欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

R语言数据处理(2)

程序员文章站 2022-07-14 21:33:48
...

本文目录如下

  • 数据框合并

    • 拼接合并

    • merge合并

  • 计算并增加行列

  • 汇总计算

  • 分组计算

  • 融合重铸

  • 融合重铸的应用

  • 拆分合并列

载入包

library(dplyr) # 高速处理数据,取代R自带的一些函数,代码简单易记
library(tidyr) # 提供一些其他功能
library(reshape2)

本文使用这三个包较多,如果对这几个包不再了解,建议先看一看

dplyr包5个主要函数http://blog.163.com/aaa@qq.com/blog/static/16255468420147179438149/

tidyr包中四个主要函数(http://www.cnblogs.com/homewch/p/5778405.html

reshape2包中的融合-重铸两个函数(http://www.xueqing.tv/cms/article/97)(或R语言实战书)

数据框合并

拼接合并

列相同的两个数据框可以直接纵向接在一起,行相同的两个数据框也可以横向接在一起。

name1 <- c("Bob","Mary","Jane","Kim")
name2 <- c("Bob","Mary","Kim","Jane")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
birth <- c("1990-1","1980-2","1995-5","1996-4")
accept <- c("no","ok","ok","no")

df1 <- data.frame(name1,weight,height)
df2 <- data.frame(name2,birth,accept)
# 合并
rbind(df1,df2)
cbind(df1,df2)

# dplyr包中高效合并
bind_rows(df1,df2)
bind_cols(df1,df2)

merge合并


当两个数据框中有一列表示相同的含义,其他列不同时,可以按照这一列merge起来。


比如拿到两张表,分别对应两个数据框,一个记录了公司每个员工的体重,一个记录了公司每个员工的身高,他们有相同的姓名一列,我们就可以把两个数据框融合成为一个带有姓名、身高、体重的数据框。


有的人可能会问,为什么不直接横向拼在一起,再把相同的名字列去掉?是因为如果两个数据框的名字顺序不一样,或者名字不是完全相同,这样做就不行了。我们来看下面的例子


先创建数据框

name1 <- c("Bob","Mary","Jane","Kim","Smith")
weight <- c(60,65,45,55,60)
name2 <- c("Bob","Mary","Kim","Jane","Eric")
height <- c(170,165,140,135,170)

df11 <- data.frame(name1,weight,stringsAsFactors=F) # 加这个参数是防止字符串自动转化为因子
df33 <- data.frame(name1,height,stringsAsFactors=F)
df22 <- data.frame(name2,height,stringsAsFactors=F) # 成员与前面不完全一样

先使用基础的merge函数

merge(df11,df33) # 自动根据相同的列名匹配
merge(df11,df22,by.x="name1",by.y="name2") # 没有相同的列名则指定根据这两列融合
# 上面默认保留了df11和df22共有的行
merge(df11,df22,by.x="name1",by.y="name2",all=T) # 保留所有出现过的行,没有的显示NA
merge(df11,df22,by.x="name1",by.y="name2",all.x=T) # 保留所有x的行
merge(df11,df22,by.x="name1",by.y="name2",all.y=T) # 保留所有y的行

下面使用dplyr包

inner_join(df11,df33) # 自动根据相同的列名匹配 
full_join(df11,df22,by=c("name1"="name2"))
left_join(df11,df22,by=c("name1"="name2")) # 只保留前者的行
right_join(df11,df22,by=c("name1"="name2")) # 只保留后者的行
semi_join(df11,df22,by=c("name1"="name2")) # 保留共有的行,同时只返回前者的列
anti_join(df11,df22,by=c("name1"="name2")) # 返回后者没有的前者的行,同时只返回前者的列

计算并增加行列

创建数据框

name1 <- c("Bob","Mary","Jane","Kim")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
df1 <- data.frame(name1,weight,height)

R基础函数

df2 <- transform(df1,BMI=weight/height^2) # 第一种方法
df2
df1$BMI <- df1$weight/df1$height^2 # 第二种方法, 每一步都要$,很麻烦
df1

使用dplyr包中的函数

mutate(df1,BMI=weight/height^2)

汇总计算

apply(df1[,-1],2,mean) # R基础函数

dplyr包中的summarise系列函数

summarise(df1,arv_weight=mean(weight),arv_height=mean(height))

上面这种方式是一般人都会用的,但是如果没有看过dplyr包的文档,就不知道还有summarise_all等函数。当需要对每列都进行计算时,或者选择某一些列计算,只是summarise一个一个指定就会非常麻烦。下面我们介绍一些批量筛选计算的函数。


为了更好地说明问题,我们改一下数据框

name1 <- c("Bob","Mary","Jane","Kim")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
weta <- 1:4
df1 <- data.frame(name1,weight,height,weta)

summarise_all 和 summarise_if

对所有列进行计算或者根据列的数据类型选择计算

summarise(df1,avg_weight=mean(weight),avg_height=mean(height)) # 很麻烦地每个都指定
summarise_all(df1[-1],mean) # 对选出来的所有列都进行计算
summarise_if(df1,is.numeric,mean) # 检验出所有是数值的列,全部求均值

summarise_at配合vars的用法

筛选出符合条件的列名对应的列

summarise_at(df1,vars(weight,height,weta),mean) # 配合vars函数,一次选择多列
summarise_at(df1,vars(weight:weta),mean) # 从哪到哪
u <- c("weight","height")
summarise_at(df1,vars(one_of(u)),mean) # 可以接字符串向量
summarise_at(df1,u,mean) # 也可以直接接字符串向量
summarise_at(df1,u,mean,trim=1) # mean的参数可以接在后面

summarise_at(df1,vars(contains("eig")),mean) # 匹配含有的
summarise_at(df1,vars(matches(".t.")),mean) # 使用正则表达式
summarise_at(df1,vars(starts_with("w")),mean) # 匹配以此为开头的
summarise_at(df1,vars(ends_with("ht")),mean) # 匹配以此为结尾的
summarise_at(df1[,-1],vars(everything()),mean) # 选择所有列

funs的用法

summarise_all(df1[,-1],funs(mean,sum))
summarise_all(df1[,-1],funs(sum(.*2))) # 数据用.表示
summarise_all(df1[,-1],funs(medi=median)) # 指定得到的列后缀名
summarise_all(df1[,-1],funs("in"=median)) # 或者加引号
mutate_all(df1[,-1],funs(.^2))

结合使用

summarise_if(df1,is.numeric,funs(mean,sum))
summarise_at(df1,vars(ends_with("t")),funs(mean,sum))

分组计算


首先创建我们需要的数据集

name1 <- c("Bob","Mary","Jane","Kim")
weight <- c(60,65,45,55)
height <- c(170,165,140,135)
accept <- c("no","ok","ok","no")
df <- data.frame(name1,weight,height,accept)

R基础函数

tapply(df$height,df$accept,mean)  # 使用tapply函数,按照accept分类

with(df,{ # 使用aggregate函数
 aggregate(height,by=list(accept),FUN=mean)
})

使用dplyr包中的函数

group_df <- group_by(df,accept)
summarise(group_df,arv_height=mean(height),count=n()) # 其中n()是查数的意思
# 使用扩展函数
summarise_all(group_df[,-1],mean)
summarise_if(group_df,is.numeric,mean)
summarise_at(group_df,vars(contains("eigh")),funs(sum,mean))

dplyr包中的主要功能我们就讲到这里,除了以上功能,这个包还改写了很多基础函数,使其使用更方便,运行速度更快,感兴趣的读者可以查看帮助文档自行学习。


融合重铸


说到融合重铸,就不得不使用这张经典的图(来自《R语言实战》),这张图清晰的展现了融合重铸到底做了什么

R语言数据处理(2)

这里我们使用reshape2包和tidyr包分别完成融合重铸功能。

reshape2

上面这张图对应的代码就是reshape2包中的函数

names(airquality) <- tolower(names(airquality))
View(airquality)
aqm <- melt(airquality, id=c("month", "day"), na.rm=TRUE) # 除了month和day两列,其他列摞起来,为了等长,m和d列循环对齐

dcast(aqm, day + variable ~ month) # 保持day和variable不变,month中的元素分类映射到列上去
dcast(aqm, variable + day ~ month) # 换一下顺序,重复的variable连在一起,对应不一样的day,这样的方式排列
dcast(aqm, day ~ variable + month) # 只保留day列

# 加入计算
dcast(aqm, day ~ month, mean) # 没出现的那个变量被平均掉了

# dcast 和 acast区别
dcast(aqm, variable + month ~ day)
acast(aqm, variable + month ~ day) # acast和dcast的功能基本上相同,只是dcast会把分组信息作为一列或几列显示,而acast会将其作为行名
acast(aqm, day ~ month, mean) # 保留的列作为合并在一起作为列名
acast(aqm, variable ~ month ~ day) # acast 多出来的功能,生成一个三维数组,按照day的值分成31个矩阵

tidyr包

有融合和重铸的函数,但是在重铸方面功能弱一些

aqg <- gather(airquality,group,value,ozone:temp) # 融合,和reshape2的不同在于输入的是被转换的列
spread(aqg,group,value) # 还原
spread(aqg,month,value) # 输入要被转化到列名的列和值,好像一次只能转化一列作为列名

融合重铸的应用


让我们把融合重铸计算实现的功能和分组计算做一下对比。

假设我们拿到的数据是下面这个样子的。按照月日,分不同组别汇总在一起的两列变量值

df <- mutate(aqm, newvalue = value+rnorm(2,0,50))
colnames(df) <- c("month","day","group","value1","value2")
View(df) # 我们可以看一看现在拿到的数据

我们首先实现如下功能

  • 根据group分组计算两个value的均值

  • 根据month和group分组计算两个value的均值

  • 根据month和group分组计算每组个数

使用分组计算来实现

# 根据group分组计算两个value的均值
df_grp1 <- group_by(df,group)
summarise_at(df_grp1,vars(value1,value2),mean)

# 根据month和group分组计算两个value的均值
df_grp2 <- group_by(df,month,group)
summarise_at(df_grp2,vars(value1,value2),mean)

# 根据month和group分组计算每组个数
summarise(df_grp2,count=n())

使用融合重铸来实现

df_melt <- melt(df,id=c("month","day","group"))
# 根据group分组计算两个value的均值
dcast(df_melt, group ~ variable, mean)
# 根据month和group分组计算两个value的均值
dcast(df_melt, month + group ~ variable, mean)
# 根据month和group分组计算每组个数
dcast(df_melt, month + group ~ variable, length)

从上面来看,实现分组计算的功能二者没有太大区别,毕竟这就是分组计算本身在做的事情,不过当需要按照多种分组来计算时,融合重铸不需要重新设置组别,显然会更方便。


不过融合重铸也要注意一点,如果数据列数非常多,而且有的是字符串,或者有的列不是你需要计算的,要事先只提取出你需要的,再融合重铸。


下面我们说一说融合重铸擅长的部分

  • 如果要不区分value1和value2,算整体按照month和group分组后的均值

  • 上面计算结果值是一个矩阵,想要把数值用一列表示

  • 按照月份拆分成多个矩阵,每一个矩阵表示group和日期的对应

# 如果要不区分value1和value2,算整体按照month和group分组后的均值
(mg <- dcast(df_melt, month ~ group , mean))# 上面计算结果值是一个矩阵,想要用一列表示
melt(mg, id="month")
# 按照月份拆分成多个矩阵,每一个矩阵表示group和日期的对应
u <- acast(df_melt, group ~ day ~ month) # 使用acast返回一个三维数组

拆分合并列

我们现在要把一列这种类型”1990-1”的数据拆分成两列”1990”和”1”这样的数据,使用tidyr包中的separate函数

library(tidyr)
name1 <- c("Bob","Mary","Jane","Kim")
birth <- c("1990-1","1980-2","1995-5","1996-4")
df <- data.frame(name1, birth)

(df1 <- separate(df,birth,into=c("year","month"),sep="-"))
separate_rows(df,birth,sep="-") # 拆分完放在一列里面显示
# 其实separate_rows相当于使用separate之后进行了融合,再更换一下顺序
separate(df,birth,into=c("year","month"),sep="-") %>% gather(group,birth,year:month)

tidyr包中很多函数都是成对出现的,unite 函数是和separate函数反向的函数,可以将它得到的结果还原

unite(df1,birth,year,month,sep="-")

到这里,我们就把数据处理的整体框架讲述了一遍,主要针对数据的计算与变形,覆盖了dplyr tidyr reshape2包的使用方法。本专题下一篇,我们会使用data.table包来重新完成这整个框架