R在数据科学中的应用，第2版

第 3 章 数据转换 数据转换

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

导言

可视化是产生洞察力的重要工具，但很少有情况下，你能以正确的形式获得数据，制作出你想要的图表。通常情况下，你需要创建一些新的变量或摘要来回答你的数据问题，或者你只是想重新命名变量或重新排列观测值，让数据更容易处理。本章将向你介绍如何使用 dplyr 软件包和一个关于 2013 年从纽约市出发的航班的新数据集进行数据转换。

本章的目的是向你介绍转换数据帧的所有关键工具。我们将从对数据帧的行和列进行操作的函数开始，然后我们将回过头来进一步讨论管道，这是一个用于组合动词的重要工具。然后，我们将介绍分组功能。在本章的最后，我们将通过一个案例研究来展示这些函数的实际应用，在后面的章节中，当我们开始深入研究特定类型的数据（如数字、字符串、日期）时，我们将再次详细介绍这些函数。

先决条件

在本章中，我们将重点介绍 dplyr 软件包，它是 tidyverse 的另一个核心成员。我们将使用来自 nycflights13 软件包的数据来说明其中的关键思想，并使用 ggplot2 来帮助我们理解这些数据。

library(nycflights13)
library(tidyverse)
#> ── Attaching core tidyverse packages ───────────────────── tidyverse 2.0.0 ──
#> ✔ dplyr     1.1.0.9000     ✔ readr     2.1.4     
#> ✔ forcats   1.0.0          ✔ stringr   1.5.0     
#> ✔ ggplot2   3.4.1          ✔ tibble    3.1.8     
#> ✔ lubridate 1.9.2          ✔ tidyr     1.3.0     
#> ✔ purrr     1.0.1          
#> ── Conflicts ─────────────────────────────────────── tidyverse_conflicts() ──
#> ✖ dplyr::filter() masks stats::filter()
#> ✖ dplyr::lag()    masks stats::lag()
#> ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all 
#>   conflicts to become errors

注意加载 tidyverse 时打印的冲突信息。如果你想在加载 dplyr 后使用这些函数的基础版本，你需要使用它们的全名： stats::filter()和 stats::lag().到目前为止，我们大多忽略了函数来自哪个软件包，因为大多数情况下这并不重要。不过，知道软件包可以方便查找帮助和相关函数，所以当我们需要精确地知道某个函数来自哪个软件包时，我们将使用与 R 相同的语法：packagename::functionname().

NYCFlights13

为了探索 dplyr 的基本动词，我们将使用 nycflights13::flights.该数据集包含 2013 年从纽约市出发的所有 336,776 次航班。数据来自美国运输统计局，记录在 ?flights.

flights
#> # A tibble: 336,776 × 19
#> year month day dep_time sched_dep_time ...