R语言数据分析（四）
文章目录
- R语言数据分析（四）
- 前言
- 一、`dplyr`基础知识
- 二、行
-
- [2.1 `filter()`](#2.1
filter()) - [2.2 `arrange()`](#2.2
arrange()) - [2.3 `distinct()`](#2.3
distinct())
- [2.1 `filter()`](#2.1
- 三、列
-
- [3.1 `mutate()`](#3.1
mutate()) - [3.2 `select()`](#3.2
select()) - [3.3 `rename()`](#3.3
rename()) - [3.4 `relocate()`](#3.4
relocate())
- [3.1 `mutate()`](#3.1
- 四、组
-
- [4.1 `group_by()`](#4.1
group_by()) - [4.2 `summarize()`](#4.2
summarize()) - [4.3 `slice_`函数](#4.3
slice_函数) - [4.4 按照多个变量分组](#4.4 按照多个变量分组)
- [4.5 取消分组](#4.5 取消分组)
- [4.6 `.by`](#4.6
.by)
- [4.1 `group_by()`](#4.1
- 总结
前言
上一节我们学习了数据的可视化工具，但是对于数据很少能够直接拿到形式正确的数据。通常需要创建一些新变量或者对变量进行整合后使用。本节中将介绍这些用于数据转换的方法。我们使用的是dplyr包中的函数，它也是tidyverse包的成员之一。另外本节将使用到用做演示的数据来自nycflights13，请提前加载相关包。
r
library(nycflights13)
library(tidyverse)一、dplyr基础知识
这节将学习主要的dplyr函数，它们可以解决大多数数据操作。但他们有一些共同点：
-
第一个参数始终是数据框
-
后续参数通常使用变量名称（不带引号）来描述需要对哪些列进行操作
-
输出始终是新数据框
因为每个函数都具有其相应的功能，在解决复杂问题的时候有可能要组合多个函数，我们将使用管道来做到这一点。
R中的管道函数有两种：%>%和|>（%>%需要加载magrittr包，|>是R4.1版本以后加入的，Ctrl+Shift+M是管道函数的快捷键，可以在RStudio中进行设置默认管道函数）。
dplyr包中的函数操作的内容分为四类：行、列、组或表（rows ，columns ，groups ，tables）。
二、行
行操作最重要的函数是filter()，它用于更改行的内容而不更改其顺序。以及arrange()，它用于更改行的顺序而不更改行的内容。另外还有distinct()可以找到具有唯一值且不同的行，并且它也可以操作列。
2.1 filter()
filter()允许根据列保留行。第一个参数是数据框，第二个集后续参数是逻辑判断，值为true的才能保留行。
nycflights13::flights是一个tibble表格，它是tidyverse的一种特殊形式的数据框。其中的数据表示的是2013年从纽约市起飞的336776个航班信息。
r
flights
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>我们可以使用filter()找到所有晚点超过120分钟（两小时）的航班：
r
flights |>
filter(dep_delay > 120)
#> # A tibble: 9,723 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 848 1835 853 1001 1950
#> 2 2013 1 1 957 733 144 1056 853
#> 3 2013 1 1 1114 900 134 1447 1222
#> 4 2013 1 1 1540 1338 122 2020 1825
#> 5 2013 1 1 1815 1325 290 2120 1542
#> 6 2013 1 1 1842 1422 260 1958 1535
#> 7 2013 1 1 1856 1645 131 2212 2005
#> 8 2013 1 1 1934 1725 129 2126 1855
#> 9 2013 1 1 1938 1703 155 2109 1823
#> 10 2013 1 1 1942 1705 157 2124 1830
#> # ℹ 9,713 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>在之前介绍过的逻辑检验的内容都可以用在这里作为逻辑测试（详见R语言入门学习笔记（三））。
请注意，在运行fliter()时会执行过滤操作创建一个新的数据框，然后显示它，不会修改现有的flights数据集。如果要保存结果，需要结合赋值运算符。
2.2 arrange()
arrange()可以根据列的值来更改行的顺序。需要一个数据框和一组列名（或者更复杂的表达式）来进行排序。如果提供多个列名，则按每个附加列进行前后依次排序。
r
flights |>
arrange(year, month, day, dep_time)
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>另外，可以使用desc()使得排序顺序按降序进行：
r
flights |>
arrange(desc(dep_delay))
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 9 641 900 1301 1242 1530
#> 2 2013 6 15 1432 1935 1137 1607 2120
#> 3 2013 1 10 1121 1635 1126 1239 1810
#> 4 2013 9 20 1139 1845 1014 1457 2210
#> 5 2013 7 22 845 1600 1005 1044 1815
#> 6 2013 4 10 1100 1900 960 1342 2211
#> 7 2013 3 17 2321 810 911 135 1020
#> 8 2013 6 27 959 1900 899 1236 2226
#> 9 2013 7 22 2257 759 898 121 1026
#> 10 2013 12 5 756 1700 896 1058 2020
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>2.3 distinct()
distinct()用于查找数据集中的所有唯一值，往往是对行进行操作，但也可以提供列名：
r
# 移除重复的行
flights |>
distinct()
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>
flights |>
distinct(origin, dest)
#> # A tibble: 224 × 2
#> origin dest
#> <chr> <chr>
#> 1 EWR IAH
#> 2 LGA IAH
#> 3 JFK MIA
#> 4 JFK BQN
#> 5 LGA ATL
#> 6 EWR ORD
#> 7 EWR FLL
#> 8 LGA IAD
#> 9 JFK MCO
#> 10 LGA ORD
#> # ℹ 214 more rows如果想要在筛选时保留其他列，可以使用.keep_all = TRUE选项。
如果想要查询的是重复值出现的次数，可以使用count()函数，然后使用sort = TRUE参数按照降序排列它们。
r
flights |>
count(origin, dest, sort = TRUE)
#> # A tibble: 224 × 3
#> origin dest n
#> <chr> <chr> <int>
#> 1 JFK LAX 11262
#> 2 LGA ATL 10263
#> 3 LGA ORD 8857
#> 4 JFK SFO 8204
#> 5 LGA CLT 6168
#> 6 EWR ORD 6100
#> 7 JFK BOS 5898
#> 8 LGA MIA 5781
#> 9 JFK MCO 5464
#> 10 EWR BOS 5327
#> # ℹ 214 more rows三、列
四个重要的函数可以在不更改行的情况下改变列：mutate()创建派生自现有列的新列、select()更改现有的列，rename()该更现有列的名称、relocate()更改列的位置。
3.1 mutate()
mutate()是为数据框通过现有列添加新列的方法。
r
# 计算航班延误时长及每小时英里数
flights |>
mutate(
gain = dep_delay - arr_delay,
speed = distance / air_time * 60
)
#> # A tibble: 336,776 × 21
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 13 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>, gain <dbl>, speed <dbl>默认情况下，新列放在最右侧，可以通过.before = 1将变量添加到最左侧。.代表的是函数的意思，不是创建的新变量的名字，还可以通过.after = day参数将新列添加到day列的后面。
或者可以控制保留一定数量的列，可以通过.keep参数进行保留，最常用的是.keep = used，它用于保留mutate步骤中涉及的或创建的列。
r
flights |>
mutate(
gain = dep_delay - arr_delay,
hours = air_time / 60,
gain_per_hour = gain / hours,
.keep = "used"
)
#> # A tibble: 336,776 × 6
#> dep_delay arr_delay air_time gain hours gain_per_hour
#> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 2 11 227 -9 3.78 -2.38
#> 2 4 20 227 -16 3.78 -4.23
#> 3 2 33 160 -31 2.67 -11.6
#> 4 -1 -18 183 17 3.05 5.57
#> 5 -6 -25 116 19 1.93 9.83
#> 6 -4 12 150 -16 2.5 -6.4
#> 7 -5 19 158 -24 2.63 -9.11
#> 8 -3 -14 53 11 0.883 12.5
#> 9 -3 -8 140 5 2.33 2.14
#> 10 -2 8 138 -10 2.3 -4.35
#> # ℹ 336,766 more rows3.2 select()
一个数据集可能会有成百上千个变量，这种情况下，想要快速得到想要的列，可以使用select()基于变量名称放大其子集：
r
# 按名称选择列
flights |>
select(year, month, day)
flights |>
select(year:day)
flights |>
select(!year:day)
# 选择所有字符串列
flights |>
select(where(is.character))在select()可以使用许多辅助函数：
-
start_with("ab")：匹配以"AB"开头的名称 -
ends_with("yz")：匹配以"yz"结尾的名称 -
contains("lm")：匹配包含"lm"的名称 -
num_range("x", 1:3)：匹配x1，x2，x3
在后面学习了正则表达式之后，就可以用matches()来选择与模式匹配的变量了。
另外，还可以使用=给变量重命名（新名称 = 旧名称）：
r
flights |>
select(tail_num = tailnum)
#> # A tibble: 336,776 × 1
#> tail_num
#> <chr>
#> 1 N14228
#> 2 N24211
#> 3 N619AA
#> 4 N804JB
#> 5 N668DN
#> 6 N39463
#> 7 N516JB
#> 8 N829AS
#> 9 N593JB
#> 10 N3ALAA
#> # ℹ 336,766 more rows3.3 rename()
如果想要保留所有的变量只想要重命名一些变量，可以使用rename()：
r
flights |>
rename(tail_num = tailnum)
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tail_num <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>如果有一堆名称不一致的列，可以使用jaintor::clean_names()对其进行自动清理，请自行查看帮助文件。
3.4 relocate()
使用relocate()可以移动变量。默认情况下会将变量移动到最前面。
r
flights |>
relocate(time_hour, air_time)
#> # A tibble: 336,776 × 19
#> time_hour air_time year month day dep_time sched_dep_time
#> <dttm> <dbl> <int> <int> <int> <int> <int>
#> 1 2013-01-01 05:00:00 227 2013 1 1 517 515
#> 2 2013-01-01 05:00:00 227 2013 1 1 533 529
#> 3 2013-01-01 05:00:00 160 2013 1 1 542 540
#> 4 2013-01-01 05:00:00 183 2013 1 1 544 545
#> 5 2013-01-01 06:00:00 116 2013 1 1 554 600
#> 6 2013-01-01 05:00:00 150 2013 1 1 554 558
#> 7 2013-01-01 06:00:00 158 2013 1 1 555 600
#> 8 2013-01-01 06:00:00 53 2013 1 1 557 600
#> 9 2013-01-01 06:00:00 140 2013 1 1 557 600
#> 10 2013-01-01 06:00:00 138 2013 1 1 558 600
#> # ℹ 336,766 more rows
#> # ℹ 12 more variables: dep_delay <dbl>, arr_time <int>, sched_arr_time <int>,
#> # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>, origin <chr>,
#> # dest <chr>, distance <dbl>, hour <dbl>, minute <dbl>当然也可以使用前面提到的.before和.after参数指定位置：
r
flights |>
relocate(year:dep_time, .after = time_hour)
flights |>
relocate(starts_with("arr"), .before = dep_time)四、组
目前为止，已经学习了处理行和列的数据，当组的功能加入后，将会更加强大。本节将介绍group_by()函数和summarize()函数和slice系列函数。
4.1 group_by()
该函数用于将数据集划分为对于分析有意义的组：
r
flights |>
group_by(month)
#> # A tibble: 336,776 × 19
#> # Groups: month [12]
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>group_by()函数不会更改数据，输出表明它是按月进行分组的。这意味着后续操作将按月进行，group_by()将此分组特征（作为类）添加到数据框中。
4.2 summarize()
最重要的分组操作就是汇总，如果计算单个汇总统计数据，则会将数据框减少为每个组一行，操作如下：
r
# 计算每月的平均出发延迟
flights |>
group_by(month) |>
summarize(
avg_delay = mean.Date(dep_delay)
)
#> # A tibble: 12 × 2
#> month avg_delay
#> <int> <date>
#> 1 1 NA
#> 2 2 NA
#> 3 3 NA
#> 4 4 NA
#> 5 5 NA
#> 6 6 NA
#> 7 7 NA
#> 8 8 NA
#> 9 9 NA
#> 10 10 NA
#> 11 11 NA
#> 12 12 NA这里全是NA值，这是不合理的，我们观察数据发现部分航班缺少数据，因此我们可以在计算平均值时加入na.rm = TRUE：
r
flights |>
group_by(month) |>
summarize(
avg_delay = mean(dep_delay, na.rm = TRUE)
)
#> # A tibble: 12 × 2
#> month avg_delay
#> <int> <dbl>
#> 1 1 10.0
#> 2 2 10.8
#> 3 3 13.2
#> 4 4 13.9
#> 5 5 13.0
#> 6 6 20.8
#> 7 7 21.7
#> 8 8 12.6
#> 9 9 6.72
#> 10 10 6.24
#> 11 11 5.44
#> 12 12 16.6可以在每次调用summarize()时创建任意数量的信息汇总，有一个很有用的信息是n()，它返回的是每个组中包含的行数：
r
flights |>
group_by(month) |>
summarize(
avg_delay = mean(dep_delay, na.rm = TRUE),
n = n()
)
#> # A tibble: 12 × 3
#> month avg_delay n
#> <int> <dbl> <int>
#> 1 1 10.0 27004
#> 2 2 10.8 24951
#> 3 3 13.2 28834
#> 4 4 13.9 28330
#> 5 5 13.0 28796
#> 6 6 20.8 28243
#> 7 7 21.7 29425
#> 8 8 12.6 29327
#> 9 9 6.72 27574
#> 10 10 6.24 28889
#> 11 11 5.44 27268
#> 12 12 16.6 281354.3 slice_函数
五个方便的函数允许提取每个组的特定行：
-
df |> slice_head(n = 1)：从每个组中获得第一行 -
df |> slice_tail(n = 1)：从每个组中获取最后一行 -
df |> slice_min(x, n = 1)：取x列值最小的行（最值不止一行则返回所有行，若想返回一行可以设置参数with_ties = FALSE） -
df |> slice_max(x, n = 1)：取x列值最大的行 -
df |> slice_sample(n = 1)：随机取一行
注意：n =可以选择多行，也可以使用prop = 0.1代替其用于选择每组10%的行。
r
# 查找到达每个目的地时延误最严重的航班
flights |>
group_by(dest) |>
slice_max(arr_delay, n = 1) |>
relocate(dest)
#> # A tibble: 108 × 19
#> # Groups: dest [105]
#> dest year month day dep_time sched_dep_time dep_delay arr_time
#> <chr> <int> <int> <int> <int> <int> <dbl> <int>
#> 1 ABQ 2013 7 22 2145 2007 98 132
#> 2 ACK 2013 7 23 1139 800 219 1250
#> 3 ALB 2013 1 25 123 2000 323 229
#> 4 ANC 2013 8 17 1740 1625 75 2042
#> 5 ATL 2013 7 22 2257 759 898 121
#> 6 AUS 2013 7 10 2056 1505 351 2347
#> 7 AVL 2013 8 13 1156 832 204 1417
#> 8 BDL 2013 2 21 1728 1316 252 1839
#> 9 BGR 2013 12 1 1504 1056 248 1628
#> 10 BHM 2013 4 10 25 1900 325 136
#> # ℹ 98 more rows
#> # ℹ 11 more variables: sched_arr_time <int>, arr_delay <dbl>, carrier <chr>,
#> # flight <int>, tailnum <chr>, origin <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>4.4 按照多个变量分组
也可以使用多个变量进行分组：
r
daily <- flights |>
group_by(year, month, day)
daily
#> # A tibble: 336,776 × 19
#> # Groups: year, month, day [365]
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>当使用summarize功能对多个变量的分组进行汇总时，每个汇总都会删除掉最后的一个组：
r
daily |>
summarize(n = n())
#> `summarise()` has grouped output by 'year', 'month'. You can override using the
#> `.groups` argument.
#> # A tibble: 365 × 4
#> # Groups: year, month [12]
#> year month day n
#> <int> <int> <int> <int>
#> 1 2013 1 1 842
#> 2 2013 1 2 943
#> 3 2013 1 3 914
#> 4 2013 1 4 915
#> 5 2013 1 5 720
#> 6 2013 1 6 832
#> 7 2013 1 7 933
#> 8 2013 1 8 899
#> 9 2013 1 9 902
#> 10 2013 1 10 932
#> # ℹ 355 more rows根据提示信息，可以使用.groups参数进行规则修改。比如.groups = "drop_last"就是删除最后一个分组，.groups = "drop"是删除所有分组，.groups = "keep"是保留原来的分组。
4.5 取消分组
当然，也可以在不适用summarize()的情况下取消原有的分组：
r
daily |>
ungroup()
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
#> <int> <int> <int> <int> <int> <dbl> <int> <int>
#> 1 2013 1 1 517 515 2 830 819
#> 2 2013 1 1 533 529 4 850 830
#> 3 2013 1 1 542 540 2 923 850
#> 4 2013 1 1 544 545 -1 1004 1022
#> 5 2013 1 1 554 600 -6 812 837
#> 6 2013 1 1 554 558 -4 740 728
#> 7 2013 1 1 555 600 -5 913 854
#> 8 2013 1 1 557 600 -3 709 723
#> 9 2013 1 1 557 600 -3 838 846
#> 10 2013 1 1 558 600 -2 753 745
#> # ℹ 336,766 more rows
#> # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#> # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#> # hour <dbl>, minute <dbl>, time_hour <dttm>如果此时取汇总未分组的数据框：
r
daily |>
ungroup() |>
summarize(
avg_delay = mean(dep_delay, na.rm = TRUE),
flights = n()
)
#> # A tibble: 1 × 2
#> avg_delay flights
#> <dbl> <int>
#> 1 12.6 336776它会将所有未分组的数据框中的行视为一组，得到一个单行。
4.6 .by
dplyr 1.1.0 中包含一种新的语法，用于单个操纵分组，就是.by参数：
r
flights |>
summarize(
delay = mean(dep_delay, na.rm = TRUE),
n = n(),
.by = month
)
#> # A tibble: 12 × 3
#> month delay n
#> <int> <dbl> <int>
#> 1 1 10.0 27004
#> 2 10 6.24 28889
#> 3 11 5.44 27268
#> 4 12 16.6 28135
#> 5 2 10.8 24951
#> 6 3 13.2 28834
#> 7 4 13.9 28330
#> 8 5 13.0 28796
#> 9 6 20.8 28243
#> 10 7 21.7 29425
#> 11 8 12.6 29327
#> 12 9 6.72 27574也可以对多个变量进行分组：
r
flights |>
summarize(
delay = mean(dep_delay, na.rm = TRUE),
n = n(),
.by = c(origin, dest)
)
#> # A tibble: 224 × 4
#> origin dest delay n
#> <chr> <chr> <dbl> <int>
#> 1 EWR IAH 11.8 3973
#> 2 LGA IAH 9.06 2951
#> 3 JFK MIA 9.34 3314
#> 4 JFK BQN 6.67 599
#> 5 LGA ATL 11.4 10263
#> 6 EWR ORD 14.6 6100
#> 7 EWR FLL 13.5 3793
#> 8 LGA IAD 16.7 1803
#> 9 JFK MCO 10.6 5464
#> 10 LGA ORD 10.7 8857
#> # ℹ 214 more rows.by适用于所有的dplyr函数，其优点是不需要使用.groups参数来限制分组信息，也不用在完成后使用ungroup()解开分组。
总结
本节学习了数据转换的基础方法，包括了对行、列数据的常用操作以及对数据进行分组分析的方法。另外，我们还介绍了管道函数，该函数可以让我们更加高效简洁的将许多操作串联起来对数据进行复杂操作。这些方法在未来的数据分析中会经常用到，要注意根据不同的需求会选择不同的函数取处理。在学习的时候边学边练习操作，学到后经常运用最终定能融会贯通。