R for Data Science(3)

• R for Data Science
• 以下是关于网页内容的详细笔记：

1. 章节概览

• 章节主题：数据转换（Data Transformation）
• 核心内容：介绍如何使用 R 中的 dplyr 包进行数据转换，包括对数据框的行、列和组的操作，以及管道操作符的使用。

2. 数据转换基础

• dplyr 包：是 tidyverse 的核心成员之一，提供了用于数据转换的工具。
• nycflights13 数据集：包含 2013 年从纽约市出发的所有航班信息，用于示例分析。
• Tibble：一种特殊的数据框，专为大型数据集设计，仅显示部分行和列。

3. 行操作

3.1 filter() 函数

• 功能：根据条件筛选行。
• 示例：
  • 筛选起飞时间晚点超过 120 分钟的航班：

    flights |>filter(dep_delay > 120)
    

  • 筛选特定月份或日期的航班：

    flights |>filter(month == 1 & day == 1)
    

• 常见错误：使用 = 而不是 ==，或者错误地使用逻辑运算符。

3.2 arrange() 函数

• 功能：根据列的值对行进行排序。
• 示例：
  • 按起飞时间排序：

    flights |>arrange(year, month, day, dep_time)
    

  • 按延迟时间降序排序：

    flights |>arrange(desc(dep_delay))
    

3.3 distinct() 函数

• 功能：查找唯一行或唯一组合。
• 示例：
  • 删除重复行：

    flights |>distinct()
    

  • 查找唯一的出发地和目的地组合：

    flights |>distinct(origin, dest)
    

4. 列操作

4.1 mutate() 函数

• 功能：创建新列或修改现有列。
• 示例：
  • 计算延迟时间的增益和飞行速度：

    flights |>mutate(gain = dep_delay - arr_delay,speed = distance / air_time * 60)
    

4.2 select() 函数

• 功能：选择特定的列。
• 示例：
  • 选择特定列：

    flights |>select(year, month, day)
    

  • 使用范围选择：

    flights |>select(year:day)
    

4.3 rename() 函数

• 功能：重命名列。
• 示例：
  • 重命名列：

    flights |>rename(tail_num = tailnum)
    

4.4 relocate() 函数

• 功能：重新排列列的顺序。
• 示例：
  • 将列移动到前面：

    flights |>relocate(time_hour, air_time)
    

5. 组操作

5.1 group_by() 函数

• 功能：按一个或多个变量分组。
• 示例：
  • 按月份分组：

    flights |>group_by(month)
    

5.2 summarize() 函数

• 功能：对分组数据进行汇总。
• 示例：
  • 计算每个月的平均延迟时间：

    flights |>group_by(month) |>summarize(avg_delay = mean(dep_delay, na.rm = TRUE))
    

5.3 slice_*() 函数

• 功能：提取每个组中的特定行。
• 示例：
  • 提取每个目的地延迟时间最长的航班：

    flights |>group_by(dest) |>slice_max(arr_delay, n = 1)
    

6. 管道操作符

• 功能：将多个操作组合在一起，使代码更简洁。
• 示例：
  • 使用管道找到最快的航班：

    flights |>filter(dest == "IAH") |>mutate(speed = distance / air_time * 60) |>select(year:day, dep_time, carrier, flight, speed) |>arrange(desc(speed))
    

7. 案例研究

• 内容：使用棒球数据集（Lahman 包）分析击球手的表现。
• 示例：
  • 计算击球手的击球平均数和击球次数：

    batters <- Lahman::Batting |>group_by(playerID) |>summarize(performance = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),n = sum(AB, na.rm = TRUE))
    

8. 总结

• 重点：介绍了 dplyr 包中用于操作数据框的工具，包括行操作、列操作和组操作。
• 下一步：深入学习特定类型数据的转换方法（如数字、字符串、日期等）。