R語言dplyr包的數據整理、分析函數用法文章連載NO.01
在日常數據處理過程中難免會遇到些難處理的，選取更適合的函數分割、篩選、合并等實在是大快人心！
利用dplyr包中的函數更高效的數據清洗、數據分析，及為后續數據建模創造環境；本篇涉及到的函數為filter、filter_all()、filter_if()、filter_at()、mutate、group_by、select、summarise。
1、數據篩選函數：
#可使用filter()函數篩選/查找特定條件的行或者樣本
#filter(.data=,condition_1,condition_2)#將返回相匹配的數據
#同時可以多條件匹配multiple condition，當采用多條件匹配時可直接condition1，condition2或者condition1&condition2
#其他邏輯表達還有：==，>,>=等，&，|，！，xor（），is.na，between，near
#filter延展的相關函數filter_all()、filter_if()、filter_at()
#以iris數據集為例：
filter(.data=iris,Sepal.Length>3,Sepal.Width<3.5)
filter(.data=iris,Sepal.Length>3,Species=="virginica")輸出情況： 輸出情況：
#要使用filter_all()、filter_if()、filter_at()需要先去掉Species列（非數值型列）
iris_data<-iris%>% select(-Species)#篩選所有屬性小于6的行
iris_data%>% filter_all(all_vars(.<6))部分輸出情況：
#篩選任意一個屬性大于3的行
iris_data%>% filter_all(any_vars(.>3))#篩選以sep開頭的屬性任一大于3的行
iris_data%>% filter_at(vars(starts_with("Sep")), any_vars(. >3))#R中自帶數據集mtcars，篩選任意一個屬性大于150的行
filter_all(mtcars, any_vars(. > 150))#篩選以d開頭的屬性任一可被2整除的行
filter_at(mtcars, vars(starts_with("d")), any_vars((. %% 2) == 0))2、數據分組、匯總函數group_by、summarise
其他延展函數 group_by_all、group_by_if、group_by_at（將在后續文章中解析）
group_by函數按照某個變量分組，對于數據集本身并不會發生什么變化，只有在與mutate(), arrange() 和 summarise() 函數結合應用的時候會體現出它的優越性，將會對這些 tbl 類數據執行分組操作 (R語言泛型函數的優越性).
mtcars_cyl <- mtcars %>% group_by(cyl)
mtcars_cyl %>% summarise(
disp = mean(disp),
hp = mean(hp)
)
mtcars_vs_am <- mtcars %>% group_by(vs, am)
mtcars_vs <- mtcars_vs_am %>% summarise(n = n())
3、新增列函數mutate，在數據集的基礎上新增列，不對原數據作更改
可用的相關參數、邏輯：
• +, - 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()
相關延展函數：transmute、mutate_all、mutate_if、mutate_at（后期文章分享）
mtcars %>% as_tibble() %>% mutate(
cyl2 = cyl*3,
cyl4 = cyl2+2
)
到此這篇關于R語言dplyr包之高效數據處理函數（filter、group_by、mutate、summarise）詳解的文章就介紹到這了,更多相關R語言dplyr包數據處理函數內容請搜索html5模板網以前的文章希望大家以后多多支持html5模板網！