R语言学习笔记之高效数据操作

一、概要

数据操作 是R语言的一大优势，用户可以利用基本包或者拓展包在R语言中进行复杂的数据操作，包括排序、更新、分组汇总等。R数据操作包：data.table和tidyfst两个扩展包。

data.table 是当前R中处理数据最快的工具，可以实现快速的数据汇总、连接、删除、分组计算等操作，具有稳定、速度快、省内存、特性丰富、语法简洁等特点。由于其函数语法结构相对来说较为抽象，对于初学者而言往往需要花更多的时间来掌握。

tidyfst 包应运而生，用以提高data.table代码的可读性和可维护性。tidyfst包参考了tidyverse体系的语法结构，让用户能够见名知义；同时，其底层由data.table代码构成，因此实现速度非常快。对于较为复杂的data.table操作，tidyfst包提供了简便的调用函数进行实现。

资料来源：《机器学习全解(R语言版)》黄天元 2024年7月出版

二、数据读写

在data.table包中可以使用fread和fwrite函数对csv格式的文件进行读写。

如果需要保存规模较大的数据，可以使用tidyfst包的import_fst和export_fst函数来进行数据读写，其数据保存格式为以fst为扩展名的二进制文件。它的特点就是数据高保真 、读写速度快 和压缩效果好 ，因此保存下来的fst文件往往要比csv格式占用内存更小。

R 复制代码

library(pacman)
p_load(tidyfst,data.table)

fwrite(iris,"D:/iris.csv")
ir=fread("D:/iris.csv")

export_fst(iris,"D:/iris.fst")
ir=import_fst("D:/iris.fst")

三、筛选列

1、选择需要的列

R 复制代码

library(pacman)
p_load(tidyfst,data.table)
ir=as.data.table(iris)
ir

# 选取上面构造的数据框ir中的第1、3和4列，以下两种写法等价
ir %>% select_dt(1,3,4)    #tidyfst
ir[,c(1,3,4)]    # data.table

2、选择连续的列

可以使用":"符号：

R 复制代码

# 选择1到3列
ir %>% select_dt(1:3) 
ir[,1:3]

3、根据变量名称选择单列

R 复制代码

# 选择Sepal.Length列
ir %>% select_dt(Sepal.Length)
ir[,"Sepal.Length"]

4、根据变量名称选择多列

变量名称之间需要用逗号隔开

R 复制代码

# 选择Sepal.Length和Petal.Length两列
ir %>% select_dt(Sepal.Length,Petal.Length)
ir[,c("Sepal.Length","Petal.Length")]

5、根据正则表达式筛选列

R 复制代码

# 选择列名称包含"Sepal"的列
ir %>% select_dt("Sepal")
ir[,.SD,.SDcols=patterns("Sepal")]

6、利用特殊函数选择列

R 复制代码

# 选择数据类型为因子的列
ir %>% select_dt(is.factor)
ir[,.SD,.SDcols = is.factor]

7、排除列

排除一些列，则可以在原来基础上加上减号来实现：

R 复制代码

# 排除Sepal.Length和Petal.Length这两列
ir %>% select_dt(-Sepal.Length,-Petal.Length)
ir[,-c("Sepal.Length","Petal.Length")]

R 复制代码

# 排除因子列
ir %>% select_dt(-is.factor)
ir[,.SD,.SDcols = -is.factor]

四、筛选行

1、根据单个条件筛选行

R 复制代码

# 筛选出Sepal.Length大于7的条目
ir %>% filter_dt(Sepal.Length>7)
ir[Sepal.Length>7]

2、多条件筛选行

如果要附加多个条件，那么条件之间可以利用逻辑运算符&（与）、|（或）和！（非）进行修饰和连接。

R 复制代码

# 筛选Species列不为versicolor且Sepal.Length大于6的条目
ir %>% filter_dt(Species != "versicolor" & Sepal.Length > 6)
ir[Species != "versicolor" & Sepal.Length > 6]

3、tidyfst包中现成的筛选函数

|-----------------|-------------------------------|-------------------|
| slice_max_dt | 获得Sepal.Length最大的10个条目 ir %>% slice_max_dt(Sepal.Length,10) ||
| slice_min_dt | 获得Sepal.Length最小的10个条目 ir %>% slice_min_dt(Sepal.Length,10) ||
| slice_sample_dt | 随机选择10个条目 ir %>% slice_sample_dt(10) ||
| slice_dt | 根据条目的位置来进行筛选。获得ir数据框的第100行 ||
| slice_dt | ir %>% slice_dt(100) | ir[100] |
| slice_dt | 选择多行，则可以使用数值向量。选出第100行到第105行 ||
| slice_dt | ir %>% slice_dt(100:105) | ir[100:105] |
| unique | 去重 ir %>% unique() ||

五、更新

更新是指对数据框的一列或多列进行修饰，或根据已有列构造新列。

|-------------|---------------|
| mutate_dt | 新增常数列、修改列 |
| mutate_when | 按照一定的条件进行列的更新 |
| mutate_vars | 对多个列同时进行原位修饰 |

R 复制代码

ir %>% mutate_dt(one=1)
ir %>% mutate_dt(Sepal.Length=Sepal.Length+1)
ir %>% mutate_when(Sepal.Width=0.2,one=1)
ir %>% mutate_vars("^Petal",function(x) x-1)

1、新增一列名为one的常数列，其所有数值均为1

2、让Sepal.Length列的所有数值加1

3、在Petal.Width等于0.2的时候新增名为one的常数列

4、让列名称以Petal开头的列都减去1

六、排序

对数据框进行排序有两种方法，一种是按照行进行排序，另一种是按照列进行排序。

|-------------|--------|
| arrange_dt | 按列排序 |
| relocate_dt | 调整列的位置 |

R 复制代码

ir %>% arrange_dt(Sepal.Length)
ir[order(Sepal.Length)]

ir %>% arrange_dt(Sepal.Length,Sepal.Width)
ir[order(Sepal.Length,Sepal.Width)]

ir %>% arrange_dt(-Sepal.Length)
ir[order(-Sepal.Length)]

ir %>% relocate_dt(Species,how="first")
ir %>% relocate_dt(Species,how="last")

ir %>% relocate_dt(Petal.Length,how = "after",where = Petal.Width)


# 对列的位置进行重新排列
new_order=names(ir)[c(3,2,4,5,1)]
new_order
ir[,.SD,.SDcols = new_order]

# 直接写上列名称
ir %>% select_mix(Petal.Length,
                  Sepal.Width,
                  Petal.Width,
                  Species,
                  Sepal.Length)

1、按照Sepal.Length列从小到大进行排列

多列：先按照Sepal.Length列进行排列，然后再按照Sepal.Width列进行排列

2、从大到小进行排列，在原来的变量之前加入负号

3、调整列的位置

把Species列放到第一列：

把Sepal.Length列放到最后一列：

七、汇总

汇总的过程是用较少信息表征较多信息的方法。

tidyfst包中使用summarise_dt函数来对数据框中的列进行汇总。

R 复制代码

ir %>% summarise_dt(avg=mean(Sepal.Length))
ir %>% summarise_dt(mean=mean(Sepal.Length))
ir %>% summarise_when(Petal.Width==.2,avg=mean(Petal.Length))
ir %>% summarise_vars(2:4,sum)
ir %>% summarise_vars(is.numeric,sum)

八、分组计算

分组计算就是根据分组结果来对每一个组进行相同的操作。

在tidyfst包中，很多函数都具有by参数，by用来指定分组的变量。

如果需要对多个变量进行分组，那么by参数的指定方式有以下几种：

●在by参数中放入字符串，变量之间以逗号分隔（如by="vs,am"）；

●在by参数中放入字符向量，字符是分组的列名称（如by=c("vs","am")）；

●在by参数中放入一个指定分组变量的列表（如by=list(vs,am)）。

R 复制代码

ir %>% summarise_dt(avg=mean(Sepal.Length),by=Species)
ir %>% summarise_vars(is.numeric,sum,by=Species)


mt=as_dt(mtcars)
mt
mt %>% summarise_dt(avg=mean(mpg),by="vs,am")
mt %>% summarise_dt(avg=mean(mpg),by=c("vs","am"))
mt %>% summarise_dt(avg=mean(mpg),by=list(vs,am))
mt %>% summarise_dt(avg=mean(mpg),by=.(vs,am))

九、列的重命名

tidyfst包中使用rename_dt函数来对列进行重命名。对多个列进行重命名，只要用逗号隔开即可。

R 复制代码

ir %>% rename_dt(sl=Sepal.Length)
ir %>% rename_dt(sl=Sepal.Length,sw=Sepal.Width)
ir %>% rename_with_dt(toupper)
ir %>% setNames(paste0("V",1:5))

十、多表连接

连接是指根据表格所包含的共同信息来对多个表格进行合并的过程。基本的连接可以分为内连接、全连接、左连接和右连接。

内连接 又称为自然连接，该操作会从结果表中删除与其他被连接表中没有匹配行的所有行，只保留两个表格中都包含的数据条目。

全连接会保留所有表格的所有信息。

左连接则仅会保证左边（即第一个出现的）表格的信息会被完全保留，右边（第二个）表格的信息只有与第一个表格的信息匹配的才能够保留。

右连接是左连接的逆运算，即完全保留第二个表格的信息，而第一个表格中只有与第二个表格的信息匹配的内容才能保留。

还有一种特殊的连接方式叫作过滤型连接，它包括反连接和半连接。

半连接与左连接相似，但是它只保留了左表格的所有列，而右表格的列则不会放入结果。这相当于只提取了右表格的匹配列，然后与左表格进行连接。

反连接则与半连接相反，它会保留左表和右表对应列相异的部分。

R 复制代码

workers=fread("
              name company
              Nick Acme
              John Ajax
              Daniela Ajax
              ")

positions=fread("
                name position
                John designer
                Daniela engineer
                Cathie manager
                ")

workers
positions

workers %>% inner_join_dt(positions)
workers %>% merge(positions)

workers %>% full_join_dt(positions)
workers %>% merge(positions,all = T)

workers %>% left_join_dt(positions)
workers %>% merge(positions,all.x = T)


workers %>% right_join_dt(positions)
workers %>% merge(positions,all.y = T)

workers %>% left_join_dt(positions,by="name")
workers %>% merge(positions,all.x = T,by="name")


positions2=setNames(positions,c("worker","position"))
workers
positions2
workers %>% inner_join_dt(positions2,by=c("name"="worker"))
workers %>% inner_join_dt(positions2,on="name==worker")
workers %>% merge(positions2,by.x="name",by.y = "worker")

workers %>% semi_join_dt(positions)
workers %>% anti_join_dt(positions)

十一、长宽转换

tidyfst包中的longer_dt函数实现将"宽数据"转换成"长数据"。

tidyfst包中的wider_dt函数实现"长数据"转成"宽数据"。

R 复制代码

stocks=data.frame(
  time=as.Date('2009-01-01')+0:9,
  X=rnorm(10,0,1),
  Y=rnorm(10,0,2),
  Z=rnorm(10,0,4)
)
stocks


# 转成长数据
stocks %>% longer_dt(time) -> long_stocks
long_stocks

stocks %>% longer_dt(time,name="NAME",value="VALUE")

# 转成宽数据
wide_stockes=long_stocks %>% wider_dt(name="name",value="value")
wide_stockes

十二、集合运算

	tidyfst包函数	data.table包函数
交集	intersect_dt	fintersect
并集	union_dt	funion
差集	setdiff_dt	fsetdiff

注意：tidyfst包会自动地把任意数据框转化为data.table格式。

十三、缺失值处理

1、删除缺失记录

na.omit函数可以删掉任意包含缺失值的行。

tidyfst包的drop_na_dt函数可以实现删除某一列中存在缺失值的条目。

2、缺失值填充

tidyfst包中的replace_na_dt函数实现填充指定的值。

tidyfst包的fill_na_dt函数实现将上一个观测值作为下面缺失的填充值。

tidyfst包中的impute_dt函数实现使用非缺失数值的均值、中位数或众数来对缺失值进行填充。

十四、列表列的应用

列表列(list column)是R语言中相对较新的一个概念，它能够根据分组把一整块数据集成在一起成为一列，而这个列的数据类型为列表(list)。在tidyfst包中可以使用nest_dt函数进行实现。