dplyr专注处理dataframe对象, 并提供更稳健的与其它数据库对象间的接口。

　　一、5个关键的数据处理函数：

　　select() 返回列的子集

　　filter() 返回行的子集

　　arrange() 根据一个或多个变量对行排序。

　　mutate() 使用已有数据创建新的列

　　summarise() 对各个群组汇总计算并返回一维结果。

　　Tips：

　　1、select()

　　Dplyr包有下列辅助函数，用于在select()中选择变量：

　　starts_with("X"): 以 "X"开头的变量名

　　ends_with("X"): 以 "X"结束的变量名

　　contains("X"): 包含 "X"的变量名

　　matches("X"): 匹配正则表达式“x"的变量名

　　num_range("x", 1:5): 变量名为 x01, x02, x03, x04 and x05

　　one_of(x): 出现在字符向量x中的所有变量名

　　在select()中直接使用列时不需要引用""，但使用上述辅助函数时必须引用""。

　　2、filter()

　　R 有一系列逻辑表达式可用于filter()中：

　　x < y;x <= y;x == y;x != y;x >= y;x > y;x %in% c(a, b, c)

　　示例：

　　filter(df, a > 0, b > 0)

　　filter(df, !is.na(x))

　　3、arrange()

　　arrange()默认从小到大排序，在arrange()中使用desc()作用于变量可以使之从大到小排序.

　　4、mutate()

　　mutate()允许在同一次调用中使用新变量来创建下一个变量，例如：

　　mutate(my_df, x = a + b, y = x + c)

　　5、 summarise()

　　R的下列聚合函数可用于 summarise()中

　　min(x) - 最小值.

　　max(x) - 最大值

　　mean(x) - 平均值

　　median(x) - 中位数

　　quantile(x, p) - x的第P个分位数

　　sd(x) -标准差

　　var(x) - 方差

　　IQR(x) - 四分位数

　　diff(range(x)) - x值的范围

　　dplyr包自身提供了一些有用的聚合函数：

　　first(x) - 向量x中的第1个元素

　　last(x) - 向量x中的最后1个元素

　　nth(x, n) - 向量x中的第n个元素

　　n() - data.frame中的行数或 summarise() 描述的观测组的数量

　　n_distinct(x) - 向量x中唯一值的数量

　　二、管道函数%>%

　　dplyr包中特有的管道函数%>%，将上一个函数的输出作为下一个函数的输入。

　　%>%运算符允许从参数列表中提取函数的第一个参数，并放置在%>%前面。

　　下面两条指令相等：

　　mean(c(1, 2, 3, NA), na.rm = TRUE)

　　c(1, 2, 3, NA) %>% mean(na.rm = TRUE)

　　三、分组函数group_by()

　　对数据集定义群组。然后可对各个群组分别进行汇总统计。

　　通过 group_by() 添加了分组信息后,mutate(), arrange() 和 summarise() 函数会自动对这些 tbl 类数据执行分组操作。

　　group_by(dataframe,colnames1,colnames2,…)

　　四、连接数据(joins)

　　1、6种连接函数如下：

　　left_join(dataset1,dataset2)

　　right_join(dataset1,dataset2)

　　inner_join(dataset1,dataset2,by=c(“”))

　　full_join(dataset1,dataset2, by = c("first", "last"))

　　semi_join(dataset1,dataset2, by = c("first", "last"))

　　anti_join(dataset1,dataset2, by = c("first", "last"))

　　前4种属于变形连接(mutating joins)，后2种属于过滤连接(filtering joins)。

　　semi-joins基于第二个数据集的信息来过滤第一个数据集的数据。anti-joins找出合并时哪些行不能匹配第二个数据集

　　2、key值

　　R语言的 data frames可在 row.names属性中存储重要信息，虽然不是存储数据的好方式却很常见。如果数据集的主关键字在row.names中，将难以与其他数据集连接。一种解决方法是使用tibble包(tibble：a data frame with class tbl_df)中的rownames_to_column()函数，返回该数据集的副本，并且行名作为一列增加到该数据中。

　　library(tibble)

　　rownames_to_column(data, var="name")

　　如果两个数据集有相同的列名，但代表的事物不同，并且by参数不包含这些重复的列名，dplyr会忽略这些列名，并对相同的列名增加.x和 .y来帮助区分列。

　　当两个数据集中相同的事物有不同的列名，要完成合并，将by设置为一个命名向量。向量的名字为主数据集中的列名，向量的值为第二个数据集中的列名。例如：

　　x %>% left_join(y, by = c("x.name" = "y.name"))

　　完成连接后保留主数据集中的列名。

　　3、多个数据集的连接

　　Purrr包中的 reduce()函数对多个数据集重复应用某函数，可用于连接多个数据集，与dplyr的join类函数配合使用，例如：

　　library(purrr)

　　list(data1,data2,data3) %>% reduce(left_join,by = c("first","last"))

　　五、集合操作(set operations)

　　dplyr提供了intersection、union和setdiff用于获得数据集的交集、并集和差集。

　　六、组装数据assembling data

　　使用如下函数：

　　bind_rows()

　　bind_cols() ：将多个data frame合成单个data frame

　　data_frame() : 将一系列列向量组合成data frame

　　as_data_frame() :将list转换成data frame