The d is for dataframes, the plyr is to evoke pliers. Pronounce however you like.
dplyr包可用于处理 R 内部或者外部的结构化数据，相较于plyr包，dplyr包专注接受 data.frame 对象，大幅提高了速度，并且提供了更稳健的数据库接口。同时，dplyr包可用于操作Spark的dataframe。
官网：https://cran.r-project.org/web/packages/dplyr/index.html
包中的函数查询：https://cran.r-project.org/web/packages/dplyr/dplyr.pdf
安装dplyr包install.packages("dplyr")
使用dplyr包library("dplyr")
dplyr包中的重要函数-- 根据值选择相应的行 filter()
-- 对行重新排序 arrange()
-- 根据列名选择相应的列 select()
-- 根据已知的列创建新的列 mutate()
-- 将许多值塌缩为单个描述性汇总 summarize()
-- 分组 group_by() 这些函数都可以通过 group_by() 衔接起来，该函数改变上述每个函数的作用域，从操作整个数据集到按组与组进行操作。
使用 nycflights13包中的数据集install.packages("nycflights13")
library("nycflights13")
使用 filter() 函数过滤filter(flights, month == 1, day == 1) # 过滤数据
filter(flights, month == 11 | month == 12) # 逻辑或
filter(flights, month %in% c(11, 12)) # %in% 判断是否存在；该语句可以替换上面的语句
使用 arrange() 函数对行重新排序
arrange(flights, desc(arr_delay)) # 按照列 arr_delay 进行降序排列
使用 select() 函数选择指定列select(flights, year, month, day) # 选择列 year month day
select(flights, year:day) # 选择 year 和 day 之间的所有列
select(flights, -(year:day)) # 反向选择 选择 year 和 day 之间的所有列以外的所有列
select(flights, starts_with("yea")) # 选择列名以 "yea" 开头的列
select(flights, ends_with("ear")) # 选择列名以 "ear" 结尾的列
select(flights, contains("ea")) # 选择列名中包含 "ea" 的列
select(flights, matches("ea")) # 使用正则表达式 选择列名中匹配到 "ea" 的列
select(flights, num_range("x", 1:3)) # 使用正则表达式 选择列名中匹配到 "x1" "x2" "x3" 的列
select(flights, time_hour, air_time, everything()) # 将 time_hour列 和 air_time列 提到前面
查看 select() 函数的更多内容 ?select()
rename(flights, tail_num = tailnum) # 将列名 tailnum 改为 tail_num
mutate(flights_sml, gain = arr_delay - dep_delay, speed = distance / air_time * 60 ) # 在原数据集flights_sml的基础上添加两列 gain, speed 产生一个新的数据集，原数据集不变。
transmute(flights, gain = arr_delay - dep_delay, hours = air_time / 60, gain_per_hour = gain / hours) # 只生成新的3列 gain, hours, gain_per_hour，输出结果中没有元数据集
transmute(flights, dep_time, hour = dep_time %/% 100, minute = dep_time %% 100) # %/% 整除运算； %% 取余运算
使用 summarise() 函数对数据进行描述性汇总 结果只输出指定的类 常与 group_by() 一起使用 从而实现将数据分组后再统计summarize(flights, delay = mean(dep_delay, na.rm = TRUE)) #
by_day <- group_by(flights, year, month, day)
summarize(by_day, delay = mean(dep_delay, na.rm = TRUE))
not_cancelled <- flights %>% filter(!is.na(dep_delay), !is.na(arr_delay)) # 使用管道操作
not_cancelled %>% group_by(year, month, day) %>% summarize(mean = mean(dep_delay)) # 使用管道操作
delays %>% filter(n > 25) %>% ggplot(mapping = aes(x = n, y = delay)) + geom_point(alpha = 1/10)
batting <- as_tibble(Lahman::Batting)
batting %>% group_by(playerID) %>% summarize(ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE), ab = sum(AB, na.rm = TRUE)) %>% filter(ab > 100) %>% ggplot(mapping = aes(x = ab, y = ba)) + geom_point() + geom_smooth(se = FALSE) # 分组 > 汇总 > 过滤 > 绘图
not_cancelled %>% group_by(dest) %>% summarize(carriers = n_distinct(carrier)) %>% arrange(desc(carriers)) # 分组 > 汇总 > 降序排列
not_cancelled %>% group_by(year, month, day) %>% summarize(avg_delay1 = mean(arr_delay), avg_delay2 = mean(arr_delay[arr_delay > 0])) # 分组 > 汇总
not_cancelled %>% group_by(dest) %>% summarize(distance_sd = sd(distance)) %>% arrange(desc(distance_sd)) # 分组 > 汇总 > 降序排列
not_cancelled %>% group_by(year, month, day) %>% summarize( first = min(dep_time), last = max(dep_time)) # 分组 > 汇总（取每一组的最大值和最小值）
转载于:https://www.cnblogs.com/0820LL/p/11188746.html