• 管道操作

在介绍 dplyr 前，首先应了解管道操作 %>% 的含义，管道由是由 Stefan Milton Bache 制作的 magrittr 包介绍的，主要作用在于简化多次线性操作。

例如我们有一个多层嵌套的操作：

func_3(func_2(func_1(data, arg1 = haha),arg2 = huhu), arg3 = hoho)

这样书写看起来一团糟，而且容易弄混，如果我们用管道操作，可以表达为：

data %>% func_1(arg1 = haha) %>% func_2(arg2 = huhu) %>% func_3(arg3 = hoho)

逻辑链条变得清晰易懂。

• filter()

filter() 是一个用于筛选行的函数，例如我们想筛出排量大于等于 5，高速路每公里耗油小于 20 的车：

mpg %>% filter(displ >=5 , hwy < 20)

    ## # A tibble: 29 × 11
    ##    manufacturer              model displ  year   cyl      trans   drv
    ##           <chr>              <chr> <dbl> <int> <int>      <chr> <chr>
    ## 1     chevrolet c1500 suburban 2wd   5.3  2008     8   auto(l4)     r
    ## 2     chevrolet c1500 suburban 2wd   5.7  1999     8   auto(l4)     r
    ## 3     chevrolet c1500 suburban 2wd   6.0  2008     8   auto(l4)     r
    ## 4     chevrolet    k1500 tahoe 4wd   5.3  2008     8   auto(l4)     4
    ## 5     chevrolet    k1500 tahoe 4wd   5.3  2008     8   auto(l4)     4
    ## 6     chevrolet    k1500 tahoe 4wd   5.7  1999     8   auto(l4)     4
    ## 7     chevrolet    k1500 tahoe 4wd   6.5  1999     8   auto(l4)     4
    ## 8         dodge  dakota pickup 4wd   5.2  1999     8 manual(m5)     4
    ## 9         dodge  dakota pickup 4wd   5.2  1999     8   auto(l4)     4
    ## 10        dodge        durango 4wd   5.2  1999     8   auto(l4)     4
    ## # ... with 19 more rows, and 4 more variables: cty <int>, hwy <int>,
    ## #   fl <chr>, class <chr>

• arrange()

arrange() 是一个用于排序的函数，例如我们得到了这些排量较大，耗油较小的车，想按照生产日期降序排列，耗油量升序排列。

mpg %>% filter(displ >=5 , hwy < 20) %>% arrange(desc(year) , hwy)

    ## # A tibble: 29 × 11
    ##    manufacturer               model displ  year   cyl    trans   drv   cty
    ##           <chr>               <chr> <dbl> <int> <int>    <chr> <chr> <int>
    ## 1     chevrolet     k1500 tahoe 4wd   5.3  2008     8 auto(l4)     4    11
    ## 2          jeep  grand cherokee 4wd   6.1  2008     8 auto(l5)     4    11
    ## 3     chevrolet  c1500 suburban 2wd   5.3  2008     8 auto(l4)     r    11
    ## 4     chevrolet  c1500 suburban 2wd   6.0  2008     8 auto(l4)     r    12
    ## 5         dodge ram 1500 pickup 4wd   5.7  2008     8 auto(l5)     4    13
    ## 6          ford     f150 pickup 4wd   5.4  2008     8 auto(l4)     4    13
    ## 7         dodge         durango 4wd   5.7  2008     8 auto(l5)     4    13
    ## 8          ford      expedition 2wd   5.4  2008     8 auto(l6)     r    12
    ## 9          jeep  grand cherokee 4wd   5.7  2008     8 auto(l5)     4    13
    ## 10      lincoln       navigator 2wd   5.4  2008     8 auto(l6)     r    12
    ## # ... with 19 more rows, and 3 more variables: hwy <int>, fl <chr>,
    ## #   class <chr>

• select()

这 11 个变量太多，我们只关心车型，那么可以通过 select() 函数把这一个变量单独提出来：

mpg %>% filter(displ >=5 , hwy < 20) %>% arrange(desc(year) , hwy) %>% select(model)

    ## # A tibble: 29 × 1
    ##                  model
    ##                  <chr>
    ## 1      k1500 tahoe 4wd
    ## 2   grand cherokee 4wd
    ## 3   c1500 suburban 2wd
    ## 4   c1500 suburban 2wd
    ## 5  ram 1500 pickup 4wd
    ## 6      f150 pickup 4wd
    ## 7          durango 4wd
    ## 8       expedition 2wd
    ## 9   grand cherokee 4wd
    ## 10       navigator 2wd
    ## # ... with 19 more rows

• mutate()

我们回到原来的 mpg 数据集，按照常识，排气管越多，排量越大，我们想生成一个新变量来看一看每根排气管的平均排气量是不是很接近。

mpg %>% mutate(ave_displ= displ / cyl)  %>% select(ave_displ)

    ## # A tibble: 234 × 1
    ##    ave_displ
    ##        <dbl>
    ## 1  0.4500000
    ## 2  0.4500000
    ## 3  0.5000000
    ## 4  0.5000000
    ## 5  0.4666667
    ## 6  0.4666667
    ## 7  0.5166667
    ## 8  0.4500000
    ## 9  0.4500000
    ## 10 0.5000000
    ## # ... with 224 more rows

var(mpg %>% mutate(ave_displ= displ / cyl)  %>% select(ave_displ))

    ##             ave_displ
    ## ave_displ 0.007758093

可以发现我们的猜想大致正确， 多数车的平均排气量都在 0.5 到 0.7 之间，计算出来的方差也非常小。

• group_by()

有的时候我们不想看单个样本，而是想按照某个标准把数据分成几组，再来分别看这些组的统计特征有什么差异，那么我们可以先用 group_by() 按照条件分组，再用 summarise() 算出每组组内的统计特征。

例如我们想看不同车型的平均排气量和平均耗油量：

mpg %>% group_by(class) %>% summarise(mean(displ) , mean(hwy))

    ## # A tibble: 7 × 3
    ##        class    mean(displ)   mean(hwy)
    ##        <chr>         <dbl>       <dbl>
    ## 1    2seater      6.160000    24.80000
    ## 2    compact      2.325532    28.29787
    ## 3    midsize      2.921951    27.29268
    ## 4    minivan      3.390909    22.36364
    ## 5     pickup      4.418182    16.87879
    ## 6 subcompact      2.660000    28.14286
    ## 7        suv      4.456452    18.12903

上面的几个函数是 dplyr 包的核心函数，如果要进一步了解 dplyr 的其他函数可以参考 dplyr 的 cheatsheet。