基于R语言的统计分析基础：使用dplyr包进行数据操作

news2024/9/21 14:39:00

dplyr是R语言中一个功能强大且流行的数据操作包，它提供了一系列用于数据清洗、转换、汇总和可视化的工具。这些工具包括选择列、过滤行、排序、添加或修改列、汇总数据以及分组和合并数据集的函数。dplyr的设计使得数据操作变得简单直观，同时保持高性能，并且支持与外部数据库的连接、懒惰数据操作以及窗口函数。此外，dplyr鼓励使用整洁数据的原则，并与其他R语言包（如tidyr、ggplot2等）有很好的集成，形成一个完整的数据分析工作流。

dplyr常用函数与用法

函数	用途
`select()`	选择数据集中的列
`filter()`	基于条件过滤行
`arrange()`	对数据集进行排序
`mutate()`	添加新列或修改现有列
`summarise()`	计算汇总统计量，减少到每组的单一行
`group_by()`	将数据集分组，以便进行分组操作
`ungroup()`	移除数据集的分组信息
`distinct()`	删除重复行，保留唯一值
`inner_join()`	根据两个数据集的共同列进行内连接
`left_join()`	根据左数据集的键和右数据集的键进行左连接
`right_join()`	根据右数据集的键和左数据集的键进行右连接
`full_join()`	根据两个数据集的键进行全连接
`semi_join()`	返回左数据集在右数据集中有匹配的记录
`anti_join()`	返回左数据集中不在右数据集中的记录

函数使用示例

这里先导入dplyr包，随后新建两个data.feame数据集用于后续操作，一个数据框用于存储学生信息，一个数据框用于存储专业课成绩

library(dplyr)

students <- data.frame(  
  student_id = c(1, 2, 3, 4, 5),  
  name = c("GGBond", "FeiFei", "DickDai", "SuperFuckMan", "TeacherMihu"),  
  age = c(16, 17, 15, 23, 42)  
)  

courses <- data.frame(  
  course_id = c(101, 102, 103, 104, 105),  
  course_name = c("Math", "Science", "History", "Math", "Art"),  
  student_id = c(1, 2, 3, 1, 4)  
)

在这里插入图片描述

使用`select()`函数选择数据集中的列

selected_students <- students %>%  select(name, age)  
selected_students

在这里插入图片描述

使用`filter()`函数基于条件过滤行

filtered_students <- students %>%  filter(age > 21)  
filtered_students

在这里插入图片描述

使用`arrange()`函数对数据集进行排序

arranged_students <- students %>%  arrange(desc(age))  
arranged_students

在这里插入图片描述

使用`mutate()`函数添加新列或修改现有列

mutated_students <- students %>%  mutate(is_adult = age >= 21)  
mutated_students

在这里插入图片描述

使用`summarise()`函数计算汇总统计量，减少到每组的单一行

summarised_students <- students %>%  summarise(avg_age = mean(age))  
summarised_students

在这里插入图片描述

使用`group_by()` 和 `ungroup()`函数将数据集分组，以便进行分组操作，然后移除分组信息

grouped_students <- students %>%  group_by(age) %>%  summarise(count = n())  
grouped_students

在这里插入图片描述

移除分组信息

ungrouped_students <- grouped_students %>%  ungroup()  
ungrouped_students

在这里插入图片描述

使用`distinct()`函数删除重复行，保留唯一值

distinct_courses <- courses %>%  distinct(course_name)  
distinct_courses

在这里插入图片描述

使用`inner_join()`函数根据两个数据集的共同列进行内连接

inner_joined <- inner_join(students, courses, by = "student_id")  
inner_joined

在这里插入图片描述

使用`left_join()`函数根据左数据集的键和右数据集的键进行左连接

left_joined <- left_join(students, courses, by = "student_id")  
left_joined

在这里插入图片描述

使用`right_join()`函数根据右数据集的键和左数据集的键进行右连接

right_joined <- right_join(students, courses, by = "student_id")  
right_joined

在这里插入图片描述

使用`full_join()`函数根据两个数据集的键进行全连接

full_joined <- full_join(students, courses, by = "student_id")  
full_joined

在这里插入图片描述

使用`semi_join()` 返回左数据集在右数据集中有匹配的记录

semi_joined <- semi_join(students, courses, by = "student_id")  
print(semi_joined)

在这里插入图片描述

使用`anti_join()` 返回左数据集中不在右数据集中的记录

anti_joined <- anti_join(students, courses, by = "student_id")  
print(anti_joined)

distinct_courses <- courses %>%  distinct(course_name)  
distinct_courses