使用dplyr进行数据操作

  dplyr软件包是R中功能最强大,最受欢迎的软件包之一。该软件包由最受欢迎的R程序员Hadley Wickham编写,他编写了许多有用的R软件包,如ggplot2,tidyr等。本文包括一些示例和如何使用使用dplyr软件包来清理和转换数据。这是一个关于数据操作和数据处理的完整教程。

  dplyr是一个强大的R软件包,用于处理,清理和汇总非结构化数据。简而言之,它使得R中的数据探索和数据操作变得简单快捷。

  软件包“dplyr”包含许多主要使用的数据操作功能,例如应用过滤器,选择特定列,排序数据,添加或删除列以及聚合数据。这个包的另一个最重要的优点是学习和使用dplyr函数非常容易。也很容易回想起这些功能。例如,filter()用于过滤行。

  dplyr函数处理速度比基本R函数快。 这是因为dplyr函数是以计算有效的方式编写的。 它们在语法上也更稳定,并且比向量更好地支持数据帧。

  数十年来人们一直在使用SQL来分析数据。 每个现代数据分析软件如Python,R,SAS等都支持SQL命令。 但SQL从未被设计为执行数据分析。 它专为查询和管理数据而设计。 有许多数据分析操作在SQL失败或使简单的事情困难。 例如,计算多个变量的中位数,将宽格式数据转换为长格式等。而dplyr软件包的设计目的是进行数据分析。

  在本教程中,我们使用以下数据,其中包含2002年至2015年各州产生的收入。注意:此数据不包含各州的实际收入数据。

  该数据集包含51个观测值(行)和16个变量(列)。 下面显示了数据集前6行的快照。

  sample_n函数从数据框(或表)中随机选择行。 函数的第二个参数告诉R要选择的行数。

  sample_frac函数随机返回N%的行。 在下面的例子中,它随机返回10%的行。

  在此数据集中,没有单个重复行,因此返回的行数与mydata中的行数相同。

  在下面的例子中,我们使用两个变量 - Index,Y2010来确定唯一性。

  假设你被要求只选择几个变量。 下面的代码选择变量“Index”,从“State”到“Y2008”的列。

  rename函数可用于重命名变量。 在下面的代码中,我们将Index变量重命名为Index1。

相关阅读