单表操作函数
select
select(.data, ...): 该函数实现了对数据集的列进行选取rename(.data, ...): 该函数可以对数据集的列名进行重命名，会保留完整数据集
## 在pgdat数据集中选择场次、球员姓名、助攻数、得分、抢断、失误数据
pgdat1 <- select(pgdat, rk, player, ast, pts, stl, tov)
head(pgdat1)
## rk player ast pts stl tov
## 1 1 库里 6 46 2 2
## 2 2 库里 5 37 2 4
## 3 3 库里 8 17 1 2
## 4 4 库里 9 27 2 3
## 5 5 库里 15 21 3 3
## 6 6 库里 7 39 2 4
pgdat1 <- rename(pgdat1, name = player)
head(pgdat1)
## rk name ast pts stl tov
## 1 1 库里 6 46 2 2
## 2 2 库里 5 37 2 4
## 3 3 库里 8 17 1 2
## 4 4 库里 9 27 2 3
## 5 5 库里 15 21 3 3
## 6 6 库里 7 39 2 4
filter/slice
filter(.data, ...): 该函数返回匹配条件的数据行，实现了对数据集的行进行选取slice(.data, ...): 该函数可以通过行位置对数据集进行筛选，它也是对数据集的行进行选取的一种方式
# 选择得分大于40分的数据
filter(pgdat1, pts > 40) %>% head
## rk name ast pts stl tov
## 1 1 库里 6 46 2 2
## 2 21 库里 3 41 4 5
## 3 24 库里 6 46 2 3
## 4 25 库里 8 51 0 5
## 5 26 库里 7 42 1 7
## 6 33 库里 2 51 3 7
# 选择助攻数大于15的数据
filter(pgdat1, ast > 15) %>% head
## rk name ast pts stl tov
## 1 6 保罗 16 20 1 2
## 2 13 保罗 16 15 2 3
## 3 17 保罗 16 12 5 3
## 4 44 保罗 19 21 1 3
## 5 58 保罗 18 18 0 2
## 6 6 沃尔 16 22 2 4
slice(pgdat1, 1:12) %>% head
## rk name ast pts stl tov
## 1 1 库里 6 46 2 2
## 2 2 库里 5 37 2 4
## 3 3 库里 8 17 1 2
## 4 4 库里 9 27 2 3
## 5 5 库里 15 21 3 3
## 6 6 库里 7 39 2 4
为了显示方便，这里的数据用head函数做了处理，仅显示前几行数据，%>%操作符会在本文下文中做介绍，此处可暂时忽略。
arrange
arrange(.data, ...): 该函数可以按照列变量对数据进行排序
# 把数据按得分和助攻数降序排列
filter(pgdat1, desc(pts), desc(ast)) %>% head
## rk name ast pts stl tov
## 1 1 库里 6 46 2 2
## 2 2 库里 5 37 2 4
## 3 3 库里 8 17 1 2
## 4 4 库里 9 27 2 3
## 5 5 库里 15 21 3 3
## 6 6 库里 7 39 2 4
arrange的用法同plyr包中的arrange，想要详细了解参见前期文章数据处理之——plyr
distinct
distinct(.data, ...): 该函数可以按照列变量对数据进行去重处理
# 把数据按球员进行去重处理
distinct(pgdat1, name)
## rk name ast pts stl tov
## 1 1 库里 6 46 2 2
## 2 1 康利 4 22 2 1
## 3 1 保罗 13 12 2 5
## 4 1 沃尔 13 15 1 3
## 5 1 威少 14 13 1 3
## 6 1 欧文 5 35 2 6
值得注意的是，用该函数进行数据列的去重处理时会仅保留最先出现的数据行。
mutate/transmute
mutate(.data, ...): 该函数增加新的数据列，并保留原先的数据列transmute(.data, ...): 该函数仅新增数据列，不保留原先的数据列
## 计算球员的助攻失误比以及效率值
mutate(pgdat,
atr = ifelse(tov > 0, round(ast/tov,2),NA),
per = (pts+ast+reb+stl+blk)-(fga-fgm)-(fta-ftm)-tov) %>% head
## rk player wl match gs min fgp fgm fga p3p p3m p3a ftp
## 1 1 库里 胜 灰熊104-125勇士 1 30 62.5% 15 24 52.6% 10 19 100.0%
## 2 2 库里 胜 马刺86-92勇士 1 35 59.1% 13 22 44.4% 4 9 100.0%
## 3 3 库里 胜 灰熊99-100勇士 1 34 31.8% 7 22 21.4% 3 14
## 4 4 库里 胜 马刺101-112勇士 1 36 57.9% 11 19 42.9% 3 7 100.0%
## 5 5 库里 负 森林狼124-117勇士 1 43 28.0% 7 25 28.6% 4 14 100.0%
## 6 6 库里 胜 开拓者111-136勇士 1 35 61.9% 13 21 69.2% 9 13 100.0%
## ftm fta reb oreb dreb ast stl blk tov pf pts atr per
## 1 6 6 4 1 3 6 2 0 2 2 46 3.00 47
## 2 7 7 5 0 5 5 2 0 4 4 37 1.25 36
## 3 0 0 9 0 9 8 1 0 2 1 17 4.00 18
## 4 2 2 5 0 5 9 2 0 3 2 27 3.00 32
## 5 3 3 6 2 4 15 3 0 3 4 21 5.00 24
## 6 4 4 6 2 4 7 2 1 4 2 39 1.75 43
transmute(pgdat,
atr = ifelse(tov > 0, round(ast/tov,2),NA),
per = (pts+ast+reb+stl+blk)-(fga-fgm)-(fta-ftm)-tov) %>% head
## atr per
## 1 3.00 47
## 2 1.25 36
## 3 4.00 18
## 4 3.00 32
## 5 5.00 24
## 6 1.75 43
R的基本函数中transform也有类似mutate的功能，但是mutate的优势是可以在新增的数据列的基础上，继续新增数据列，transform则不行。这部分没做数据演示，可以自行尝试。
summarise
summarise(.data, ...): 该函数可以操作多列数据，生成单个数值。
summarise(pgdat,
mast = mean(ast),
mpts = mean(pts))
## mast mpts
## 1 8.305489 21.7852
sample_n/sample_frac
sample_n(tbl, size, ...): 给定抽样数据条数，按行进行数据抽样sample_frac(tbl, size, ...): 给定抽样数据比率，按行进行数据抽样
# 随机抽取5条数据
sample_n(pgdat1, 5)
## rk name ast pts stl tov
## 1760 80 威少 10 33 2 5
## 2121 21 欧文 6 22 1 4
## 1713 33 威少 15 24 0 4
## 437 17 康利 9 12 2 1
## 849 9 保罗 7 25 1 4
# 按0.01比例抽取部分数据
sample_frac(pgdat1, 0.01)
## rk name ast pts stl tov
## 452 32 康利 4 9 4 2
## 878 38 保罗 9 30 3 4
## 1275 15 沃尔 11 20 2 1
## 899 59 保罗 5 14 4 5
分组操作函数
group_by
group_by(.data, ...): 按数据列对数据进行分组
# 按球员进行分组
by_player <- group_by(pgdat, player)
# 分组计算场均得分以及助攻数据
mydat <- summarise(by_player,
toln = n(),
mast = mean(ast),
mpts = mean(pts))
# ggplot2数据可视化
ggplot(mydat, aes(mpts,mast)) +
geom_point(aes(col = player), size=5,alpha = 3/5) +
labs(title="场均得分与助攻分布",x="得分",y="助攻")
管道操作 %>% or %.%
管道操作符可以把前面计算的结果输出作为后续计算的输入，它有两个好处，第一，它的使用可以大大简化程序的中间赋值操作，从而提高代码写作的效率；第二，在查阅代码时，代码的逻辑层次结构也非常清晰易读。我们来看看如下示例：
dat1 <- group_by(pgdat, player)
dat2 <- select(dat1, rk, player, ast, pts, stl, tov)
dat3 <- summarise(dat2,
toln = n(),
mast = mean(ast),
mpts = mean(pts))
dat4 <- filter(dat3, mpts > 20 & mast > 10)
dat4
## Source: local data frame [1 x 4]
##
## player toln mast mpts
## (chr) (int) (dbl) (dbl)
## 1 威少 80 10.425 23.475
pgdat %>%
group_by(player) %>%
select(rk, player, ast, pts, stl, tov) %>%
summarise(
toln = n(),
mast = mean(ast),
mpts = mean(pts)
) %>%
filter(mpts > 20 & mast > 10)
## Source: local data frame [1 x 4]
##
## player toln mast mpts
## (chr) (int) (dbl) (dbl)
## 1 威少 80 10.425 23.475
两表操作函数
表关联
dplyr里有四种表关联函数，功能不尽相同，我们通过下面的例子来说明：
(df1 <- data_frame(x = c(1, 2), y = 2:1))
## Source: local data frame [2 x 2]
##
## x y
## (dbl) (int)
## 1 1 2
## 2 2 1
(df2 <- data_frame(x = c(1, 3), a = 10, b = "a"))
## Source: local data frame [2 x 3]
##
## x a b
## (dbl) (dbl) (chr)
## 1 1 10 a
## 2 3 10 a
inner_join(x, y) 内连接，提取x与y所有匹配上的数据
df1 %>% inner_join(df2)
## Source: local data frame [1 x 4]
##
## x y a b
## (dbl) (int) (dbl) (chr)
## 1 1 2 10 a
left_join(x, y) 左连接，它包括所有的x数据，以及所有和x匹配上的y的数据。
df1 %>% left_join(df2)
## Joining by: "x"
## Source: local data frame [2 x 4]
##
## x y a b
## (dbl) (int) (dbl) (chr)
## 1 1 2 10 a
## 2 2 1 NA NA
right_join(x, y) 右连接，它包括所有的y数据，以及所有和y匹配上的x的数据。
df1 %>% right_join(df2)
## Joining by: "x"
## Source: local data frame [2 x 4]
##
## x y a b
## (dbl) (int) (dbl) (chr)
## 1 1 2 10 a
## 2 3 NA 10 a
df2 %>% left_join(df1)
## Joining by: "x"
## Source: local data frame [2 x 4]
##
## x a b y
## (dbl) (dbl) (chr) (int)
## 1 1 10 a 2
## 2 3 10 a NA
full_join() 全连接，它包括所有x和y数据.
df1 %>% full_join(df2)
## Joining by: "x"
## Source: local data frame [3 x 4]
##
## x y a b
## (dbl) (int) (dbl) (chr)
## 1 1 2 10 a
## 2 2 1 NA NA
## 3 3 NA 10 a
集合操作
intersect(x, y): 集合取交集union(x, y): 集合取并集setdiff(x, y): 取x中与y不同的部分
(df1 <- data_frame(x = 1:2, y = c(1L, 1L)))
## Source: local data frame [2 x 2]
##
## x y
## (int) (int)
## 1 1 1
## 2 2 1
(df2 <- data_frame(x = 1:2, y = 1:2))
## Source: local data frame [2 x 2]
##
## x y
## (int) (int)
## 1 1 1
## 2 2 2
intersect(df1, df2)
## Source: local data frame [1 x 2]
##
## x y
## (int) (int)
## 1 1 1
union(df1, df2)
## Source: local data frame [3 x 2]
##
## x y
## (int) (int)
## 1 1 1
## 2 2 1
## 3 2 2
setdiff(df1, df2)
## Source: local data frame [1 x 2]
##
## x y
## (int) (int)
## 1 2 1
setdiff(df2, df1)
## Source: local data frame [1 x 2]
##
## x y
## (int) (int)
## 1 2 2
