用dplyr包进行数据清理

您所在的位置：网站首页 › summarize和sum的区别 › 用dplyr包进行数据清理

用dplyr包进行数据清理

2024-07-13 07:59| 来源: 网络整理| 查看: 265

笔记说明

数据清理可能是数据分析中耗时占比最大的操作了。dplyr包是一个用于数据清理的高效r包，也是tidyverse的核心包之一。 dplyr包的常用操作包括： mutate() adds new variables that are functions of existing variables select()picks variables based on their names. filter() picks cases based on their values. summarise() reduces multiple values down to a single summary. arrange() changes the ordering of the rows. group_by()allows you to perform any operation “by group”

上次笔记(用dplyr包进行数据清理-filter()和select())中介绍了filter()和select()，本次笔记介绍group_by()和summarise()

主要参考：https://b-rodrigues.github.io/modern_R/descriptive-statistics-and-data-manipulation.html#the-tidyverses-enfant-prodige-dplyr 推荐阅读：https://dplyr.tidyverse.org/

准备工作

加载dplyr包

library(dplyr)

数据准备,我们使用plm包中的Gasoline数据集作为示例数据。该数据集包含1960至1978年间18个国家的汽油消耗量。原始数据是一个data.frame对象，我们用as_tibble()将其转换为一个tibble对象。可以把tibble理解成一个优化版的data.frame。dplyr包中的各个函数可以作用于data.frame对象，也可以作用于tibble对象。

# 数据准备 install.packages("plm") data(Gasoline, package = "plm") gasoline % group_by(country) ## # A tibble: 342 x 6 ## # Groups: country [18] ## country year lgaspcar lincomep lrpmg lcarpcap ## ## 1 AUSTRIA 1960 4.17 -6.47 -0.335 -9.77 ## 2 AUSTRIA 1961 4.10 -6.43 -0.351 -9.61 ## 3 AUSTRIA 1962 4.07 -6.41 -0.380 -9.46 ## 4 AUSTRIA 1963 4.06 -6.37 -0.414 -9.34 ## 5 AUSTRIA 1964 4.04 -6.32 -0.445 -9.24 ## 6 AUSTRIA 1965 4.03 -6.29 -0.497 -9.12 ## 7 AUSTRIA 1966 4.05 -6.25 -0.467 -9.02 ## 8 AUSTRIA 1967 4.05 -6.23 -0.506 -8.93 ## 9 AUSTRIA 1968 4.05 -6.21 -0.522 -8.85 ## 10 AUSTRIA 1969 4.05 -6.15 -0.559 -8.79 ## # … with 332 more rows

代码中管道操作符%>%的作用就是把符号前的对象作为第一个参数传递给符号后的函数。x %>% f(y)等价于f(x,y) 。结果看似没有什么发生变化，但结果中第二行显示的Groups: country [18]说明这个数据已经按country变量分组，接下来再进行的操作会在各组内进行。 group_by()也可以按两个或以上变量分组：

gasoline %>% group_by(country, year)

如果想取消分组性质，可以使用ungroup()：

gasoline %>% group_by(country, year) %>% ungroup() 用summarise()函数计算汇总统计量

summarise()通常是搭配group_by()一起使用来计算汇总统计量。用法是summarise(data, name=value...)其中data是要操作的数据集，name是结果中显示的变量名，value是返回单一值的任何表达式。多个name-value之间用逗号分隔。举例：

gasoline %>% group_by(country) %>% summarise(mean_gaspcar = mean(lgaspcar), sd_gaspcar = sd(lgaspcar), max_gaspcar = max(lgaspcar), min_gaspcar = min(lgaspcar)) ## # A tibble: 18 x 5 ## country mean_gaspcar sd_gaspcar max_gaspcar min_gaspcar ## ## 1 AUSTRIA 4.06 0.0693 4.20 3.92 ## 2 BELGIUM 3.92 0.103 4.16 3.82 ## 3 CANADA 4.86 0.0262 4.90 4.81 ## 4 DENMARK 4.19 0.158 4.50 4.00 ## 5 FRANCE 3.82 0.0499 3.91 3.75 ## 6 GERMANY 3.89 0.0239 3.93 3.85 ## 7 GREECE 4.88 0.255 5.38 4.48 ## 8 IRELAND 4.23 0.0437 4.33 4.16 ## 9 ITALY 3.73 0.220 4.05 3.38 ## 10 JAPAN 4.70 0.684 6.00 3.95 ## 11 NETHERLA 4.08 0.286 4.65 3.71 ## 12 NORWAY 4.11 0.123 4.44 3.96 ## 13 SPAIN 4.06 0.317 4.75 3.62 ## 14 SWEDEN 4.01 0.0364 4.07 3.91 ## 15 SWITZERL 4.24 0.102 4.44 4.05 ## 16 TURKEY 5.77 0.329 6.16 5.14 ## 17 U.K. 3.98 0.0479 4.10 3.91 ## 18 U.S.A. 4.82 0.0219 4.86 4.79

与R自带的summary()相比，dplyr包的summarise()的一大优势是：和其他dplyr包中的verbs(如之前介绍的filter(),select(),group_by()等)一样，函数运行的结果是一个tibble对象。我们可以对运行结果继续进行其他的数据操作。结合使用管道操作符%>%，代码的可读性也非常好。比如：

gasoline %>% group_by(country) %>% summarise(mean_gaspcar = mean(lgaspcar), sd_gaspcar = sd(lgaspcar), max_gaspcar = max(lgaspcar), min_gaspcar = min(lgaspcar)) %>% filter(country == "FRANCE") ## # A tibble: 1 x 5 ## country mean_gaspcar sd_gaspcar max_gaspcar min_gaspcar ## ## 1 FRANCE 3.82 0.0499 3.91 3.75

我们也可以把summarise()的运行结果保存为一个变量：

desc_gasoline % group_by(country) %>% summarise(mean_gaspcar = mean(lgaspcar), sd_gaspcar = sd(lgaspcar), max_gaspcar = max(lgaspcar), min_gaspcar = min(lgaspcar))

【本文地址】

用dplyr包进行数据清理

用dplyr包进行数据清理

今日新闻

推荐新闻