R语言学习笔记9-数据过滤-分组-融合
数据过滤
数据选择是指从数据结构(如数据框、列表等)中提取、筛选或操作数据的过程。从数据集中提取符合条件的行或列。这在数据分析和清洗过程中非常常见,可以从大量数据中快速筛选出需要的部分,R提供了包括基础的索引、逻辑条件、函数式编程方法等实现
基础数据过滤
使用方括号 [ ] 进行基本索引和切片
# 创建一个示例数据框 df <- data.frame( name = c("Alice", "Bob", "Charlie"), age = c(25, 30, 28), gender = c("F", "M", "M"), score = c(88, 92, 85) ) # 选择整列数据 df$name # 选择名为"name"的列 # 选择多列数据 df[, c("name", "score")] # 选择名为"name"和"score"的列 # 选择某行某列的数据 df[2, "age"] # 选择第2行、"age"列的数据 # 切片选择多行多列数据 df[1:2, c("name", "age")] # 选择第1行到第2行的"name"和"age"列的数据
条件筛选数据
使用逻辑条件进行数据筛选
# 使用逻辑条件筛选数据 df[df$age > 25, ] # 筛选年龄大于25岁的行数据 # 多条件筛选 df[df$age > 25 & df$gender == "M", ] # 筛选年龄大于25岁且性别为男性的行数据
使用dplyr包进行数据操作
# 加载 dplyr 包 library(dplyr) # 示例数据框 df <- data.frame( name = c("Alice", "Bob", "Charlie"), age = c(25, 30, 28), gender = c("F", "M", "M"), score = c(88, 92, 85) ) # 使用 dplyr 筛选和操作数据 # 选择特定列 df_selected <- df %>% select(name, age) # 条件筛选 df_filtered <- df %>% filter(age > 25) # 多条件筛选 df_multi_filter <- df %>% filter(age > 25, gender == "M") # 按条件计算新列 df_calculated <- df %>% mutate(score_adjusted = score * 1.1) # 添加一个新的列,表示成绩调整后的值 # 按组计算汇总统计 df_summary <- df %>% group_by(gender) %>% summarise(mean_age = mean(age), max_score = max(score)) # 按性别计算平均年龄和最高分 print(df_selected) print(df_filtered) print(df_multi_filter) print(df_calculated) print(df_summary)
使用subset()函数进行简单数据过滤
subset()函数可以根据行和列的逻辑条件从数据框中选择子集
# 使用 subset 函数筛选数据 # 筛选年龄大于25岁的行 filtered_df <- subset(df, age > 25) # 多条件筛选 filtered_df <- subset(df, age > 25 & gender == "M") # 查看处理后的数据 print(filtered_df) 输出结果: name age gender score 2 Bob 30 M 92 3 Charlie 28 M 85
数据分组
数据分组是指将数据集按照某个或多个变量的值进行划分,以便对每个分组进行独立的分析或操作。数据分组在处理具有分类特征的数据集时特别有用,可帮助我们理解不同类别或组别之间的数据特征和差异
使用split()进行数据分组
在基础R中,可使用split()函数来根据某个变量的值将数据分组
# 创建一个示例数据框 df <- data.frame( group = c('A', 'B', 'A', 'B', 'A', 'B'), value = c(1, 2, 3, 4, 5, 6) ) # 使用split()函数按group列的值分组 grouped_data <- split(df$value, df$group) # 查看分组结果 print(grouped_data)
输出结果会显示两个分组A和B,每个分组中包含对应的value值。
使用dplyr包进行数据分组
dplyr包是tidyverse系列包中的一个,它提供了非常强大的数据处理功能,包括数据分组。在dplyr中,可使用group_by()函数来进行数据分组
# 加载dplyr包 library(dplyr) # 示例数据框(同上) df <- data.frame( group = c('A', 'B', 'A', 'B', 'A', 'B'), value = c(1, 2, 3, 4, 5, 6) ) # 使用group_by()函数按group列的值分组 grouped_df <- df %>% group_by(group) # 查看分组结构(不直接显示分组内容,但可用于后续操作) str(grouped_df) # 对分组数据进行操作,例如计算每组的平均值 summarized_df <- grouped_df %>% summarise(mean_value = mean(value)) # 查看操作结果 print(summarized_df)
group_by()函数将数据按group列的值进行了分组,但分组后的数据框grouped_df本身不会直接显示分组的内容。然而,这个分组结构可以在后续的操作中使用,例如在summarise()函数中计算每个分组的统计量
使用data.table包进行数据分组
# 加载data.table包 library(data.table) # 将数据框转换为data.table对象 dt <- as.data.table(df) # 使用[, by=]语法进行分组和操作 summarized_dt <- dt[, .(mean_value = mean(value)), by = group] # 查看操作结果 print(summarized_dt)
在data.table中,使用[, by=]的语法来进行分组操作。上面的代码计算了每个group的平均value值
数据融合
数据融合(或称数据合并)指的是将多个数据集按照某些条件或列进行连接,以便进行综合分析或处理。常见的数据融合方式包括基于列连接(merge)、基于行连接(bind)、以及使用特定关系操作符(如join)等
使用merge()进行数据融合
# 创建示例数据框 df1 <- data.frame( ID = c(1, 2, 3), Name = c("Alice", "Bob", "Charlie"), Score1 = c(85, 92, 78) ) df2 <- data.frame( ID = c(2, 3, 4), Score2 = c(88, 95, 80) ) # 使用merge()函数按照ID列进行数据融合 merged_df <- merge(df1, df2, by = "ID", all = TRUE) # 使用all = TRUE表示保留所有行 # 查看融合后的数据 print(merged_df)
merge()函数按照ID列将df1和df2进行连接,结果包含了所有的ID,并将两个数据框中的数据合并在一起
使用dplyr包进行数据融合
dplyr包提供了更为简洁和灵活的数据处理方式,包括数据融合操作
# 加载dplyr包 library(dplyr) # 示例数据框(同上) df1 <- data.frame( ID = c(1, 2, 3), Name = c("Alice", "Bob", "Charlie"), Score1 = c(85, 92, 78) ) df2 <- data.frame( ID = c(2, 3, 4), Score2 = c(88, 95, 80) ) # 使用dplyr的left_join()函数按照ID列进行左连接 merged_df <- left_join(df1, df2, by = "ID") # 查看融合后的数据 print(merged_df)
left_join()函数执行了按照ID列的左连接操作,即保留了df1中所有的行,并将df2中匹配的行数据合并到一起
使用data.table包进行数据融合
data.table是另一个效率高且功能强大的数据处理包,特别适用于大型数据集的操作
# 加载data.table包 library(data.table) # 示例数据框(同上) df1 <- data.table( ID = c(1, 2, 3), Name = c("Alice", "Bob", "Charlie"), Score1 = c(85, 92, 78) ) df2 <- data.table( ID = c(2, 3, 4), Score2 = c(88, 95, 80) ) # 使用data.table的merge()函数按照ID列进行数据融合 merged_dt <- merge(df1, df2, by = "ID", all = TRUE) # 查看融合后的数据 print(merged_dt)
在data.table中,merge()函数的用法与基础R中的merge类似,但它在处理大数据时有更高的效率