以前在网上看到的关于dplyr包基础函数的文章，放在这儿可以方便自己以后使用的时候随时查询,下文所有程序运行的结果，都使用Tab进行退格(仓皇上传，版面相当粗糙，后面抽时间详细整理一下)。
dplyr包的加载
# dplyr包加载
library(dplyr)
# 加载使用到其中数据的这些包
library(Lahman) # Lahman包的棒球比赛数据
library(hflights) # hflights包里的飞机航班数据
head(hflights)
# Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum TailNum ActualElapsedTime
# 5424 2011 1 1 6 1400 1500 AA 428 N576AA 60
# 5425 2011 1 2 7 1401 1501 AA 428 N557AA 60
# 5426 2011 1 3 1 1352 1502 AA 428 N541AA 70
# 5427 2011 1 4 2 1403 1513 AA 428 N403AA 70
# 5428 2011 1 5 3 1405 1507 AA 428 N492AA 62
# 5429 2011 1 6 4 1359 1503 AA 428 N262AA 64
# AirTime ArrDelay DepDelay Origin Dest Distance TaxiIn TaxiOut Cancelled CancellationCode Diverted
# 5424 40 -10 0 IAH DFW 224 7 13 0 0
# 5425 45 -9 1 IAH DFW 224 6 9 0 0
# 5426 48 -8 -8 IAH DFW 224 5 17 0 0
# 5427 39 3 3 IAH DFW 224 9 22 0 0
# 5428 44 -3 5 IAH DFW 224 9 9 0 0
# 5429 45 -7 -1 IAH DFW 224 6 13 0 0
class(hflights)
# [1] "data.frame"
数据转换
将过长过大的数据集转换为显示更友好的 tbl_df 类型，这一步通常不需要单独操作，而在使用dplyr包中函数时一般函数会自动调整。
hflights_df <- tbl_df(hflights)
数据筛选
# 一下两个语句作用相同，为了与其它格式保持一致，建议使用第二种
filter(hflights, Month == 1, DayofMonth == 1)
filter(hflights, Month == 1 & DayofMonth == 1)
filter(hflights_df, Month == 1 | DayofMonth == 1)
无重复内容的筛选
# distinct函数
distinct(hflights_df, Month, .keep_all = TRUE)
这里参数.keep_all = TRUE指保留除Month以外的其它列的内容。默认的情况是不保存其他列的。
数据排列
arrange(),按给定的列名依次对行进行排序，使用arrange()函数。
arrange(hflights_df, DayofMonth, Month, Year)
# 对列名加 desc() 进行倒序
arrange(hflights_df, desc(ArrDelay))
数据选择
select函数
select()函数实现对指定列的选择。
select(hflights_df, Year, Month, DayOfWeek)
# 可以用 : 来连接列名, 没错, 就是把列名当作数字一样使用
select(hflights_df, Year:DayOfWeek)
# 用 - 来排除列名
select(hflights_df, -(Year:DayOfWeek))
select_if()函数
select_if()函数对不同条件列的选择。
hflights %>% select_if(is.factor)
hflights %>% select_if(is.numeric)
hflights %>% select_if(function(col) is.numeric(col) && mean(col) > 3.5)
数据变形
# 变形: mutate()
# 对已有列进行数据运算并添加为新列:
mutate(hflights_df,
gain = ArrDelay - DepDelay,
speed = Distance / AirTime * 60)
# 作用与 plyr::mutate() 相同, 与 base::transform() 相似, 优势在于可以在同一语句中对刚增加的列进行操作:
mutate(hflights_df,
gain = ArrDelay - DepDelay,
gain_per_hour = gain / (AirTime / 60)
)
# 而同样操作用R自带函数 transform() 的话就会报错:
transform(hflights,
gain = ArrDelay - DepDelay,
gain_per_hour = gain / (AirTime / 60)
)
数据分组（group_by()函数）
数据分组是指按指定列的内容进行分类统计分析，分类汇总后会影响一些函数的计算结果，具体可以参考group和ungroup函数。
planes <- group_by(hflights_df, TailNum)
delay <- summarise(planes,
count = n(),
dist = mean(Distance, na.rm = TRUE),
delay = mean(ArrDelay, na.rm = TRUE))
delay <- filter(delay, count > 20, dist < 2000)
此外，分类汇总时，一些也可用到：
- n()计算个数
- n_distinct()计算唯一值的个数
- first(x), last(x) 和 nth(x, n): 返回值, 类似于基本包函数 x[1], x[length(x)], 和 x[n]
连接符（%>%）
Batting %>% group_by(playerID) %>%
summarise(total = sum(G)) %>% arrange(desc(total)) %>% head(5)
对所有列进行相同操作
dpyr包中对所有列进行相同的操作最初采用的是summarise_each()和mutate_each()函数，在0.5.0版本以后的dplyr包将逐渐使用summarise_all()和mutate_all()函数，这里也主要将summarise_all()和mutate_all()函数。这里的相同操作主要包括求平均值、标准差、方差、最小值和最大值，此时被处理的数据列不需要必须是数字类型(只是此时会有警告提示)。然而，无论如何要进行求和操作时，所有数据列必须是数字类型(原因是sum函数对字符求和，直接返回错误，而求平均值、标准差、方差、最小值和最大值只是返回NA，并提示警告)。
- summarise_all()函数
# 平均值，字符平均值返回NA
summarise_all(hflights, mean)
# 标准差，字符标准差返回NA
summarise_all(hflights, sd)
# 方差，字符方差返回NA
summarise_all(hflights, var)
# 最小值，字符最小值也是可以运算的
summarise_all(hflights, min)
# 最大值，字符最大值也是可以运算的
summarise_all(hflights, max)
# 求和
hflights.dat = hflights[,! colnames(hflights) %in% c('CancellationCode', 'UniqueCarrier', 'TailNum', 'Origin', 'Dest')]
summarise_all(hflights.dat, sum))
- mutate_all()函数
区别于summarise_all()函数在于mutate_all()函数产生与原数据相同行和列数的结果，这里mutate_all以及下面的mutate_at()和mutate_if()函数也不同于dplyr包的mutate()函数，mutate函数在原始数据后面产生新的结果，而mutate_系列函数则直接产生与原数据相同行和列数的结果。
temp = mutate_all(hflights.dat, mean))
head(hflights)
head(temp)
此外，summarise_all()和mutate_all()函数中使用的函数还可以使用完全形式，这时候不仅可以更改结果列的名字。mutate_all()的结果将与mutate函数一样在原始数据后面产生新的结果。
mutate_all(hflights, funs("in" = . / 2.54))
mutate_all(hflights,funs(med = median))
summarise_all(hflights,funs(med = median))
# 平均值、最小值和最大值
summarise_all(hflights, funs(mean, min, max))
对特定列进行相同操作
summarise_at()和mutate_at()函数
mtcars %>% group_by(cyl) %>% summarise_at(c("mpg", "wt"), mean)
mtcars %>% group_by(cyl) %>% summarise_at(vars(mpg, wt), mean)
mtcars %>% group_by(cyl) %>% mutate_at(c("mpg", "wt"), mean)
mtcars %>% group_by(cyl) %>% mutate_at(vars(mpg, wt), mean)
summarise_if()和mutate_if()函数
iris %>% summarise_if(is.numeric, mean, trim = 0.25)
iris %>% mutate_if(is.numeric, mean, trim = 0.25)
同样，summarise_at()和mutate_at() && summarise_if()和mutate_if()函数函数中的函数也可以使用完全形式，其结果也包含原始数据。