Rdata002 使用dplyr包進(jìn)行數(shù)據(jù)轉(zhuǎn)換

使用nycflights13數(shù)據(jù)包來進(jìn)行說明翘狱，這個數(shù)據(jù)框包含了2013年從紐約市出發(fā)的所有336776次航班的信息蝶棋，該數(shù)據(jù)來自美國交通統(tǒng)計局耘拇，可以使用?flights查看說明文檔

1.數(shù)據(jù)準(zhǔn)備

library(tidyverse)
library(nycflights13)
head(flights)
# A tibble: 6 x 19
#    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute
#   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl>
# 1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH        227     1400     5     15
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH        227     1416     5     29
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA        160     1089     5     40
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN        183     1576     5     45
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL        116      762     6      0
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD        150      719     5     58
# ... with 1 more variable: time_hour <dttm>

# 查看整個數(shù)據(jù)
View(flights)

其中

  • int：表示整數(shù)型變量
  • dbl：表示雙精度浮點(diǎn)數(shù)型變量煮嫌，或稱為實(shí)數(shù)
  • chr：表示字符型向量脏答，或者稱為字符串
  • dttm：表示日期時間（日期+時間）型變量
  • lgl：邏輯性變量丢间，僅包含F(xiàn)ALSE和TRUE
  • fctr：表示因子探熔，R用其來表示具有固定數(shù)目的值的分類變量
  • date：表示日期型變量

2. dplyr基礎(chǔ)函數(shù)

2.1 filter() 按行篩選

filter()可以基于觀測的值篩選出一個觀測的子集

filter(flights,month==1,day==1)
# A tibble: 842 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl>
#   1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH        227     1400     5     15
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH        227     1416     5     29
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA        160     1089     5     40
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN        183     1576     5     45
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL        116      762     6      0
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD        150      719     5     58
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL        158     1065     6      0
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD         53      229     6      0
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO        140      944     6      0
# 10  2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD        138      733     6      0
# # ... with 832 more rows, and 1 more variable: time_hour <dttm>

# dplyr函數(shù)不會修改輸入，因此需要保存函數(shù)結(jié)果烘挫，需要使用賦值操作符 <-
jan1 <- filter(flights,month==1,day==1)

# R要么輸出結(jié)果诀艰，要么將結(jié)果保存在一個變量中，如果想要同時完成這兩種操作饮六，那么需要用括號()將賦值語句括起來
(dec25 <- filter(flights,month==12,day==25))
# # A tibble: 719 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
#   1  2013    12    25      456            500        -4      649            651        -2 US        1895 N156UW  EWR    CLT  
# 2  2013    12    25      524            515         9      805            814        -9 UA        1016 N32404  EWR    IAH  
# 3  2013    12    25      542            540         2      832            850       -18 AA        2243 N5EBAA  JFK    MIA  
# 4  2013    12    25      546            550        -4     1022           1027        -5 B6         939 N665JB  JFK    BQN  
# 5  2013    12    25      556            600        -4      730            745       -15 AA         301 N3JLAA  LGA    ORD  
# 6  2013    12    25      557            600        -3      743            752        -9 DL         731 N369NB  LGA    DTW  
# 7  2013    12    25      557            600        -3      818            831       -13 DL         904 N397DA  LGA    ATL  
# 8  2013    12    25      559            600        -1      855            856        -1 B6         371 N608JB  LGA    FLL  
# 9  2013    12    25      559            600        -1      849            855        -6 B6         605 N536JB  EWR    FLL  
# 10  2013    12    25      600            600         0      850            846         4 B6         583 N746JB  JFK    MCO  
# # ... with 709 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>
2.1.1 比較運(yùn)算符
  • 為有效的進(jìn)行篩選其垄，需要知道如何使用比較運(yùn)算符來選擇觀測
    >
    <
    <=
    >=
    ==
    != 不等于
  • 計算機(jī)使用的是有限精度運(yùn)算，無法存儲無限位的數(shù)卤橄，因此绿满，我們所看到的的每個數(shù)都是一個近似值
    在比較浮點(diǎn)數(shù)是否相等時，不能使用==窟扑，而應(yīng)該使用near() 
# 返回值令人目瞪口呆
1/49*49==1
# [1] FALSE

# 正確的打開方式
near(1/49*49,1)
# [1] TRUE
2.1.2 邏輯運(yùn)算符

& 與喇颁，相交
| 或，相合
! 非

# 如果想要過濾得到11月與12月出發(fā)的所有航班
filter(flights,month == 11 | month == 12)
# # A tibble: 55,403 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
#   1  2013    11     1        5           2359         6      352            345         7 B6         745 N568JB  JFK    PSE  
# 2  2013    11     1       35           2250       105      123           2356        87 B6        1816 N353JB  JFK    SYR  
# 3  2013    11     1      455            500        -5      641            651       -10 US        1895 N192UW  EWR    CLT  
# 4  2013    11     1      539            545        -6      856            827        29 UA        1714 N38727  LGA    IAH  
# 5  2013    11     1      542            545        -3      831            855       -24 AA        2243 N5CLAA  JFK    MIA  
# 6  2013    11     1      549            600       -11      912            923       -11 UA         303 N595UA  JFK    SFO  
# 7  2013    11     1      550            600       -10      705            659         6 US        2167 N748UW  LGA    DCA  
# 8  2013    11     1      554            600        -6      659            701        -2 US        2134 N742PS  LGA    BOS  
# 9  2013    11     1      554            600        -6      826            827        -1 DL         563 N912DE  LGA    ATL  
# 10  2013    11     1      554            600        -6      749            751        -2 DL         731 N315NB  LGA    DTW  
# # ... with 55,393 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

filter(flights,month == 11 | 12)
# # A tibble: 336,776 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
#   1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH  
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH  
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA  
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN  
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL  
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD  
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL  
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD  
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO  
# 10  2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD  
# # ... with 336,766 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
# #   time_hour <dttm>

# 11 | 12返回的是邏輯值
11 | 12
# [1] TRUE

# 查看一下flights$month == 11 | 12的統(tǒng)計情況
table(flights$month == 11 | 12)
# TRUE 
# 336776

# 查看一下flights$month == 11 | flights$month == 12的統(tǒng)計情況
table(flights$month == 11 | flights$month == 12)
# FALSE   TRUE 
# 281373  55403 

# x %in% y嚎货，選出x是y中一個值的所有行
# 所以month %in% c(11,12)與month == 11 | month == 12是等價的
filter(flights,month %in% c(11,12))
# # A tibble: 55,403 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
#   1  2013    11     1        5           2359         6      352            345         7 B6         745 N568JB  JFK    PSE  
# 2  2013    11     1       35           2250       105      123           2356        87 B6        1816 N353JB  JFK    SYR  
# 3  2013    11     1      455            500        -5      641            651       -10 US        1895 N192UW  EWR    CLT  
# 4  2013    11     1      539            545        -6      856            827        29 UA        1714 N38727  LGA    IAH  
# 5  2013    11     1      542            545        -3      831            855       -24 AA        2243 N5CLAA  JFK    MIA  
# 6  2013    11     1      549            600       -11      912            923       -11 UA         303 N595UA  JFK    SFO  
# 7  2013    11     1      550            600       -10      705            659         6 US        2167 N748UW  LGA    DCA  
# 8  2013    11     1      554            600        -6      659            701        -2 US        2134 N742PS  LGA    BOS  
# 9  2013    11     1      554            600        -6      826            827        -1 DL         563 N912DE  LGA    ATL  
# 10  2013    11     1      554            600        -6      749            751        -2 DL         731 N315NB  LGA    DTW  
# # ... with 55,393 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>



# 使用德摩根定律可以將復(fù)雜的篩選條件進(jìn)行簡化
# !(x & y) 等價于 !x | !y
# !(x | y) 等價于 !x & !y


# 如果想要找出延誤時間（到達(dá)活出發(fā)）不多于兩小時的航班无牵，可以使用以下兩種篩選方式
filter(flights,!(arr_delay > 120 | dep_delay > 120))

filter(flights,arr_delay <= 120,dep_delay <= 120)
布爾運(yùn)算全集
2.1.3 缺失值 NA

NA在R中表示未知的值，NA是可傳染的厂抖，如果運(yùn)算中包含了NA茎毁，那么計算的結(jié)果也是NA

NA > 5
# [1] NA

10 == NA
# [1] NA

NA + 10
# [1] NA

NA /2
# [1] NA

is.na()可以用來判斷是否為NA

y=c(1,NA,2)
is.na(y)
# [1] FALSE TRUE FALSE  

# tibble包是一個輕量級的包，它實(shí)現(xiàn)的data.frame的重新塑造忱辅，保留了data.frame中經(jīng)過實(shí)踐證明有效的部分七蜘，吸取了專注于數(shù)據(jù)操作的dplyr包的基本思想。tibble包提供了更優(yōu)于data.frame的性能
(df <- tibble(y=c(1,NA,2)))
# # A tibble: 3 x 1
#       y
#     <dbl>
# 1     1
# 2    NA
# 3     2

# filter()只能篩選出條件為TRUE的行墙懂，它會排除那些條件為FALSE和NA的行
filter(df,y>=1)
# # A tibble: 2 x 1
#       y
#     <dbl>
# 1     1
# 2     2

# 如果需要保留NA值橡卤，需要在篩選條件中指明
filter(df,is.na(y) | y>=1)
# A tibble: 3 x 1
#       y
#     <dbl>
# 1     1
# 2    NA
# 3     2
2.2 arrange() 重排

arrange()與filter() 非常相似

# 如果列名不止一個，會將后面的列在前面列的基礎(chǔ)上進(jìn)行排序
arrange(flights,year,month,day)
# # A tibble: 336,776 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl>
#   1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH        227     1400     5     15
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH        227     1416     5     29
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA        160     1089     5     40
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN        183     1576     5     45
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL        116      762     6      0
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD        150      719     5     58
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL        158     1065     6      0
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD         53      229     6      0
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO        140      944     6      0
# 10  2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD        138      733     6      0
# # ... with 336,766 more rows, and 1 more variable: time_hour <dttm>

# 使用desc函數(shù)進(jìn)行降序排列
arrange(flights,desc(month))
# # A tibble: 336,776 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl>
#   1  2013    12     1       13           2359        14      446            445         1 B6         745 N715JB  JFK    PSE        195     1617    23     59
# 2  2013    12     1       17           2359        18      443            437         6 B6         839 N593JB  JFK    BQN        186     1576    23     59
# 3  2013    12     1      453            500        -7      636            651       -15 US        1895 N197UW  EWR    CLT         86      529     5      0
# 4  2013    12     1      520            515         5      749            808       -19 UA        1487 N69804  EWR    IAH        193     1400     5     15
# 5  2013    12     1      536            540        -4      845            850        -5 AA        2243 N634AA  JFK    MIA        144     1089     5     40
# 6  2013    12     1      540            550       -10     1005           1027       -22 B6         939 N821JB  JFK    BQN        189     1576     5     50
# 7  2013    12     1      541            545        -4      734            755       -21 EV        3819 N13968  EWR    CVG         95      569     5     45
# 8  2013    12     1      546            545         1      826            835        -9 UA        1441 N23708  LGA    IAH        204     1416     5     45
# 9  2013    12     1      549            600       -11      648            659       -11 US        2167 N945UW  LGA    DCA         42      214     6      0
# 10  2013    12     1      550            600       -10      825            854       -29 B6         605 N706JB  EWR    FLL        140     1065     6      0
# # ... with 336,766 more rows, and 1 more variable: time_hour <dttm>

# df <- tibble(y=c(1,NA,2))
# 重新排序時损搬，NA總是排在最后
arrange(df,y)
# # A tibble: 3 x 1
#       y
#     <dbl>
# 1     1
# 2     2
# 3    NA

# 對y進(jìn)行降序
arrange(df,desc(y))
# # A tibble: 3 x 1
#       y
#     <dbl>
# 1     2
# 2     1
# 3    NA
2.3 select() 選擇特定的列
# 按名稱選擇列year碧库，month柜与，day
select(flights,year,month,day)
# # A tibble: 336,776 x 3
# year month   day
# <int> <int> <int>
#   1  2013     1     1
# 2  2013     1     1
# 3  2013     1     1
# 4  2013     1     1
# 5  2013     1     1
# 6  2013     1     1
# 7  2013     1     1
# 8  2013     1     1
# 9  2013     1     1
# 10  2013     1     1
# # ... with 336,766 more rows

# 選擇在year:day之間的所有列
select(flights,year:day)
# # A tibble: 336,776 x 3
# year month   day
# <int> <int> <int>
#   1  2013     1     1
# 2  2013     1     1
# 3  2013     1     1
# 4  2013     1     1
# 5  2013     1     1
# 6  2013     1     1
# 7  2013     1     1
# 8  2013     1     1
# 9  2013     1     1
# 10  2013     1     1
# # ... with 336,766 more rows

# 選擇不在year:day之間的所有列
select(flights,-(year:day))
# # A tibble: 336,776 x 16
# dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute time_hour          
# <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl> <dttm>             
#   1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH        227     1400     5     15 2013-01-01 05:00:00
# 2      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH        227     1416     5     29 2013-01-01 05:00:00
# 3      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA        160     1089     5     40 2013-01-01 05:00:00
# 4      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN        183     1576     5     45 2013-01-01 05:00:00
# 5      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL        116      762     6      0 2013-01-01 06:00:00
# 6      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD        150      719     5     58 2013-01-01 05:00:00
# 7      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL        158     1065     6      0 2013-01-01 06:00:00
# 8      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD         53      229     6      0 2013-01-01 06:00:00
# 9      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO        140      944     6      0 2013-01-01 06:00:00
# 10      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD        138      733     6      0 2013-01-01 06:00:00
# # ... with 336,766 more rows

select()函數(shù)可以搭配使用一些輔助函數(shù)：

  • starts_with(“abc”)：匹配以abc開頭的名稱
  • end_with(abc")：匹配以abc結(jié)尾的名稱
  • contains(“xyz”)：匹配含xyz的名稱
  • matches(“”)
  • num_range(“x”，1：3)：匹配x1嵌灰，x2弄匕，x3

# 使用select()函數(shù)的變種rename()進(jìn)行重命名
rename(flights,YEAR=year)
# # A tibble: 336,776 x 19
# YEAR month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute
#   n<int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl>
# 1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH        227     1400     5     15
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH        227     1416     5     29
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA        160     1089     5     40
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN        183     1576     5     45
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL        116      762     6      0
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD        150      719     5     58
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL        158     1065     6      0
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD         53      229     6      0
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO        140      944     6      0
# 10 2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD        138      733     6      0
# # ... with 336,766 more rows, and 1 more variable: time_hour <dttm>


# select()與everything()連用可以將某幾列移到數(shù)據(jù)庫的開頭
select(flights,day,dep_time,everything())
# # A tibble: 336,776 x 19
# day dep_time  year month sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest  air_time distance  hour minute
#    <int>    <int> <int> <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>    <dbl>    <dbl> <dbl>  <dbl>
# 1     1      517  2013     1            515         2      830            819        11 UA        1545 N14228  EWR    IAH        227     1400     5     15
# 2     1      533  2013     1            529         4      850            830        20 UA        1714 N24211  LGA    IAH        227     1416     5     29
# 3     1      542  2013     1            540         2      923            850        33 AA        1141 N619AA  JFK    MIA        160     1089     5     40
# 4     1      544  2013     1            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN        183     1576     5     45
# 5     1      554  2013     1            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL        116      762     6      0
# 6     1      554  2013     1            558        -4      740            728        12 UA        1696 N39463  EWR    ORD        150      719     5     58
# 7     1      555  2013     1            600        -5      913            854        19 B6         507 N516JB  EWR    FLL        158     1065     6      0
# 8     1      557  2013     1            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD         53      229     6      0
# 9     1      557  2013     1            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO        140      944     6      0
# 10    1      558  2013     1            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD        138      733     6      0
# # ... with 336,766 more rows, and 1 more variable: time_hour <dttm>
2.4 mutate() 添加新變量

除了篩選現(xiàn)有的列，我們還需要添加新列
mutate()總是將新列添加在數(shù)據(jù)框最后

(flights_sml <- select(flights,year:day,ends_with("delay"),distance,air_time))
# # A tibble: 336,776 x 7
# year month   day dep_delay arr_delay distance air_time
#   <int>   <int>  <int>    <dbl>    <dbl>    <dbl>    <dbl>
# 1  2013     1     1         2        11     1400      227
# 2  2013     1     1         4        20     1416      227
# 3  2013     1     1         2        33     1089      160
# 4  2013     1     1        -1       -18     1576      183
# 5  2013     1     1        -6       -25      762      116
# 6  2013     1     1        -4        12      719      150
# 7  2013     1     1        -5        19     1065      158
# 8  2013     1     1        -3       -14      229       53
# 9  2013     1     1        -3        -8      944      140
# 10 2013     1     1        -2         8      733      138
# # ... with 336,766 more rows

mutate(flights_sml,gain=arr_delay-dep_delay,speed=distance/air_time*60)
# # A tibble: 336,776 x 9
# year month   day dep_delay arr_delay distance air_time  gain speed
#   <int>  <int>  <int>     <dbl>    <dbl>    <dbl>    <dbl> <dbl> <dbl>
# 1  2013     1     1         2        11     1400      227     9  370.
# 2  2013     1     1         4        20     1416      227    16  374.
# 3  2013     1     1         2        33     1089      160    31  408.
# 4  2013     1     1        -1       -18     1576      183   -17  517.
# 5  2013     1     1        -6       -25      762      116   -19  394.
# 6  2013     1     1        -4        12      719      150    16  288.
# 7  2013     1     1        -5        19     1065      158    24  404.
# 8  2013     1     1        -3       -14      229       53   -11  259.
# 9  2013     1     1        -3        -8      944      140    -5  405.
# 10 2013     1     1        -2         8      733      138    10  319.
# # ... with 336,766 more rows

# 如果只想保留新變量沽瞭，可以使用transmute()
transmute(flights,gain=arr_delay - dep_delay,hours=air_time/60,gain_per_hour=gain/hours)
# # A tibble: 336,776 x 3
# gain hours gain_per_hour
#   <dbl> <dbl>         <dbl>
# 1     9 3.78           2.38
# 2    16 3.78           4.23
# 3    31 2.67          11.6 
# 4   -17 3.05          -5.57
# 5   -19 1.93          -9.83
# 6    16 2.5            6.4 
# 7    24 2.63           9.11
# 8   -11 0.883        -12.5 
# 9    -5 2.33          -2.14
# 10   10 2.3            4.35
# # ... with 336,766 more rows
2.4.1 常用創(chuàng)建函數(shù)

創(chuàng)建新變量的多種函數(shù)可以同mutate()一同使用迁匠，需要注意的是，這種函數(shù)必須是向量化的驹溃，也即必須要接收一個向量的輸入城丧，并返回一個向量作為輸出，而且輸入與輸出具有同樣數(shù)目的分量

  • 算術(shù)運(yùn)算符
    +,-,*,/,^

  • 模運(yùn)算符
    %/% 整數(shù)除法
    %% 求余

10%/%3
# [1] 3
10%%3
# [1] 1

  • 對數(shù)函數(shù)
    在處理的數(shù)據(jù)橫跨多個數(shù)量級的時候豌鹤，對數(shù)轉(zhuǎn)換是一種特別有用的轉(zhuǎn)換方式
    log()
    log2()
    log10()

  • 偏移函數(shù)
    lead() 返回一個序列的領(lǐng)先值
    lag() 返回一個序列的滯后值

lead(seq(1:20))
 [1]  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 NA
lead(seq(1:20),3)
 [1]  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 NA NA NA

lag(seq(1:20))
 [1] NA  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19
lag(seq(1:20),3)
 [1] NA NA NA  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17
  • 累加及滾動聚合
    cumsum 累加和
    cumprod 累加積
    cummin 累加最小值
    cummax 累加最大值
    cummean 累加均值
cumsum(seq(1:10))
# [1]  1  3  6 10 15 21 28 36 45 55
cumprod(seq(1:5))
# [1]   1   2   6  24 120
cummean(seq(1:5))
# [1] 1.0 1.5 2.0 2.5 3.0

  • 邏輯比較
    <,<=,>,>=,==,!=

  • 排秩
    min_rank()

z <- c(1,2,2,NA,3,4)
min_rank(z)
# [1]  1  2  2 NA  4  5
min_rank(desc(z))
# [1]  5  3  3 NA  2  1
2.5 group_by(),summarize() 分組

summarize()必須要與group_by()函數(shù)一起使用

summarise(flights,delay=mean(dep_delay, na.rm = T))
# A tibble: 1 x 1
#   delay
#   <dbl>
# 1  12.6

by.day <- group_by(flights,year,month,day)
summarise(by.day,delay=mean(dep_delay,na.rm = T))
`summarise()` regrouping output by 'year', 'month' (override with `.groups` argument)
# # A tibble: 365 x 4
# # Groups:   year, month [12]
#   year   month   day delay
#   <int>   <int> <int> <dbl>
# 1  2013     1     1 11.5 
# 2  2013     1     2 13.9 
# 3  2013     1     3 11.0 
# 4  2013     1     4  8.95
# 5  2013     1     5  5.73
# 6  2013     1     6  7.15
# 7  2013     1     7  5.42
# 8  2013     1     8  2.55
# 9  2013     1     9  2.28
# 10 2013     1    10  2.84
# # ... with 355 more rows
2.6 %>% 管道符
2.6.1 用法：

x %>% f(y) == f(x,y)
x %>% f(y) %>% g(z) == g(f(x,y),z)

使用管道符亡哄，可以更清晰的看到數(shù)據(jù)的轉(zhuǎn)換過程，使得代碼具有更好的可讀性布疙，可以將%>%讀作“然后”

by.dest <- group_by(flights,dest)
delay <- summarise(by.dest,count=n(),dist=mean(distance,na.rm = T),delay=mean(arr_delay,na.rm = T))
(delay <- filter(delay,count>20,dest != "HNL"))
# # A tibble: 96 x 4
#   dest  count  dist delay
#   <chr> <int> <dbl> <dbl>
# 1 ABQ     254 1826   4.38
# 2 ACK     265  199   4.85
# 3 ALB     439  143  14.4 
# 4 ATL   17215  757. 11.3 
# 5 AUS    2439 1514.  6.02
# 6 AVL     275  584.  8.00
# 7 BDL     443  116   7.05
# 8 BGR     375  378   8.03
# 9 BHM     297  866. 16.9 
# 10 BNA    6333  758. 11.8 
# # ... with 86 more rows

# 下述兩種方式磺平，可以與以上輸出得到相同的結(jié)果
by.dest <- group_by(flights,dest) %>%
  summarise(count=n(),dist=mean(distance,na.rm = T),delay=mean(arr_delay,na.rm = T)) %>%
  filter(count>20,dest != "HNL"))

# 將代碼()擴(kuò)出來，可以同時完成賦值及輸出
（# 賦值
by.dest <- flights %>%
# 然后分組
group_by(dest) %>%
#然后統(tǒng)計拐辽，輸出 
summarise(count=n(),dist=mean(distance,na.rm = T),delay=mean(arr_delay,na.rm = T)) %>%
  filter(count>20,dest != "HNL") )
2.6.2 缺失值
(
flights %>%
  group_by(year,month,day) %>%
  summarise(mean=mean(dep_delay))
  )            
# # A tibble: 365 x 4
# # Groups:   year, month [12]
# year month   day  mean
# <int> <int> <int> <dbl>
#   1  2013     1     1    NA
# 2  2013     1     2    NA
# 3  2013     1     3    NA
# 4  2013     1     4    NA
# 5  2013     1     5    NA
# 6  2013     1     6    NA
# 7  2013     1     7    NA
# 8  2013     1     8    NA
# 9  2013     1     9    NA
# 10  2013     1    10    NA
# # ... with 355 more rows

# 聚合函數(shù)在使用的時候：如果輸入值為NA，那么輸出值也是NA
# 通過設(shè)置na.rm = T擦酌，可以在計算前出去缺失值NA
(
  flights %>%
    group_by(year,month,day) %>%
    summarise(mean=mean(dep_delay,na.rm = T))
  )  
# # A tibble: 365 x 4
# # Groups:   year, month [12]
# year month   day  mean
# <int> <int> <int> <dbl>
#   1  2013     1     1 11.5 
# 2  2013     1     2 13.9 
# 3  2013     1     3 11.0 
# 4  2013     1     4  8.95
# 5  2013     1     5  5.73
# 6  2013     1     6  7.15
# 7  2013     1     7  5.42
# 8  2013     1     8  2.55
# 9  2013     1     9  2.28
# 10  2013     1    10  2.84
# # ... with 355 more rows

# 本例中俱诸，缺失值NA表示取消的航班，所以我們可以通過先去除取消的航班來解決缺失值問題

not_cancelled <- flights %>%
  filter(!is.na(dep_delay),!is.na(arr_delay)) 
not_cancelled %>%
    group_by(year,month,day) %>%
    summarise(mean=mean(dep_delay))

# # A tibble: 365 x 4
# # Groups:   year, month [12]
#   year month   day  mean
#   <int> <int> <int> <dbl>
# 1  2013     1     1 11.4 
# 2  2013     1     2 13.7 
# 3  2013     1     3 10.9 
# 4  2013     1     4  8.97
# 5  2013     1     5  5.73
# 6  2013     1     6  7.15
# 7  2013     1     7  5.42
# 8  2013     1     8  2.56
# 9  2013     1     9  2.30
# 10  2013     1    10  2.84
# # ... with 355 more rows
2.6.3 計數(shù)n()

聚合函數(shù)操作中包括一個計數(shù)n() 或者非缺失值的計數(shù)sum(!is.na())赊舶，可以幫助我們檢查是否基于非常少量的數(shù)據(jù)做出結(jié)論

 delays <- not_cancelled %>%
      group_by(tailnum) %>%
      summarise(delay=mean(arr_delay))
    ggplot(delays,aes(x=delay)) + geom_freqpoly(binwidth=10)
image.png
    delays <- not_cancelled %>%
      group_by(tailnum) %>%
      summarise(delay=mean(arr_delay,na.rm = T),n=n())
    ggplot(delays,aes(x=n,y=delay)) + geom_point(alpha=1/10)
image.png
  • 將ggplot2集成到dplyr工作流
delays %>%
  filter(n<600 & n>20) %>%
  ggplot(aes(x=n,y=delay)) + geom_point(alpha=1/10)

delays %>%
  filter(!(n>600|n<20)) %>%
  ggplot(aes(x=n,y=delay)) + geom_point(alpha=1/10)

delays %>%
filter(n<=600,n>=20) %>%
  ggplot(aes(x=n,y=delay)) + geom_point(alpha=1/10)
image.png
ctrl+shift+P可以將上一次發(fā)送至控制臺的代碼段重新發(fā)送一次睁搭，在本實(shí)驗(yàn)中，可以用于多次修改n值后笼平，查看輸出的圖形
2.7 常用的摘要函數(shù)

只是使用均值园骆，計數(shù)和求和是遠(yuǎn)遠(yuǎn)不夠的

2.7.1 位置度量 median(x)

mean(x)：均值
median(x)：中位數(shù)，指的是50%的數(shù)會大于x寓调，50%的數(shù)會小于x

not_cancelled  %>%
  group_by(year,month,day) %>%
  summarise(
    ave_delay1=mean(arr_delay),
    ave_delay2=mean(arr_delay[arr_delay>0])
  )
  # # A tibble: 365 x 5
  # # Groups:   year, month [12]
  # year month   day ave_delay1 ave_delay2
  # <int> <int> <int>      <dbl>      <dbl>
  #   1  2013     1     1     12.7         32.5
  # 2  2013     1     2     12.7         32.0
  # 3  2013     1     3      5.73        27.7
  # 4  2013     1     4     -1.93        28.3
  # 5  2013     1     5     -1.53        22.6
  # 6  2013     1     6      4.24        24.4
  # 7  2013     1     7     -4.95        27.8
  # 8  2013     1     8     -3.23        20.8
  # 9  2013     1     9     -0.264       25.6
  # 10  2013     1    10     -5.90        27.3
  # # ... with 355 more rows
2.7.2 分散程度度量 sd(x), IQR(x), mad(x)

sd(x) 標(biāo)準(zhǔn)誤差
IQR(x) 四分位距
mad(x) 絕對中位差

not_cancelled  %>%
  group_by(dest) %>%
  summarise(
    sd=sd(distance),
    IQR=IQR(distance),
    mad=mad(distance)
  ) %>%
arrange(desc(sd))  
   
# # A tibble: 104 x 4
#   dest     sd   IQR   mad
#   <chr> <dbl> <dbl> <dbl>
# 1 EGE   10.5     21  1.48
# 2 SAN   10.4     21  0   
# 3 SFO   10.2     21  0   
# 4 HNL   10.0     20  0   
# 5 SEA    9.98    20  0   
# 6 LAS    9.91    21  0   
# 7 PDX    9.87    20  0   
# 8 PHX    9.86    20  0   
# 9 LAX    9.66    21  0   
# 10 IND    9.46    20  0
2.7.3 秩的度量 min(x), quantitle(x,0.25), max(x)
not_cancelled  %>%
  group_by(year,month,day) %>%
  summarise(
    first=min(dep_time),
    last=max(dep_time)
  ) 
# # A tibble: 365 x 5
# # Groups:   year, month [12]
#   year month   day first  last
#   <int> <int> <int> <int> <int>
# 1  2013     1     1   517  2356
# 2  2013     1     2    42  2354
# 3  2013     1     3    32  2349
# 4  2013     1     4    25  2358
# 5  2013     1     5    14  2357
# 6  2013     1     6    16  2355
# 7  2013     1     7    49  2359
# 8  2013     1     8   454  2351
# 9  2013     1     9     2  2252
# 10  2013     1    10     3  2320
# # ... with 355 more rows
2.7.4 定位度量 first(x), nth(x), last(x)
not_cancelled  %>%
  group_by(year,month,day) %>%
  summarise(
    first=first(dep_time),
    nth=nth(dep_time,1),
    last=last(dep_time)
  )

# # A tibble: 365 x 6
# # Groups:   year, month [12]
#   year month   day first   nth  last
#   <int> <int> <int> <int> <int> <int>
# 1  2013     1     1   517   517  2356
# 2  2013     1     2    42    42  2354
# 3  2013     1     3    32    32  2349
# 4  2013     1     4    25    25  2358
# 5  2013     1     5    14    14  2357
# 6  2013     1     6    16    16  2355
# 7  2013     1     7    49    49  2359
# 8  2013     1     8   454   454  2351
# 9  2013     1     9     2     2  2252
# 10  2013     1    10     3     3  2320
# # ... with 355 more rows
2.7.5 計數(shù) n()
  • sum(!is.na(x)) 計算非缺失值的數(shù)目
  • n_distinct(x)
  • count()
not_cancelled  %>%
  group_by(dest) %>%
  summarise(
    carrier.na = sum(!is.na(carrier)),
    carriers = n_distinct(carrier),
    )
# # A tibble: 104 x 3
#   dest  carrier.na carriers
#   <chr>      <int>    <int>
# 1 ABQ          254        1
# 2 ACK          264        1
# 3 ALB          418        1
# 4 ANC            8        1
# 5 ATL        16837        7
# 6 AUS         2411        6
# 7 AVL          261        2
# 8 BDL          412        2
# 9 BGR          358        1
# 10 BHM          269        1
# # ... with 94 more rows  

not_cancelled  %>%
  count(dest) 
# # A tibble: 104 x 2
#   dest      n
#   <chr> <int>
# 1 ABQ     254
# 2 ACK     264
# 3 ALB     418
# 4 ANC       8
# 5 ATL   16837
# 6 AUS    2411
# 7 AVL     261
# 8 BDL     412
# 9 BGR     358
# 10 BHM     269
# # ... with 94 more rows

not_cancelled  %>%
  count(tailnum,wt=distance)
# # A tibble: 4,037 x 2
#   tailnum      n
#   <chr>    <dbl>
# 1 D942DN    3418
# 2 N0EGMQ  239143
# 3 N10156  109664
# 4 N102UW   25722
# 5 N103US   24619
# 6 N104UW   24616
# 7 N10575  139903
# 8 N105UW   23618
# 9 N107US   21677
# 10 N108UW   32070

邏輯值的計數(shù)及比例

  • sum(x>10)
  • mean(y==0)
not_cancelled  %>%
  group_by(year,month,day) %>%
  summarise(n_early = sum(dep_time<500),
            hour_perc=mean(arr_delay>60))
# # A tibble: 365 x 5
# # Groups:   year, month [12]
#   year  month   day n_early hour_perc
#   <int> <int> <int>   <int>     <dbl>
# 1  2013     1     1       0    0.0722
# 2  2013     1     2       3    0.0851
# 3  2013     1     3       4    0.0567
# 4  2013     1     4       3    0.0396
# 5  2013     1     5       3    0.0349
# 6  2013     1     6       2    0.0470
# 7  2013     1     7       2    0.0333
# 8  2013     1     8       1    0.0213
# 9  2013     1     9       3    0.0202
# 10  2013     1    10       3    0.0183
# # ... with 355 more rows
2.8 按多個變量分組

當(dāng)使用多個變量進(jìn)行分組時锌唾，每次的摘要統(tǒng)計會用掉一個分組變量，后面的變量會在前面變量的基礎(chǔ)上循序漸進(jìn)

(daily <- group_by(flights,year,month,day))
# # A tibble: 336,776 x 19
# # Groups:   year, month, day [365]
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
#   1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH  
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH  
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA  
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN  
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL  
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD  
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL  
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD  
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO  
# 10  2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD  
# # ... with 336,766 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
# #   time_hour <dttm>



# 取消分組
daily %>%  ungroup()
# # A tibble: 336,776 x 19
# year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
# <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
#   1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH  
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH  
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA  
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN  
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL  
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD  
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL  
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD  
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO  
# 10  2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD  
# # ... with 336,766 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
# #   time_hour <dttm>
2.9 分組新變量

group()可以與mutate(),filter(),select(),arrange()等函數(shù)一起使用

flights %>%
  group_by(year,month,day) %>%
  filter(rank(desc(arr_delay))<=10)
# # A tibble: 3,609 x 19
# # Groups:   year, month, day [365]
#   year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
#   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
# 1  2013     1     1      848           1835       853     1001           1950       851 MQ        3944 N942MQ  JFK    BWI  
# 2  2013     1     1     1815           1325       290     2120           1542       338 EV        4417 N17185  EWR    OMA  
# 3  2013     1     1     1842           1422       260     1958           1535       263 EV        4633 N18120  EWR    BTV  
# 4  2013     1     1     1938           1703       155     2109           1823       166 EV        4300 N18557  EWR    RIC  
# 5  2013     1     1     1942           1705       157     2124           1830       174 MQ        4410 N835MQ  JFK    DCA  
# 6  2013     1     1     2006           1630       216     2230           1848       222 EV        4644 N14972  EWR    SAV  
# 7  2013     1     1     2115           1700       255     2330           1920       250 9E        3347 N924XJ  JFK    CVG  
# 8  2013     1     1     2205           1720       285       46           2040       246 AA        1999 N5DNAA  EWR    MIA  
# 9  2013     1     1     2312           2000       192       21           2110       191 EV        4312 N13958  EWR    DCA  
# 10  2013     1     1     2343           1724       379      314           1938       456 EV        4321 N21197  EWR    MCI  
# # ... with 3,599 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>




flights %>%
  group_by(dest) %>%
  filter(n()>365)
# # A tibble: 332,577 x 19
# # Groups:   dest [77]
#   year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest 
#   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>    <int> <chr>   <chr>  <chr>
# 1  2013     1     1      517            515         2      830            819        11 UA        1545 N14228  EWR    IAH  
# 2  2013     1     1      533            529         4      850            830        20 UA        1714 N24211  LGA    IAH  
# 3  2013     1     1      542            540         2      923            850        33 AA        1141 N619AA  JFK    MIA  
# 4  2013     1     1      544            545        -1     1004           1022       -18 B6         725 N804JB  JFK    BQN  
# 5  2013     1     1      554            600        -6      812            837       -25 DL         461 N668DN  LGA    ATL  
# 6  2013     1     1      554            558        -4      740            728        12 UA        1696 N39463  EWR    ORD  
# 7  2013     1     1      555            600        -5      913            854        19 B6         507 N516JB  EWR    FLL  
# 8  2013     1     1      557            600        -3      709            723       -14 EV        5708 N829AS  LGA    IAD  
# 9  2013     1     1      557            600        -3      838            846        -8 B6          79 N593JB  JFK    MCO  
# 10  2013     1     1      558            600        -2      753            745         8 AA         301 N3ALAA  LGA    ORD  
# # ... with 332,567 more rows, and 5 more variables: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
# #   time_hour <dttm>

Reference

R數(shù)據(jù)科學(xué)夺英，哈德利·威克姆晌涕，加勒特·格羅勒芒德等 著

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 人面猴
    序言：七十年代末，一起剝皮案震驚了整個濱河市痛悯，隨后出現(xiàn)的幾起案子余黎，更是在濱河造成了極大的恐慌，老刑警劉巖载萌，帶你破解...
    沈念sama閱讀 206,126評論 6贊 481
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件惧财，死亡現(xiàn)場離奇詭異巡扇，居然都是意外死亡，警方通過查閱死者的電腦和手機(jī)垮衷，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,254評論 2贊 382
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門厅翔，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人帘靡，你說我怎么就攤上這事知给。” “怎么了描姚？”我有些...
    開封第一講書人閱讀 152,445評論 0贊 341
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵涩赢，是天一觀的道長。 經(jīng)常有香客問我轩勘，道長筒扒，這世上最難降的妖魔是什么？ 我笑而不...
    開封第一講書人閱讀 55,185評論 1贊 278
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任绊寻，我火速辦了婚禮花墩，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘澄步。我一直安慰自己冰蘑，他們只是感情好，可當(dāng)我...
    茶點(diǎn)故事閱讀 64,178評論 5贊 371
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布村缸。 她就那樣靜靜地躺著祠肥，像睡著了一般。 火紅的嫁衣襯著肌膚如雪梯皿。 梳的紋絲不亂的頭發(fā)上仇箱，一...
    開封第一講書人閱讀 48,970評論 1贊 284
  • 城市分裂傳說
    那天，我揣著相機(jī)與錄音东羹，去河邊找鬼剂桥。 笑死，一個胖子當(dāng)著我的面吹牛属提，可吹牛的內(nèi)容都是我干的权逗。 我是一名探鬼主播，決...
    沈念sama閱讀 38,276評論 3贊 399
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼冤议，長吁一口氣：“原來是場噩夢啊……” “哼旬迹！你這毒婦竟也來了？” 一聲冷哼從身側(cè)響起求类，我...
    開封第一講書人閱讀 36,927評論 0贊 259
  • 萬榮殺人案實(shí)錄
    序言：老撾萬榮一對情侶失蹤奔垦，失蹤者是張志新（化名）和其女友劉穎，沒想到半個月后尸疆，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體椿猎，經(jīng)...
    沈念sama閱讀 43,400評論 1贊 300
  • ?護(hù)林員之死
    正文 獨(dú)居荒郊野嶺守林人離奇死亡惶岭，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 35,883評論 2贊 323
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年，在試婚紗的時候發(fā)現(xiàn)自己被綠了犯眠。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片按灶。...
    茶點(diǎn)故事閱讀 37,997評論 1贊 333
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖筐咧，靈堂內(nèi)的尸體忽然破棺而出鸯旁，到底是詐尸還是另有隱情，我是刑警寧澤量蕊，帶...
    沈念sama閱讀 33,646評論 4贊 322
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布铺罢，位于F島的核電站，受9級特大地震影響残炮，放射性物質(zhì)發(fā)生泄漏韭赘。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,213評論 3贊 307
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一势就、第九天 我趴在偏房一處隱蔽的房頂上張望泉瞻。 院中可真熱鬧，春花似錦苞冯、人聲如沸袖牙。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,204評論 0贊 19
  • 一樁弒父案舅锄，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽鞭达。三九已至，卻和暖如春巧娱，著一層夾襖步出監(jiān)牢的瞬間，已是汗流浹背烘贴。 一陣腳步聲響...
    開封第一講書人閱讀 31,423評論 1贊 260
  • 情欲美人皮
    我被黑心中介騙來泰國打工禁添， 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留，地道東北人桨踪。 一個月前我還...
    沈念sama閱讀 45,423評論 2贊 352
  • 代替公主和親
    正文 我出身青樓老翘，卻偏偏與公主長得像，于是被迫代替她去往敵國和親锻离。 傳聞我的和親對象是個殘疾皇子铺峭，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,722評論 2贊 345