根據(jù)dplyr包的幫助文檔，來學習dplyr包

• 示例數(shù)據(jù)集：nycflights13包中的flights

• 函數(shù)：
  filter():根據(jù)變量對數(shù)據(jù)進行過濾篩選
  arrange():對數(shù)據(jù)進行排序
  select():根據(jù)變量選擇數(shù)據(jù)子集
  mutate():增加新變量
  summarise():匯總數(shù)據(jù)
  sample_n()和sample_frac():從數(shù)據(jù)集中隨機抽樣

一、數(shù)據(jù)的準備

1榆骚、安裝并加載nycflights13包掸哑，了解flights數(shù)據(jù)

install.packages("nycflights13")
library(nycflights13)
dim(flights)
head(flights)
? flights

可以看到flights是一個336776行贾虽，19列的tibble數(shù)據(jù).不理解數(shù)據(jù)里的變量名可以使用?flights查看其幫助文檔

各個變量的含義如下：

year,month,day: 航班出發(fā)日期
ep_time, arr_time: 航班實際出發(fā)和到達的時間（格式：HHMM或者HMM）杆怕，當?shù)貢r間糠溜。
sched_dep_time,sched_arr_time: 航班預定的本該出發(fā)和到達的時間笤虫。
dep_delay,arr_delay: 出發(fā)和到達延誤時間
hour,minute：預定出發(fā)時間分解為小時旁瘫，和分鐘的數(shù)據(jù)
carrier：航空公司名稱縮寫
tailnum：機尾編號
flight：航班號
origin,dest：出發(fā)和到達城市
air_time：飛行時間，以分鐘為單位
distance： 兩個機場之間的距離琼蚯，以英里為單位
time_hour： 出發(fā)日期和出發(fā)時間的小時

二酬凳、使用dplyr函數(shù)對數(shù)據(jù)進行整理

1、使用filter()對行進行篩選

install.packages("dplyr")
library(dplyr)
filter(flights, month == 1, day == 1)
## 基礎函數(shù)可以使用如下方式達到同樣效果：
flights[flights$month ==1 & flights$day == 1,]

2遭庶、使用arrange()對行進行排序

arrange(flights, year, month, day)
# 配合使用desc()進行倒序排列:
arrange(flights, desc(year),desc(month),desc(day))

3宁仔、使用select()選取列

select(flights, year, month, day)
select(flights, year:day)
select(flights,carrier:tailnum)
select(flights,10:12)
flights[,10:12]

# 配合starts_with(), ends_with(), matches(),contains()
select(flights, starts_with("dep"))
select(flights, ends_with("delay"))
select(flights, matches("arr"))
select(flights, contains("time"))

# 也可以使用select()對列進行重命名
select(flights, airlines = carrier)

# 因為select()去掉了所以其他沒有提到的列，所以更好用的重命名還是rename()
rename(flights, airlines = carrier)

4峦睡、使用mutate()增加新的列

mutate(flights,
       gain = arr_delay - dep_delay,
       speed = distance / air_time*60
       )
# mutate()和基礎函數(shù)transform()很相似翎苫，但是mutate()運行引用剛剛創(chuàng)建的新列：
mutate(flights, 
       gain = arr_delay - dep_delay,
       gain_per_hour = gain / (air_time / 60)
       )
# 如果只想保留新變量权埠，使用transmute()
transmute(flights,
          gain = arr_delay - dep_delay,
          gain_per_hour = gain / (air_time / 60)
)

5、使用summarise()進行數(shù)據(jù)匯總

summarise(flights,
          delay = mean(dep_delay, na.rm = TRUE)
          )
# summarise()配合group_by()時會非常有用煎谍，后面進行講解

6攘蔽、使用sample_n()和sample_frac()進行隨機抽樣

sample_n(flights, 10) # 隨機抽取10行數(shù)據(jù)
sample_frac(flights, 0.01) # 隨機抽取1%的數(shù)據(jù)

7、使用group_by()進行分組

by_tailnum <- group_by(flights, tailnum)
by_tailnum
delay <- summarise(by_tailnum,
                   count = n(),
                   dist = mean(distance, na.rm = TRUE),
                   delay = mean(arr_delay, na.rm = TRUE))
delay
# n(), n_distinct(x), first(x), last(x), nth(x,n)
destinations <- group_by(flights, dest)
summarise(destinations, 
          planes = n_distinct(tailnum),
          flights = n())

# 對分組數(shù)據(jù)進行向上逐步匯總：
daily <- group_by(flights, year, month,day)
per_day <- summarise(daily, flights = n())
per_day
per_month <- summarise(per_day, flights = sum(flights))
per_month
per_year <- summarise(per_month, flights = sum(flights))
per_year

8呐粘、使用管道符 %>%簡化代碼書寫

目標：篩選出航班出發(fā)和到達延誤時間的平均值都超過30分鐘的日期

方法一：每一步都要保存一個變量满俗，缺點是每一步保存變量，下一步引用事哭，麻煩漫雷！

a1 <- group_by(flights, year, month, day)
a2 <- select(a1, arr_delay, dep_delay) 
a3 <- summarise(a2,
                arr = mean(arr_delay, na.rm = TRUE),
                dep = mean(dep_delay, na.rm = TRUE))
a4 <- filter(a3, arr > 30 | dep > 30)
a4

方法二：從內向外嵌套函數(shù)，缺點是參數(shù)離函數(shù)很遠鳍咱，不利于閱讀降盹。

filter(
  summarise(
    select(
      group_by(flights, year, month, day),
      arr_delay, dep_delay
    ),
    arr = mean(arr_delay, na.rm = TRUE),
    dep = mean(dep_delay, na.rm = TRUE)
  ),
  arr > 30| dep > 30)

方法三：使用管道符，優(yōu)點是直接將上一步的結果作為下一步函數(shù)的輸入使用谤辜，規(guī)避了以上兩種方法的缺點蓄坏。

flights %>%
  group_by(year, month, day) %>%
  select(arr_delay, dep_delay) %>%
  summarise(
    arr = mean(arr_delay, na.rm = TRUE),
    dep = mean(dep_delay, na.rm = TRUE)
  ) %>%
  filter(arr > 30 | dep > 30)

三、總結

學了dplyr這個包的基本函數(shù)丑念，我可以對數(shù)據(jù)做什么了呢涡戳？