13  介绍

dplyr是一个R语言包，它提供了一组用于进行数据操作和转换的函数。下面是一些dplyr包中常用的函数及其作用：

• select(): 选择列
• mutate(): 创建新的计算变量
• filter(): 根据条件选择行
• group_by(): 按照指定的列对数据进行分组
• summarize(): 计算每组数据的摘要统计量
• arrange(): 按照指定的列排序
• distinct(): 选择唯一的行
• join(): 将多个表格合并成一个表格
• union(): 将两个表格合并为一个表格（类似于SQL中的UNION）
• intersect(): 取两个表格的交集（类似于SQL中的INTERSECT）
• anti_join(): 取两个表格的差集（类似于SQL中的EXCEPT）

13.1 示例数据

library(dplyr)

data<-data.frame(x=-2:3,y=1:6,a=rep(c('A','B'),each=3))
data

13.2 select()

select()是dplyr包中的一个函数，它用于选择数据框中的特定列。例如，假设你有一个名为data的数据框，其中包含多列，你可以用以下代码选择列x和列y：

select(data, x, y)

在这个例子中，select()函数会返回一个新的数据框，其中只包含原来数据框中的列x和列y。你也可以使用通配符来选择多个列。例如：

select(data, starts_with("x"))

这里的starts_with()函数会匹配所有以x开头的列名，例如x1、x2等，然后select()函数会返回一个新的数据框，其中包含原数据框中所有以x开头的列。

除了选择列，你还可以用select()函数来排除列。例如：

select(data, -x)

这里，我们使用了负号（-）来排除列x，select()函数会返回一个新的数据框，其中包含原数据框中除列x以外的所有列。

你也可以使用类似的方式来排除多个列，例如：

select(data, -starts_with("x"))

这里，我们使用了starts_with()函数来匹配所有以x开头的列名，然后用负号排除这些列。select()函数会返回一个新的数据框，其中包含原数据框中除了以x开头的列以外的所有列。

除了使用函数来选择或排除列，你还可以使用类似于SQL中的语法来指定要选择或排除的列。例如：

select(data, x, y, -a)

这里，我们指定了要选择列x和列y，并使用负号排除列a。select()函数会返回一个新的数据框，其中包含原数据框中的列x、列y，除列a以外的所有列。

13.2.1 选择器函数有哪些

在 tidyverse 语法中，有多种选择器函数可以用来选择数据框中的特定列。这些选择器函数主要有如下几种:

• starts_with()：选择名称以某个字符串开头的列。
• ends_with()：选择名称以某个字符串结尾的列。
• contains()：选择名称中包含某个字符串的列。
• matches()：选择名称与某个正则表达式相匹配的列。
• one_of()：选择名称在指定列表中出现过的列。
• everything()：选择所有列。

my_data<-data.frame(age=1:3) %>%
  mutate(age1=age,age2=age,Age1=age,new_age=age,new_age_old=age,
         chr_age=as.character(age))
my_data

例如，如果您想要选择 my_data 数据框中名称以 age 开头的列，可以使用如下语句:

my_data %>% select(starts_with("age"))

这条语句的意思是，在 my_data 数据框中选择名称以 age 开头的列，并将结果保存到变量 my_data_selected 中。

如果您想要选择 my_data 数据框中名称以 age 结尾的列。

如果您想要选择 my_data 数据框中名称以 age 结尾的列，可以使用如下语句:

my_data %>% select(ends_with("age"))

如果您想要选择 my_data 数据框中名称中包含 age 的列，可以使用如下语句:

my_data %>% select(contains("age"))

如果您想要选择 my_data 数据框中名称与正则表达式 "a.e" 相匹配的列，可以使用如下语句:

my_data %>% select(matches("a.e"))

如果您想要选择 my_data 数据框中名称在列表 c("age", "height") 中出现过的列，可以使用如下语句:

my_data %>% select(one_of(c("age", "height")))

Warning: Unknown columns: `height`

如果您想要选择 my_data 数据框中的所有列，可以使用如下语句:

my_data %>% select(everything())

13.2.2 其他的选择器函数

除了以上提到的选择器函数，tidyverse 语法中还有一些其他选择器函数可以用来选择数据框中的特定列。例如，还有以下几种常用的选择器函数:

• num_range()：选择名称在指定数字范围内的列。
• where()：选择满足某个条件的列。

例如，如果您想要选择 my_data 数据框中名称在数字范围 [1,5] 内的列，可以使用如下语句:

my_data %>% select(num_range(1, 5))

my_data %>% select(where(is.numeric))

my_data %>% select(where(is.character))

13.2.3 match选择器函数中的正则表达式

在 match() 选择器函数中，您可以使用正则表达式来匹配列名。正则表达式的语法与 R 语言的其他用法相同，详细内容可以参考 R 语言的官方文档。

13.3 mutate()

mutate()是dplyr包中的一个函数，用于创建新的计算变量。例如，假设你有一个名为data的数据框，其中包含一列名为x和一列名为y，你可以用以下代码创建一个新的列z，其值为x和y的和：

mutate(data, z = x + y)

你可以用类似的方式创建其他任何计算变量。例如，你可以根据条件创建一个分类变量：

mutate(data, group = ifelse(x > 0, "positive", "negative"))

另外，你也可以在mutate()函数中使用其他函数，例如聚合函数或统计函数，来对原数据进行处理。例如，你可以计算每个x值的均值和标准差：

mutate(data,
  x_mean = mean(x),
  x_sd = sd(x)
)

你还可以使用group_by()函数来根据指定的列对数据进行分组，然后在每组中应用mutate()函数，以便为每个组分别计算新的变量。例如：

group_by(data, a) %>%
  mutate(
    x_mean = mean(x),
    x_sd = sd(x)
  )

13.4 filter()

filter()是dplyr包中的一个函数，它用于根据指定的条件选择数据框中的行。例如，假设你有一个名为data的数据框，其中包含多行多列，你可以用以下代码选择值大于0的行：

filter(data, x > 0)

在这个例子中，filter()函数会返回一个新的数据框，其中只包含原数据框中值大于0的行。你也可以使用多个条件来进行筛选。例如：

filter(data, x > 0, y < 5)

这里，filter()函数会返回一个新的数据框，其中只包含原数据框中值大于0且值小于5的行。

除了简单的条件判断，你还可以在filter()函数中使用复杂的逻辑表达式来进行筛选。例如：

filter(data, x > 0 & y < 5 | a == 'B')

这里，我们使用了与（&）、或（|）以及等于（==）符号来构造复杂的逻辑表达式，filter()函数会返回一个新的数据框，其中只包含原数据框中符合

13.5 group_by()

my_data<-data.frame(
  id=1:6,
  age=3:4,
  sex=rep(c('Female','Male'),each=3),
  los=runif(6,3,10) %>% round()
)
my_data

group_by() 是 dplyr包中的一个函数，它能够将数据按照指定的条件进行分组。通常，我们使用 group_by() 函数将数据按照某个变量的值进行分组，然后再对每个分组进行进一步的操作。

例如，假设我们有一个数据框 my_data，如果我们想要将数据框 my_data 按照 age 变量的值进行分组，可以使用如下语句:

my_data_grouped <- group_by(my_data, age)

这条语句的意思是，使用 group_by() 函数将数据框 my_data 按照 age 变量的值进行分组，并将结果保存到变量 my_data_grouped 中。

接下来，我们可以对每个分组进行进一步的操作。例如，如果我们想要计算每个分组中 los 变量的平均值，可以使用 summarise() 函数来实现:

summarise(
  my_data_grouped, 
  mean_nlos = mean(los))

13.5.1 多级分组

当然，您也可以使用 group_by() 函数进行多级分组。例如，如果您想要将数据框 my_data 按照 age 和 sex 两个变量的值进行多级分组，可以使用如下语句:

my_data %>%
  group_by(age, sex) %>%
  summarise(mean=mean(los),median=median(los))

`summarise()` has grouped output by 'age'. You can override using the `.groups`
argument.

13.5.2 重新分组

my_data %>%
  group_by(age) %>%
  group_by(sex) %>% #重新分组
  summarise(mean=mean(los),median=median(los))

13.5.3 取消分组

如果您想要取消分组，可以使用 ungroup() 函数。例如，假设您已经将数据框 my_data 按照 age 变量的值进行分组，并将结果保存到变量 my_data_grouped 中，如果您想要取消分组，可以使用如下语句:

my_data %>%
  group_by(age) %>%
  ungroup() %>%
  summarise(mean=mean(los),median=median(los))

取消分组后，数据框会恢复到未分组的状态。

13.6 summarise()

summarise()是dplyr包中的一个函数，它用于对数据框进行汇总。例如，假设你有一个名为data的数据框，其中包含多行多列，你可以用以下代码计算每个组的均值：

group_by(my_data, sex) %>%
  summarise(mean = mean(los))

在这个例子中，我们首先使用group_by()函数将数据框按照列sex进行分组，然后使用summarise()函数计算每个组的均值。summarise()函数会返回一个新的数据框，其中包含每个组的均值以及对应的组名。

除了计算均值，你还可以使用summarise()函数计算其他统计量，例如求和、求最大值求最小值等。例如：

group_by(my_data, sex) %>%
  summarise(sum = sum(los),
            max = max(los),
            min = min(los))

13.7 distinct()

distinct() 函数是 tidyverse 包中的一个函数，用于选择指定数据框中不同的行。例如，如果您想要从 my_data 数据框中选择出不同的行，可以使用如下语句:

my_data %>% distinct(sex,.keep_all = T)

这条语句的意思是，在 my_data 数据框中选择出不同的行，并将结果保存到变量 my_data_distinct 中。

除了上述语句，您还可以使用 distinct() 函数指定选择哪些列来检查行的唯一性。例如，如果您想要仅以 age 列为依据来选择不同的行，可以使用如下语句:

my_data %>% distinct(age)

这条语句的意思是，在 my_data 数据框中选择出不同的行，并仅以 age 列为依据来检查行的唯一性。由于这条语句只检查了 age 列，所以如果两行中 age 列的值相同，那么这两行都会被认为是重复的，只会保留一行。最终的结果会被保存到变量 my_data_distinct 中。

另外，您还可以使用 distinct() 函数中的 .keep_all 参数来指定是否保留所有列。例如，如果您想要保留所有列，可以使用如下语句:

my_data %>% distinct(sex,age,.keep_all = TRUE)

这条语句的意思是，在 my_data 数据框中选择出不同的行，并保留所有列。由于这条语句指定了 .keep_all = TRUE 参数，所以所有的列都会被保留。最终的结果会被保存到变量 my_data_distinct 中。

13.8 arrange()

13.8.1 升序

arrange() 函数是 tidyverse 包中的一个函数，用于对指定数据框中的行进行排序。例如，如果您想要对 my_data 数据框中的行按照 age 列的值进行排序，可以使用如下语句:

my_data %>% arrange(id)

13.8.2 降序

除了上述语句，您还可以使用 arrange() 函数中的 desc() 函数来指定是否按照降序进行排序。例如，如果您想要按照降序排序，可以使用如下语句:

my_data %>% 
  arrange(desc(id))

13.8.3 多个变量

my_data %>%
  arrange(sex,desc(id))