R语言：数据处理包dplyr的函数

dplyr专注处理dataframe对象, 并提供更稳健的与其它数据库对象间的接口。

一、5个关键的数据处理函数：

select()   返回列的子集
filter()     返回行的子集
arrange()  根据一个或多个变量对行排序。
mutate()  使用已有数据创建新的列
summarise()  对各个群组汇总计算并返回一维结果。

Tips：

1、select()

Dplyr包有下列辅助函数，用于在select()中选择变量：

starts_with("X"): 以 "X"开头的变量名
ends_with("X"):   以 "X"结束的变量名
contains("X"):      包含 "X"的变量名
matches("X"):      匹配正则表达式“x"的变量名
num_range("x", 1:5):  变量名为 x01, x02, x03, x04 and x05
one_of(x):    出现在字符向量x中的所有变量名

在select()中直接使用列时不需要引用""，但使用上述辅助函数时必须引用""。

2、filter()   

R 有一系列逻辑表达式可用于filter()中：

x < y；x <= y；x == y；x != y；x >= y；x > y；x %in% c(a, b, c)

示例：

filter(df, a > 0, b > 0)

filter(df, !is.na(x))
3、arrange()  
arrange()默认从小到大排序，在arrange()中使用desc()作用于变量可以使之从大到小排序.

4、mutate()  

mutate()允许在同一次调用中使用新变量来创建下一个变量，例如：

mutate(my_df, x = a + b, y = x + c)

5、 summarise（）

R的下列聚合函数可用于 summarise()中

min(x) - 最小值.

max(x) - 最大值

mean(x) - 平均值

median(x) - 中位数

quantile(x, p) -  x的第P个分位数

sd(x) - 标准差

var(x) - 方差

IQR(x) - 四分位数

diff(range(x)) - x值的范围

dplyr包自身提供了一些有用的聚合函数：

first(x) -  向量x中的第1个元素

last(x) -  向量x中的最后1个元素

nth(x, n) - 向量x中的第n个元素

n() -      data.frame中的行数或  summarise() 描述的观测组的数量

n_distinct(x) - 向量x中唯一值的数量

二、管道函数%>%

dplyr包中特有的管道函数%>%，将上一个函数的输出作为下一个函数的输入。

%>%运算符允许从参数列表中提取函数的第一个参数，并放置在%>%前面。

下面两条指令相等：

mean(c(1, 2, 3, NA), na.rm = TRUE)

c(1, 2, 3, NA) %>% mean(na.rm = TRUE)

三、分组函数group_by()

对数据集定义群组。然后可对各个群组分别进行汇总统计。

通过 group_by() 添加了分组信息后,mutate(), arrange() 和 summarise() 函数会自动对这些 tbl 类数据执行分组操作。

group_by(dataframe,colnames1,colnames2,…)

四、连接数据（joins）

1、6种连接函数如下：
left_join(dataset1,dataset2)
right_join(dataset1,dataset2)

inner_join(dataset1,dataset2,by=c(“”))

full_join(dataset1,dataset2, by = c("first", "last"))

semi_join(dataset1,dataset2, by = c("first", "last"))

anti_join(dataset1,dataset2, by = c("first", "last"))

前4种属于变形连接（mutating joins），后2种属于过滤连接（filtering joins）。

semi-joins基于第二个数据集的信息来过滤第一个数据集的数据。anti-joins找出合并时哪些行不能匹配第二个数据集

2、key值

R语言的 data frames可在 row.names属性中存储重要信息，虽然不是存储数据的好方式却很常见。如果数据集的主关键字在row.names中，将难以与其他数据集连接。一种解决方法是使用tibble包（tibble：a data frame with class tbl_df)中的rownames_to_column()函数，返回该数据集的副本，并且行名作为一列增加到该数据中。

library(tibble)

rownames_to_column(data, var="name")

如果两个数据集有相同的列名，但代表的事物不同，并且by参数不包含这些重复的列名，dplyr会忽略这些列名，并对相同的列名增加.x和 .y来帮助区分列。

当两个数据集中相同的事物有不同的列名，要完成合并，将by设置为一个命名向量。向量的名字为主数据集中的列名，向量的值为第二个数据集中的列名。例如：

x %>% left_join(y, by = c("x.name" = "y.name"))

完成连接后保留主数据集中的列名。

3、多个数据集的连接

Purrr包中的 reduce()函数对多个数据集重复应用某函数，可用于连接多个数据集，与dplyr的join类函数配合使用，例如：
library(purrr)
list(data1,data2,data3) %>% reduce(left_join,by = c("first", "last"))

五、集合操作（set operations）

dplyr提供了intersection、union和setdiff用于获得数据集的交集、并集和差集。

六、组装数据assembling data

使用如下函数：

bind_rows() 

bind_cols() ：将多个data frame合成单个data frame

data_frame() : 将一系列列向量组合成data frame

as_data_frame() :将list转换成data frame

CDA学员免费下载查看报告全文：2026全球数智化人才指数报告【CDA数据科学研究院】.pdf