数据整理—dplyr包（mutate系列）

作者：小橙子

来源： 小橙子学数据分析

有很多成语，来形容根据一个事物，生成了另一个事物。

比如：依样画葫芦、东施效颦等等(略有歧义)。

而今天讲解的mutate，就类似这种情况，根据现有的信息，生成一个新的变量。

dplyr中，几个主要函数

1filter 系列  #筛选满足条件的样本(cases),第一篇已经讲解  
2select 系列  #筛选满足条件的变量，第二篇已经讲解
3mutate 系列  #生成新的变量
4summarise 系列 #概括数据集信息
5join 系列  #关联函数，同 SQL 中的join

在数据处理过程中，经常会遇到这几个函数

mutate系列： mutate、mutate_all、mutate_at、mutate_if、transtate

用法：mutate(.data, ...)

mutate的使用方式，主要是依靠"..."的公式变化，生成新的变量

mutate支持以下几种公式 ：

1. +、-、*、÷ 、%%、%|% 等常用计算方式

2. lead()、 lag()

3. dense_rank(), min_rank(), percent_rank(), row_number(), cume_dist(), ntile()

4. cumsum(), cummean(), cummin(), cummax(), cumany(), cumall()

5. na_if(), coalesce()

6. if_else(), recode(), case_when()

先从" rank "系列开始介绍，这一函数类，主要是用来划分名次、等级、百分比、密度等等

 1#percent_rank，按照[0,1]百分比的形式进行排序
 2# 举例说明，按照x的数值，按照百分比进行划分
 3x <- c(5, 1, 3, 2, 4)
 4percent_rank(x)
 5# [1] 1.00 0.00 0.50 0.25 0.75
 6# 这类函数比较适用于 ，需要排名次的场景。比如考试、比赛...
 7
 8#  比如根据iris中的Sepal.Length，进行百分比表示,
 9iris %>% 
10  mutate(Length_rank = percent_rank(Sepal.Length)) %>% # %>% 管道的标识符
11  select(Length_rank,everything()) # select函数中，everything()可以用来更换变量顺序  
12#   Length_rank Sepal.Length Sepal.Width Petal.Length Petal.Width Species
13#   0.21476510          5.1         3.5          1.4         0.2  setosa
14#   0.10738255          4.9         3.0          1.4         0.2  setosa
15#   ...(数据省略)
16
17# row_number()，不仅可以用来对想来排序,也可以表示获取行数
18 mutate(mtcars, row_number() == 1L) # 新生成的变量，用来判断是否是第一行，返回TRUE 或者 FALSE    
19 mtcars %>% filter(between(row_number(), 1, 10)) # 通过row_number,筛选1-10行.有点类似 top_n(10)
20
21 # ntile，切割数据集为N块，返回具体的数值，属于等分切割
22 ntile(runif(10), 5)
23# [1] 1 2 4 5 5 3 4 2 3 1
24# 某种程度上，ntile可以用来划分训练集和测试集(类似sample函数) 
25# ind <- sample(2, nrow(mtcars), replace = TRUE, prob = c(0.8,0.2))
26# mtcars[ind == 1,]
27# 备注：ntile对数据框使用的时候，如果没有特殊标明具体的数据列,ntile会对所有的列进行切割操作

再说一下 "cum" 函数系列，这类函数计算累积指标，比如截止到某一天的平均值、总和、乘积等等。

 1# cumsum，累积相加的数值
 2cumsum(1:10)
 3# 1  3  6 10 15 21 28 36 45 55
 4# 原数据集有N个，返回也是N个
 5# 类似MS_SQL中的sum(s)over(order by y)
 6
 7# cumany(), cumall()，则是逻辑判断，并非计算数值
 8cumall(-5:5)
 9# TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
10# 返回的是逻辑值，0代表FALSE

最后说一下 "判断" 函数系列，这类函数应用比较广泛。

比如生活中，当天空下雨了，小明就打伞了

类似EXCEL中的 if函数，vlookup函数等等

 1# if_else
 2# 用法：if_else(condition, true, false, missing = NULL)，比传统的ifelse多了一个missing参数
 3# 并且if_else能保留原数据的数据类型，不会降维操作
 4
 5# 假设x >= 0,则 y-1，y < 0 的情况下, y + 1 
 6df <- data.frame(x = c(-5:4), y = runif(10))
 7df %>% mutate( xy = if_else(x >= 0, y -1, y+1, y))
 8#     x         y         xy
 9#   -5    0.7760150  1.7760150
10#   -4    0.9310976  1.9310976
11# case_when中，判断的条件可以更加的多样化
12# case_when,与SQL中的case...when...一样
13# 同 C语言 中的switch一样   
14
15x <- c(1:10,NA)
16case_when(
17  x %% 2 == 0 ~ "偶",
18  x %% 2 == 1 ~ "奇",
19  TRUE ~ as.character(x)   
20  #可以设置一个默认值
21)
22#  "奇" "偶" "奇" "偶" "奇" "偶" "奇" "偶" "奇" "偶" NA 

mutate 总结：

mutate 类似于SQL中，根据表的现有变量，生成新变量

R语言中，支持多种数据生成方式，使得实际应用中更加高效

下一篇，将探讨如何利用“ summarise ”，总结数据特性

——————————————

往期精彩：

• 内推 |阿里大文娱-数据分析(广州/北京)

• 滴滴宋世君：DS(数据分析师)，究竟是做什么的？

• 采访了“996背后的那些人”：孤立无援，进退两难

• R语言中文社区2018年终文章整理（作者篇）

• R语言中文社区2018年终文章整理（类型篇）

天善智能 清华教授团队亲自授课，打造人人都能上手的 Python 课程 小程序

本文由R语言中文社区 创作，采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。

转载、引用前需联系作者，并署名作者且注明文章出处。

本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。