R语言：数据变换和重塑
数据分析的工作，80%的时间耗费在处理数据上，而数据处理的主要过程可以分为：分离-操作-结合（Split-Apply-Combine），也就是说，首先，把数据根据特定的字段分组，每个分组都是独立的；然后，对每个分组按照业务需求执行转换；最后，把转换后的结果组合在一起。在数据处理中，经常需要循环访问数据，R语言是矢量化的，天生具有处理循环操作的优势。
一，简单的数据变换
在研究数据时，有时需要对数据按照特定的字段进行分组，然后统计各个分组的数据，这就是SQL语法中的分组-聚合操作，使用aggregate()函数对数据进行简单的数据处理。
aggregate()函数用于把数据分离为单独的子集，为每一个子集计算聚合值，然后把聚合值结合（combine）在一起返回。
aggregate(formula, data, FUN, ...,subset, na.action = na.omit)
参数注释：
formula：指定formula对象，包括符号“ ~”，以及在符号“~”两侧的变量，左侧代表要计算聚合值的变量（聚合变量），右侧代表分组的变量，例如，price~cut，函数依据分组变量，把数据分离为多个单独的子集。
data：指定操作的数据框；
FUN：该参数用于指定函数，该函数应用在符号“~”左侧的变量；
...：指定传递给FUN函数的其他参数；
subset：向量类型，可选参数，用于指定data的观测子集；
na.action: 如何处理缺失值，默认为忽略NA。如果不选择na.omit，则需指定函数去处理NA。
1，加载示例数据
使用ggplot2包中的diamonds数据集做为示例数据
> install.packages('ggplot2')> library(ggplot2)> data("diamonds")data()函数的作用是加载指定的数据集，本例将加载ggplot2包中的diamonds数据集，这个数据集在下文直接引用。
2，单个分组变量
使用aggregate() 函数操作diamonds数据集，按照cut字段分组，函数mean的作用是为每个分组计算prince的平均值：
> aggregate(price~cut,diamonds,mean)
3，多个分组变量
aggregate()函数能够添加多个分组变量，只需要在formula右侧添加变量，并用加号“+”隔离：
> aggregate(price~cut+color,diamonds,mean) cut color price1 Fair D 4291.0612 Good D 3405.3823 Very Good D 3470.467....
4，多个聚合变量
aggregate()函数能够添加多个聚合变量，只需要在formula左侧，使用函数cbind()把两个变量组合起来：
> aggregate(cbind(price,carat)~cut,diamonds,mean) cut price carat1 Fair 4358.758 1.04613662 Good 3928.864 0.84918473 Very Good 3981.760 0.80638144 Premium 4584.258 0.89195495 Ideal 3457.542 0.7028370
5，多个分组变量和多个聚合变量
aggregate()函数能够formular对象的两侧分别添加多个变量，按照多个分组变量和多个聚合变量执行聚合运算
> aggregate(cbind(price,carat)~cut+color,diamonds,mean) cut color price carat1 Fair D 4291.061 0.92012272 Good D 3405.382 0.7445166....
二，数据变换（dplyr包）
dplyr包提供灵活的数据操作，用于对数据框执行转化和重塑，这个包是plyr包的升级版本，侧重于处理数据框对象，因此其名字带d（data frame）,dplyr包是R开发人员必学必会的包。
dplyr包有三个主要的目标：
更加灵活和简单地处理数据框；
使用内存，提高数据处理的性能；
使用相同的接口处理数据，无论数据存储在何处，无论是在数据框中，数据表或数据库。
1，tlb类型dplyr包不是默认安装的包，在使用之前，需要使用以下命令安装和引用dplyr包：
install.packages("dplyr")library(dplyr)dplyr包只能用于tibble（简称tbl）类型的对象，tibble 类型是dplyr包特有的对象类型（data frame tbl / tbl_df）。在利用dplyr包处理数据之前，建议把数据框装载成tibble类型，可以调用 tbl_df()函数把数据框类型转化成 tibble 类型的数据对象：
> df <- tbl_df(diamonds)
2，投影函数（select）
从tbl对象中，选择特定的数据列显示，select()函数的第一个参数是tibble对象，后续的参数是tbl对象中的变量名：
> select(df,carat,cut,color)
2，筛选函数（filter）
从tbl对象中，按照特定的条件过滤数据：
> filter(df,color=='E')
3，转换函数（mutate）
根据tbl对象中的数据，应用指定的公式，派生新的数据列，或重写已经存在的数据列：
> mutate(df,avg_ct=price/carat)
4，汇总函数（summarize）
对tbl对象执行聚合运算，如果tbl对象已经被分组，那么单独对每个分组进行聚合运算：
> summarize(df,avg_prince=mean(price),avg_ct=mean(carat))
5，分组函数（group_by）和移除分组(ungroup)
使用group_by()函数对tbl对象执行分组，被分组之后，tbl对象处于分组状态，可以使用ungroup函数，移除tbl对象的分组状态。
group_by(df,color)
6，排序函数（arrange）
arrange()函数对tbl变量进行排序，默认是按照字段的升序值排序，使用desc(field)，可以按照字段的降序值排序：
> arrange(df,color)
7，管道操作符（%>%）
管道操作符（%>%）用于把前一步操作的结果集（变量类型是tbl）传递到给函数的第一个参数中，同时函数的第一个参数可以省略，例如：
> df %>% group_by(color) %>% summarize(mean(price))# A tibble: 7 x 2 color `mean(price)` <ord> <dbl>1 D 3169.9542 E 3076.7523 F 3724.8864 G 3999.1365 H 4486.6696 I 5091.8757 J 5323.818
8，连接操作（join）
dplyr包还提供了连接（join）操作，
inner_join(x, y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...)left_join(x, y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...)right_join(x, y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...)full_join(x, y, by = NULL, copy = FALSE, suffix = c(".x", ".y"), ...)semi_join(x, y, by = NULL, copy = FALSE, ...)anti_join(x, y, by = NULL, copy = FALSE, ...)
参数注释：
by：设置两个数据集用于匹配的字段名，默认使用全部的同名字段进行匹配，如果两个数据集需要匹配的字段名不同，可以直接用等号指定匹配的字段名，例如， by = c("a" = "b")，表示用x.a和y.b进行匹配。
copy：如果两个数据集来自不同的数据源，copy设置为TRUE时，会把数据集y的数据复制到数据集x中，出于性能上的考虑，需要谨慎设置copy参数为TRUE。
suffix：合并后的数据集中同名变量，会自动添加suffix中设置的后缀加以区分。
9，集合操作（set）
#取两个集合的交集intersect(x,y, ...)#取两个集合的并集，并进行去重union(x,y, ...)#取两个集合的并集，不去重union_all(x,y, ...)#取两个集合的差集setdiff(x,y, ...)#判断两个集合是否相等setequal(x, y, ...)
10，绑定操作
dplyr包提供了按行/列合并数据集的函数，合并的对象为数据框，也可以是能够转换为数据框的列表。按行合并函数bind_rows()通过列名进行匹配，不匹配的值使用NA替代，类似于base:: rbind()函数。按列合并函数bind_cols()通过行号匹配，因此合并的数据框必须有相同的行数，函数类似于base:: cbind()函数。原数据集行名称会被过滤掉。
#按行合并，.id添加新列用于指明合并后每条数据来自的源数据框bind_rows(...,.id = NULL)#按列合并bind_cols(...)#合并数据集combine(...)
11，排名操作
row_number(x)ntile(x, n)min_rank(x)dense_rank(x)percent_rank(x)cume_dist(x)
例如，对一个向量的元素进行排序：
x <- c(5, 1, 3, 2, 2, NA)row_number(x)
12，去重
对数据对象去重
distinct(data, ..., keep_all = FALSE)
参数注释：
data：tbl对象
... ：可选的变量，用于指定去重的变量，如果去重的变量不唯一，那么只保留第一个观测
keep_all：设置为TRUE时，所有的变量都保留到.data，如果...的组合不唯一，那么只保留第一行的观测的各个变量值
13，计数
统计数据集中无重复值的数量
n_distinct(..., na.rm = FALSE)
统计各个分组的观测数量，只能用于 summarise(), mutate() 和 filter() 中
n()carriers <- group_by(flights, carrier)summarise(carriers, n())mutate(carriers, n = n())filter(carriers, n() < 100)
三，数据重塑（reshape2包）
reshape2包用于实现对宽数据及长数据之间的相关转换，由于reshape2包不在R的默认安装包列表中，在第一次使用之前，需要安装和引用：
install.packages("reshape2")library(reshape2)大致说来，首先把数据融合（melt），以使每一行都有唯一的标识符-变量组合，然后把数据重塑（cast）为想要的任何形状。在重塑过程中，可以使用任何函数对数据进行整合。
创建示例数据，这种数据显示叫做数据的短格式：
> ID <- c(1,1,2,2)> Time <- c(1,2,1,2)> X1 <- c(5,3,6,2)> X2 <-c(6,5,1,4)> mydata <- data.frame(ID,Time,X1,X2)> mydata ID Time X1 X21 1 1 5 62 1 2 3 53 2 1 6 14 2 2 2 4
1，融合
数据集的融合使指把数据集重构为特定的格式：每个观测变量独占一行，每行都有唯一确定每个观测所需要的标识符变量：
> md <- melt(mydata, id=c("ID","Time"))> md ID Time variable value1 1 1 X1 52 1 2 X1 33 2 1 X1 64 2 2 X1 25 1 1 X2 66 1 2 X2 57 2 1 X2 18 2 2 X2 4
数据融合之后，变成所谓的长格式。
注意：必须指定唯一确定每个观测所需的变量（ID和Time），而表示观测变量名的变量（X1和X2）由程序自动创建，从结果中可以看出，函数自动创建了两个变量：variable和value
2，重塑
dcast()函数用于读取已融合的数据框（d是指data frame），并使用formula和用于整合数据的函数把数据集重塑，
dcast(data, formula, fun.aggregate = NULL, ..., margins = NULL, subset = NULL, fill = NULL, drop = TRUE, value.var = guess_value(data))
参数 formula用于指定输出的结果集格式，formula的格式是：
rowvar1 + rowvar2 +... ~ colvar1 + colvar2 +...
在该公式中，rowvar 定义了保留的变量名，以唯一确定各个观测；colvar定义了剔除的变量名，以确定各个变量（variable）的值。
例如，把数据的长格式转化为数据的短格式：
> dcast(md,ID+Time~variable) ID Time X1 X21 1 1 5 62 1 2 3 53 2 1 6 14 2 2 2 4
例如，把Time剔除，按照ID和variable来显示变量variable的值：
> dcast(md,ID+variable~Time) ID variable 1 21 1 X1 5 32 1 X2 6 53 2 X1 6 24 2 X2 1 4
例如，只保留ID，计算变量的平均值：
> dcast(md,ID~variable,mean) ID X1 X21 1 4 5.52 2 4 2.5
共同学习，写下你的评论
评论加载中...
作者其他优质文章
