R包dplyr使用集锦

1. 使用 dplyr 包的好处

1. 大多数时间在操作 tbl_df 对象，而不是 data.frame （特别是含有 factor 的 data.frame ）。

2. 与 magrittr 包的管道更好地结合。

3. 更丰富的列操作，例如 mutate 、 select 。 group_by 会节省很多for循环。

2. 列操作

• filter() ：过滤列，需要输入一个逻辑向量（注意 xor(x, y) ：x和y并集除去交集的部分。 between(x, left, right) ：left <= x <= right。 near(x, y) ：x和y在一定精度下相等，比 == 安全）。直接使用列名操作，例如 year == 2018 。多列操作相当于 & 。受 group 操作影响。

• arrange() ：列排序（默认升序）。多列操作时，先 排序 第一个，再对第一个相等的排第二个。 desc() 降序排列。 .by_group = FALSE 控制是否需要按照group进行组内操作。

• select() ：选择列，重新组合新的 tbl_df 。结合 tidyselect 包 的starts_with() 前缀、 end_with() 后缀、 contains() 部分字符串、 matches() 正则匹配、 num_range 类似V01和x02之类、 everything() （剩余）所有的列、 last_col(offset = n) 倒数第n+1列（默认n为0）。 select(Col1 = col1) 更改col1列名为Col1，并只返回Col1列。 rename(Col1 = col1) 返回全部列，但更改列名为Col1。不受 group 操作影响。

• mutate() ：增加列，返回原始对象和增加列，增加列放置最后。 transmute() ：只返回增加的列。受 group 操作影响。

3. 行操作

sample_n() 和 sample_frac() ：随机选择行。

4. 两个表的操作

• inner_join(x, y) ：按照指定的列（可以多列），只返回x和y的共同内容。

• left_join(x, y) ：按照指定的列（可以多列），返回x和y相同内容和剩余x内容（y中没有的用 NA 替代）。

• right_join(x, y) ：等价于 left_join(y, x) 。

• full_join(x, y) ：全部x和y内容（没有的用 NA 代替）。

• semi_join(x, y, by) ：按照指定的列（可以多列），返回x中与y相同的内容。制定列可以写为 by = c('col1', 'col2') 或者 by = c('colx1' = 'coly1', 'colx2' = 'coly2') 。

• anti_join(x, y) ： semi_join() 后x剩余的内容。

• bind_rows(x, y) 和 bind_cols(x, y) ：行和列连接。

• intersect(x, y) 、 setdiff(x, y) 和 union(x, y) ：对行判断，x和y的交集、x中的余集和并集。

• setequal(x, y) ：x和y的行是否相同（与行顺序无关）。

参考资料

• Hadley Wickham, Garrett Grolemund: R for Data Science .

• dplyr vignettes

• dplyr in tidyverse

• RStudio Cheat Sheets

更新记录

2018年11月26日