_level amount
1  1 2024-01-05   华东     食品    20        5        低价    100
2  2 2024-01-12   华北     服装   150        2        中价    300
3  3 2024-02-03   华南     电子  3000        1        高价   3000
4  4 2024-02-20   华东     食品    35        6        低价    210
5  5 2024-03-01   华北     服装   180        3        中价    540
6  6 2024-03-15   华南     电子  2500        1        高价   2500
7  7 2024-04-02   华东     食品    28        4        低价    112
8  8 2024-04-18   华北     服装   220        2        中价    440
  discount_amount big_order
1            90.0  普通订单
2           270.0  普通订单
3          2700.0    大订单
4           189.0  普通订单
5           486.0  普通订单
6          2250.0    大订单
7           100.8  普通订单
8           396.0  普通订单

解释：

ifelse(条件, 条件成立时的结果, 条件不成立时的结果)

---

8.2 使用 case_when() 创建多分类变量

如果有多个条件，推荐使用 case_when()。

例如，把销售额分成低、中、高三类。

sales <- sales %>%
  mutate(
    amount_level = case_when(
      amount < 500 ~ "低销售额",
      amount < 2000 ~ "中销售额",
      TRUE ~ "高销售额"
    )
  )

sales

  id       date region category price quantity price_level amount
1  1 2024-01-05   华东     食品    20        5        低价    100
2  2 2024-01-12   华北     服装   150        2        中价    300
3  3 2024-02-03   华南     电子  3000        1        高价   3000
4  4 2024-02-20   华东     食品    35        6        低价    210
5  5 2024-03-01   华北     服装   180        3        中价    540
6  6 2024-03-15   华南     电子  2500        1        高价   2500
7  7 2024-04-02   华东     食品    28        4        低价    112
8  8 2024-04-18   华北     服装   220        2        中价    440
  discount_amount big_order amount_level
1            90.0  普通订单     低销售额
2           270.0  普通订单     低销售额
3          2700.0    大订单     高销售额
4           189.0  普通订单     低销售额
5           486.0  普通订单     中销售额
6          2250.0    大订单     高销售额
7           100.8  普通订单     低销售额
8           396.0  普通订单     低销售额

解释：

• amount < 500 ~ "低销售额" 表示销售额小于 500；
• amount < 2000 ~ "中销售额" 表示销售额小于 2000；
• TRUE ~ "高销售额" 表示其他情况。

注意：

case_when() 会按照从上到下的顺序判断条件。

---

9. 分组汇总入门

9.1 什么是分组汇总？

分组汇总就是按照某个分类变量分组，然后计算每组的统计量。

例如：

• 每个地区的总销售额；
• 每个类别的平均价格；
• 每个地区有多少订单。

---

9.2 按地区计算总销售额

sales %>%
  group_by(region) %>%
  summarise(
    total_amount = sum(amount),
    .groups = "drop"
  )

# A tibble: 3 × 2
  region total_amount
  <fct>         <dbl>
1 华东            422
2 华北           1280
3 华南           5500

解释：

• group_by(region) 表示按地区分组；
• sum(amount) 表示计算每个地区的销售额总和；
• .groups = "drop" 表示汇总后取消分组。

---

9.3 按地区计算订单数和平均销售额

sales %>%
  group_by(region) %>%
  summarise(
    order_count = n(),
    avg_amount = mean(amount),
    .groups = "drop"
  )

# A tibble: 3 × 3
  region order_count avg_amount
  <fct>        <int>      <dbl>
1 华东             3       141.
2 华北             3       427.
3 华南             2      2750 

解释：

函数	作用
n()	计算每组有多少行
mean()	计算平均值
sum()	计算总和
max()	计算最大值
min()	计算最小值

---

10. 本节核心函数总结

本节最常用函数如下：

函数	作用
ymd()	把字符转换成日期
year()	提取年份
month()	提取月份
day()	提取日期中的日
wday()	提取星期
factor()	创建因子
levels()	查看因子水平
arrange()	排序
desc()	降序
mutate()	创建或修改变量
ifelse()	创建二分类变量
case_when()	创建多分类变量
group_by()	分组
summarise()	汇总

常用模板：

# 日期转换
df$date <- ymd(df$date)

# 提取月份
df <- df %>%
  mutate(month = month(date))

# 创建因子
df <- df %>%
  mutate(group = factor(group))

# 设置因子顺序
df <- df %>%
  mutate(
    level = factor(
      level,
      levels = c("低", "中", "高"),
      ordered = TRUE
    )
  )

# 排序
df %>%
  arrange(desc(x))

# 计算新变量
df <- df %>%
  mutate(new_var = x + y)

# 条件变量
df <- df %>%
  mutate(
    level = case_when(
      score >= 90 ~ "优秀",
      score >= 80 ~ "良好",
      TRUE ~ "继续努力"
    )
  )

# 分组汇总
df %>%
  group_by(group) %>%
  summarise(
    avg_x = mean(x),
    total_x = sum(x),
    n = n(),
    .groups = "drop"
  )

---

11. 小练习

下面只保留一个简单练习。

创建学生成绩数据：

student <- data.frame(
  id = 1:6,
  name = c("张三", "李四", "王五", "赵六", "钱七", "孙八"),
  class = c("一班", "二班", "一班", "三班", "二班", "三班"),
  exam_date = c(
    "2024-03-01", "2024-03-01", "2024-03-02",
    "2024-03-02", "2024-03-03", "2024-03-03"
  ),
  chinese = c(88, 76, 92, 85, 79, 90),
  math = c(90, 82, 88, 91, 75, 86),
  english = c(85, 78, 94, 87, 81, 89)
)

student

  id name class  exam_date chinese math english
1  1 张三  一班 2024-03-01      88   90      85
2  2 李四  二班 2024-03-01      76   82      78
3  3 王五  一班 2024-03-02      92   88      94
4  4 赵六  三班 2024-03-02      85   91      87
5  5 钱七  二班 2024-03-03      79   75      81
6  6 孙八  三班 2024-03-03      90   86      89

请完成：

1. 把 exam_date 转换成日期；
2. 提取考试月份；
3. 把 class 转换为因子，并设置顺序为一班、二班、三班；
4. 计算总分 total 和平均分 average；
5. 按平均分从高到低排序；
6. 按班级计算平均分。

---

12. 小练习参考答案

student <- student %>%
  mutate(
    exam_date = ymd(exam_date),
    exam_month = month(exam_date),
    class = factor(
      class,
      levels = c("一班", "二班", "三班")
    ),
    total = chinese + math + english,
    average = round(total / 3, 1)
  )

student

  id name class  exam_date chinese math english exam_month total average
1  1 张三  一班 2024-03-01      88   90      85          3   263    87.7
2  2 李四  二班 2024-03-01      76   82      78          3   236    78.7
3  3 王五  一班 2024-03-02      92   88      94          3   274    91.3
4  4 赵六  三班 2024-03-02      85   91      87          3   263    87.7
5  5 钱七  二班 2024-03-03      79   75      81          3   235    78.3
6  6 孙八  三班 2024-03-03      90   86      89          3   265    88.3

按平均分从高到低排序：

student %>%
  arrange(desc(average))

  id name class  exam_date chinese math english exam_month total average
1  3 王五  一班 2024-03-02      92   88      94          3   274    91.3
2  6 孙八  三班 2024-03-03      90   86      89          3   265    88.3
3  1 张三  一班 2024-03-01      88   90      85          3   263    87.7
4  4 赵六  三班 2024-03-02      85   91      87          3   263    87.7
5  2 李四  二班 2024-03-01      76   82      78          3   236    78.7
6  5 钱七  二班 2024-03-03      79   75      81          3   235    78.3

按班级计算平均分：

student %>%
  group_by(class) %>%
  summarise(
    avg_score = mean(average),
    student_count = n(),
    .groups = "drop"
  )

# A tibble: 3 × 3
  class avg_score student_count
  <fct>     <dbl>         <int>
1 一班       89.5             2
2 二班       78.5             2
3 三班       88               2

---

13. 一句话总结

本节可以记住下面这几个函数：

ymd()
factor()
arrange()
mutate()
case_when()
group_by()
summarise()

其中：

• ymd() 用来处理日期；
• factor() 用来处理分类变量；
• arrange() 用来排序；
• mutate() 用来计算新变量；
• case_when() 用来根据条件分类；
• group_by() 和 summarise() 用来分组汇总。