使用dplyr进行数据操作（30个实例）
以下文章来源于R语言 ，作者数据人网
R语言学习与实践
本文转载自"R语言"，已获授权。
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。
什么是dplyr？
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。
dplyr有什么特别之处？
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与基本R函数
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。
SQL查询与dplyr
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。
dplyr函数的名称类似于SQL命令，如用于选择变量的select（），group_by（） - 通过对变量进行分组来组合数据，join（） - 将两个数据集合在一起。 还包括inner_join（）和left_join（）。 它也支持SQL常用的子查询。
如何安装和加载dplyr软件包
要安装dplyr软件包，请键入以下命令。
install.packages("dplyr")
要加载dplyr包，请在下面输入命令
library(dplyr)
常用的dplyr的函数
数据：各国的收入数据
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。
如何加载数据
提交以下代码。 在下面的代码中更改文件路径。
mydata <- read.csv("http://bailab.genetics.ac.cn/markdown/R/dplyr/sampledata.csv")
实例1：随机选择N行
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_n(mydata, 3)
实例2：随机选择总行的N%
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。
sample_frac(mydata, 0.1)
实例3：基于所有变量（完整行）删除重复行
distinct函数用于消除重复行
y = rbind(head(mydata), head(mydata))
dim(y)
x1 <- dplyr::distinct(y)
dim(x1)
在此数据集中，我们取前6行重复一次共12行，去冗余返回6行
实例4：基于单个变量删除重复行
.keep_all函数用于保留输出数据框中的所有其他变量。
x2 <- dplyr::distinct(mydata, Index, .keep_all= TRUE)dim(x2)
按某列去冗余，52行变为19行，只保留第一次出现的行
实例5：基于多个变量删除重复行
在下面的例子中，我们使用两个变量 - Index，Y2010来确定唯一性。
x3 <- dplyr::distinct(mydata, Index, Y2010, .keep_all= TRUE)
实例6：选择变量（或列）
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。
mydata2 <- select(mydata, Index, State:Y2008)
实例7：删除变量
变量前面的减号表示R放弃变量。
mydata3 <- select(mydata, -Index, -State)
上面的代码也可以写成：
mydata4 <- select(mydata, -c(Index, State))
实例8：选择或删除以”Y”开始的变量
starts_with（）函数用于选择以字母开头的变量。
mydata5 <- select(mydata, starts_with('Y'))
在starts_with（）之前添加一个负号表示将删除以’Y’开始的变量
mydata6 <- select(mydata, -starts_with('Y'))
以下函数可帮助您根据名称选择变量。
实例9：选择变量名中包含”l”的变量
mydata7 <- select(mydata, contains('l'))
实例10：重新排列变量
下面的代码保持变量’State’在前面，其余的变量跟随其后。
mydata8 <- select(mydata, State, everything())
实例11：变量重命名
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’。
mydata9 <- rename(mydata, Index1=Index)
names(mydata9)
实例12：选择行
假设你需要子集数据。 您想过滤行并仅保留Index等于A的那些值。
mydata10 <- filter(mydata, Index == "A")
实例13：多重选择标准
%in%运算符可用于选择多个项目。 在下面的程序中，我们告诉R选择Index列中的’A’和’C’行。
mydata11 <- filter(mydata, Index %in% c("A", "C"))
实例14：选择标准中的’AND’条件
假设你需要应用’AND’条件。 在这种情况下，我们在“索引”栏中选择’A’和’C’的数据，并在2002年收入超过130万美元。
mydata12 <- filter(mydata, Index %in% c("A", "C") & Y2002 >= 1300000 )
实例15：选择标准中的’OR’条件
‘|’表示逻辑条件中的或。 它意味着这两个条件中的任何一个。
mydata13 <- filter(mydata, Index %in% c("A", "C") | Y2002 >= 1300000)
实例16：非条件
“！” 符号用于反转逻辑条件。
mydata13 <- filter(mydata, !Index %in% c("A", "C"))
实例17：包含条件
grepl函数用于搜索模式匹配。 在下面的代码中，我们正在查找state列包含“Ar”的记录。
mydata17 <- filter(mydata, grepl("Ar", State))
实例18：总结选定的变量
在下面的例子中，我们计算了变量Y2015的平均值和中位数。
summarise(mydata, Y2015_mean = mean(Y2015), Y2015_med=median(Y2015))
实例19：总结多个变量
在下面的例子中，我们计算了记录的数量，变量Y2005和Y2006的平均值和中位数。 summarise_at函数允许我们通过名称选择多个变量。
summarise_at(mydata, vars(Y2005, Y2006), funs(n(), mean, median))
实例20：用自定义函数进行总结
我们也可以在汇总功能中使用自定义函数。 在这种情况下，我们计算记录数，缺失值的数量，变量Y2011和Y2012的平均数和中位数。 点（.）表示函数的第二个参数中指定的每个变量。
summarise_at(mydata, vars(Y2011, Y2012),
funs(n(), missing = sum(is.na(.)),
mean(., na.rm = TRUE),
median(.,na.rm = TRUE)))
实例21：总结所有的数字变量
summarise_if函数允许您有条件地总结。
summarise_if(mydata, is.numeric, funs(n(),mean,median))
或者
numdata <- mydata[sapply(mydata,is.numeric)]
summarise_all(numdata, funs(n(),mean,median))
实例22：总结因子变量
我们正在检查分类（因子）变量中的级别/类别数量和缺失观察数量。
summarise_all(mydata["Index"], funs(nlevels(.), nmiss=sum(is.na(.))))
实例23：按多个变量排序数据
arrange（）函数的默认排序顺序是递增的。 在这个例子中，我们通过多个变量来排序数据。
arrange(mydata, Index, Y2011)
假设你需要按降序对其中一个变量进行排序，而对其他变量则按升序排序。
arrange(mydata, desc(Index), Y2011)
实例24：按分类变量汇总数据
我们通过变量Index计算变量Y2011和Y2012的变量的计数和均值。
t <- summarise_at(group_by(mydata, Index), vars(Y2011, Y2012), funs(n(), mean(., na.rm = TRUE)))
或者
t <- mydata %>% group_by(Index) %>%
summarise_at(vars(Y2011:Y2015), funs(n(), mean(., na.rm = TRUE)))
实例25：过滤分类变量中的数据
假设您需要从“A”，“C”和“I”类别的变量索引中抽取前两行。
mydata %>% filter(Index %in% c("A", "C","I")) %>% group_by(Index) %>%
do(head( . , 2))
实例26：通过分类变量选择第三最大值
我们正在通过变量Index计算变量Y2015的第三个最大值。 以下代码首先仅选择两个变量Index和Y2015。 然后它用’A’，’C’和’I’过滤变量索引，然后对变量进行分组，然后按降序对变量Y2015进行排序。 最后，它选择第三行。
t <- mydata %>%
select(Index, Y2015) %>%
filter(Index %in% c("A", "C","I")) %>%
group_by(Index) %>%
do(arrange(.,desc(Y2015))) %>%
slice(3)
像SQL一样，dplyr使用窗口函数来将数据分组。 它返回值的向量。 我们可以使用min_rank（）函数来计算上例中的rank，
t <- mydata %>% select(Index, Y2015) %>%
filter(Index %in% c("A", "C","I")) %>%
group_by(Index) %>%
filter(min_rank(desc(Y2015)) == 3)
实例27：总结，分组和排序
在这种情况下，我们通过变量Index来计算变量Y2014和Y2015的均值。 然后通过计算的变量Y2015的均值对结果进行排序。
t <- mydata %>%
group_by(Index)%>%
summarise(Mean_2014 = mean(Y2014, na.rm=TRUE),
Mean_2015 = mean(Y2015, na.rm=TRUE)) %>%
arrange(desc(Mean_2015))
实例28：创建一个新变量
以下代码用变量Y2015除以Y2014的的值其命名为“change”。
mydata15 <- mutate(mydata, change=Y2015/Y2014)
实例29：将所有变量乘以1000
它创建新的变量并用后缀“_new”命名。
mydata11 <- mutate_all(mydata, funs("new" = .* 1000))
实例30：计算变量的排名
假设您需要计算变量Y2008至Y2010的排名。添加排名到列尾。
mydata17 <- mutate_at(mydata, vars(Y2008:Y2010), funs(Rank=min_rank(.)))
您在阅读中，有什么见解，请评论。
链接：https://www.listendata.com/2016/08/dplyr-tutorial.html
版权声明：作者保留权利，严禁修改，转载请注明原文链接。
猜你喜欢
10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑
文献阅读 热心肠 SemanticScholar Geenmedical
16S功能预测 PICRUSt FAPROTAX Bugbase Tax4Fun
生物科普: 肠道细菌 人体上的生命 生命大跃进 细胞暗战 人体奥秘
写在后面
为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外1800+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。
学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”