百度网站关键词,建设网站技术公司电话号码,嘉兴优化网站收费标准,设计师个人网站一、plyr包
plyr扩展包主要是实现数据处理中的“分割-应用-组合”#xff08;split-apply-combine#xff09;策略。此策略是指将一个问题分割成更容易操作的部分#xff0c;再对每一部分进行独立的操作#xff0c;最后将各部分的操作结果组合起来。
plyr扩展包中的主要函…一、plyr包
plyr扩展包主要是实现数据处理中的“分割-应用-组合”split-apply-combine策略。此策略是指将一个问题分割成更容易操作的部分再对每一部分进行独立的操作最后将各部分的操作结果组合起来。
plyr扩展包中的主要函数可以用**ply来概括第一个 * 表示输入数据的结构可选的数据结构有a(array)、d(data.frame)和 l (list)第二个 * 表示输出数据的结构可选的数据结构除了前面3种以外还有“_”它表示不输出它的结果常用于绘图和建立缓存。 plyr包的12个主要函数 输入输出数组输出数据框输出数据列表无输出数组aaplyadplyalplya_ply数据框daplyddplydlplyd_ply列表laplyldplyllplyl_ply 按照输入数据的结构可以分为3类 a*ply(.data, .margins, .fun, ..., .progressnone)按照维度对数组进行“切片” d*ply(.data, .variables, .fun, ..., .progressnone)按照一列或多列将数据框分为若干子集 l*ply(.data, .fun, ..., .progressnone)将列表的每个分量作为子集。 参数详解 .data表示输入数据 .margins表示数组的边际与apply函数的MARGIN类似也可以为向量。用来描述输入数据将如何被分割为若干部分 .variables表示分组变量可以有多个变量。用来描述输入数据将如何被分割为若干部分。 .fun表示应用于数据各部分的函数如果没有指定.fun则表示从一种数据结构变为另一种数据结构 ...表示传递给.fun的其它参数 .progress表示进度条的类型none表示不显示进度条它有texttk和win三种进度条。 下面用datasets包中的鸢尾花数据集iris和iris3举例
library(plyr)
iris.set - iris
iris3.set - iris3
class(iris)
class(iris3) 若不在.fun指定应用函数**ply()函数的作用仅仅是将数据集从一种结构转换为另一种结构。
iris.set1 - dlply(iris.set, .variablesSpecies)
head(iris.set1) 二、dplyr包
plyr 包虽然功能强大但在处理大数据集时可能会比较慢。对于更高效的数据处理可以考虑使用 dplyr 包它是 plyr 的一个现代替代品提供了更快的速度和更直观的语法。
dplyr包主要针对数据框和tibbletbl_df对象一种增强的数据框的操作。tibble数据结构在呈现大型数据集时非常友好。
下面以nyflights13扩展包中的flights数据集为例此数据集中包含了336776次航班信息。先安装install.packages(nyflights13。
flights数据集就是一个tibble类型的数据框它和一般数据框的区别是当打印到控制台上时会附带上更多的信息。例如行数和列数每一列的数据类型少量的数据示例及省略的行数、列数和列名。 1、select()函数
用于选择需要的变量用在后续的分析上。
library(dplyr)
# 选择列变量
head(select(flights, year, flight, dest)) 如果要从数据中删除一些变量可以通过在变量前添加负号-来实现。另外在select()函数中还可以使用一些辅助函数来完成对列的匹配操作starts_with()、ends_with()、contains()、matches()、num_range()、one_of()和everything()等。
选取以“a”为首字母的变量
library(dplyr)
# 选择以“a”为首字母的变量
head(select(flights, starts_with(a))) 选取包含“lay”的变量
library(dplyr)
head(select(flights, contains(lay))) 选取最后单词为“.time”的变量
library(dplyr)
head(select(flights, matches(.time))) 2、filter()函数 用于根据条件对数据的列或者记录进行筛选。
# 选取在7月19日起飞并且飞行距离大于800的AS或HA航空公司的航班信息
filter(flights, month7,day19,distance800,carrierAS|carrierHA) 对比使用with()函数的筛选方法就会显得使用filter()函数更加简洁清晰。
with(flights,flights[month7 day19 distance 800 (carrierAS|carrierHA),]) 3、arrange()函数 若是依据多列数据进行排序只需按列的顺序写进此函数中即可如果是逆序排只需在变量前面加负号或使用rev()函数即可注意逆排序中使用负号的情况仅限于数值变量
# 依次按month、day、carrier、origin和dest对flights进行排序
head(arrange(flights,-month,-day,carrier,origin,dest)) 4、mutate()函数
转换函数它可以同时修改和增加若干个变量。与R语言中的内置的转换函数transform()相比它的优势是可在同一段代码中使用刚建立的新变量。
library(dplyr)
library(nycflights13)
# 计算飞行节约的时间和平均每小时所节约的时间
flights1 - mutate(flights, gainarr_delay - dep_delay, gain_per_hour gain/(air_time/60))
head(flights1$gain)
head(flights1$gain_per_hour) 5、group_by()和summarise()函数
这两个函数往往一起使用先对数据集进行分组然后再按组进行汇总。
先按照航空公司进行分组
# 先按航空公司进行分组
flights2 - group_by(flights, carrier)
# 查看分组变量
group_vars(flights2)
# 查看各组的行数
group_size(flights2) 然后对各航空公司数据进行汇总
flights3 - summarise(flights2, dep_delay_mean mean(dep_delay, na.rmT),arr_delay_mean mean(arr_delay, na.rmT),distance_sd sd(distance, na.rmT))
flights3 6、连接函数 inner_join()函数用于内连接 left_join()函数用于左连接 right_join()函数用于右连接 full_join()函数用于全连接 7、抽样函数 sample_n()函数随机选出指定个数样本容量的样本数 sample_frac()函数随机选出指定百分比的样本数。 sample_n(flights,size8)sample_frac(flights,size0.10) 8、管道函数%%
此函数可以通过不断地叠加减少代码量和中间变量这种写法极大地提高了代码的可读性和可维护性特别是在进行数据分析和处理数据框data frames时。
在叠加过程中%%左边的结果将作为右边函数的第一个参数。 dplyr包中的%%操作符实际上是从magrittr包中借用的但dplyr作为数据操作的一个核心包使得这个操作符在数据科学社区中变得非常流行。 df - data.frame(id 1:5,name c(Alice, Bob, Charlie, David, Eva),score c(85, 90, 95, 88, 92)
)# 使用%%管道函数
filtered_sorted_df - df %%filter(score 90) %% # 过滤出score大于90的行arrange(desc(score)) %% # 按score降序排列select(name, score) # 选择name和score列print(filtered_sorted_df) %%管道函数可以与dplyr包中的其他函数如mutate、summarise、group_by等结合使用
flights4 - flights %%sample_frac(size 0.1) %% # 随机抽取10%的样本select(one_of(carrier,month,day,dep_delay,arr_delay,air_time,distance)) %% # 筛选carrier、month、day等几列变量mutate(gain arr_delay - dep_delay,gain_per_hour gain / (air_time / 60)) %% # 计算飞行节约时间和平均每小时所节约的时间group_by(carrier,month) %% # 按航空公司和月份summarise(gain mean(gain,na.rm TRUE),distance mean(distance,na.rm TRUE)) # 求gain和distance平均值flights4
