在日常数据处理过程中难免会遇到些难处理的，选取更适合的函数分割、筛选、合并等实在是大快人心！

利用dplyr包中的函数更高效的数据清洗、数据分析，及为后续数据建模创造环境；本篇涉及到的函数为filter、filter_all()、filter_if()、filter_at()、mutate、group_by、select、summarise。

#可使用filter()函数筛选/查找特定条件的行或者样本 #filter(.data=,condition_1,condition_2)#将返回相匹配的数据

#同时可以多条件匹配multiple condition，当采用多条件匹配时可直接condition1，condition2或者condition1&condition2 #其他逻辑表达还有：==，>,>=等，&，|，！，xor（），is.na，between，near

#filter延展的相关函数filter_all()、filter_if()、filter_at()

输出情况：                                                                          输出情况： 

#要使用filter_all()、filter_if()、filter_at()需要先去掉Species列（非数值型列） 

#筛选所有属性小于6的行 

#筛选以sep开头的属性任一大于3的行

#R中自带数据集mtcars，筛选任意一个属性大于150的行

#筛选以d开头的属性任一可被2整除的行

其他延展函数 group_by_all、group_by_if、group_by_at（将在后续文章中解析）

 group_by函数按照某个变量分组，对于数据集本身并不会发生什么变化，只有在与mutate(), arrange() 和 summarise() 函数结合应用的时候会体现出它的优越性，将会对这些 tbl 类数据执行分组操作 (R语言泛型函数的优越性).

可用的相关参数、逻辑：

• +, - 等等 • log() • lead(), lag() • dense_rank(), min_rank(), percent_rank(), row_number(), cume_dist(), ntile() • cumsum(), cummean(), cummin(), cummax(), cumany(), cumall() • na_if(), coalesce() • if_else(), recode(), case_when()

相关延展函数：transmute、mutate_all、mutate_if、mutate_at（后期文章分享）

2021/7/22更新---------------------------------------------------------------------------------------------------------

同时还可以在across函数中使用函数（where、starts_with、last_col）对特定变量筛选

对鸢尾花数据分类汇总，分别统计各变量的最小值、最大值、频数

c_across+rowsize函数 按照列变量的单行进行计算，对于横向计算提供便捷方式

2021/11/08更新---------------------------------------------------------------------------------------------------------

4、with_groups函数