【譯文】利用dplyr包進行資料操作
作者 Teja Kodali
譯者 錢亦欣
dplyr是R中用來進行資料操作的一個包，由Hadley Wickham(男神！)編寫維護。它提供了一些功能強大，易於使用的函式，這些函式對於資料探索分析和資料操作而言非常實用。在本文中我將對這些常用函式做一個基本的概述。
我將使用包中自帶的空氣質量資料集做示例。這個資料集包含了紐約從1973年5月到1973年9月的空氣質量測量資料。
該資料集前幾行是這樣的：
head(airquality)
Ozone Solar.R Wind Temp Month Day
1 41 190 7.4 67 5 1
2 36 118 8.0 72 5 2
3 12 149 12.6 74 5 3
4 18 313 11.5 62 5 4
5 NA NA 14.3 56 5 5
6 28 NA 14.9 66 5 6
在介紹函式之前，先讓我們載入兩個包
library(datasets)
library(dplyr)
準備完畢，來看看函式吧！
Filter
filter()函式會返回滿足設定條件的觀測資料(行)，舉個例子，我們可以用如下方法返回Temp變數值大於70的觀測：
filter(airquality, Temp > 70)
Ozone Solar.R Wind Temp Month Day
1 36 118 8.0 72 5 2
2 12 149 12.6 74 5 3
3 7 NA 6.9 74 5 11
4 11 320 16.6 73 5 22
5 45 252 14.9 81 5 29
6 115 223 5.7 79 5 30
...
也可以設定多個過濾條件。下方的例子會返回Temp大於80並且Month大於5的子集。
filter(airquality, Temp > 80 & Month > 5)
Ozone Solar.R Wind Temp Month Day
1 NA 186 9.2 84 6 4
2 NA 220 8.6 85 6 5
3 29 127 9.7 82 6 7
4 NA 273 6.9 87 6 8
5 71 291 13.8 90 6 9
6 39 323 11.5 87 6 10
...
Mutate()
Mutate()函式可以給資料集新增新變數。比如，可以在表中新增新的一列，記錄用攝氏度表示的溫度資料。
mutate(airquality, TempInC = (Temp - 32) * 5 / 9)
Ozone Solar.R Wind Temp Month Day TempInC
1 41 190 7.4 67 5 1 19.44444
2 36 118 8.0 72 5 2 22.22222
3 12 149 12.6 74 5 3 23.33333
4 18 313 11.5 62 5 4 16.66667
5 NA NA 14.3 56 5 5 13.33333
...
Summarise
summarise()是用來將多個變數總結成單個變數的函式。將它和dplyr包中的其他函式組合使用可謂威力無窮。如下所示，na.rm=TRUE設定會在計算均值時剔除所有NA的觀測，防止返回異常結果。
summarise(airquality, mean(Temp, na.rm = TRUE))
mean(Temp)
1 77.88235
Group By
group_by()函式可以把資料集根據一個或多個變數進行分組。比如可以根據月份把資料分組，並用summarise()函式計算每個組的溫度均值。
summarise(group_by(airquality, Month), mean(Temp, na.rm = TRUE))
Month mean(Temp)
1 5 65.54839
2 6 79.10000
3 7 83.90323
4 8 83.96774
5 9 76.90000
Sample
sample()函式可以從表格中隨機抽取一定數量的行（觀測）。下述第一行程式碼從資料集中隨機抽取了10行，第二行程式碼隨機抽取了15行（153個觀測的10%）。
sample_n(airquality, size = 10)
sample_frac(airquality, size = 0.1)
Count
count()函式會在資料分好組的基礎上進行計數。這個函式功能和base包的table()有些類似。例子如下：
count(airquality, Month)
Month n
1 5 31
2 6 30
3 7 31
4 8 31
5 9 30
輸出結果表示，5月份有31個觀測，6月有30個觀測，等等。
Arrange
arrange()函式可以按照變數值對觀測進行排序。當前情況下，空氣質量資料集是按照月份（Month）進行排序，每個月的資料在按照日期（Day）排序。我們可以用arrange函式將資料集按照月份降序排列，再逐月按照日期升序排列。
arrange(airquality, desc(Month), Day)
Ozone Solar.R Wind Temp Month Day
1 96 167 6.9 91 9 1
2 78 197 5.1 92 9 2
3 73 183 2.8 93 9 3
4 91 189 4.6 93 9 4
5 47 95 7.4 87 9 5
6 32 92 15.5 84 9 6
Pipe(管道操作符)
R中的管道操作符為%>%，這個符號可以把一系列操作函式連結起來。（譯者注：管道操作符%>%會將不同指令連線起來。%>%符號會把左邊的輸出傳遞到右邊的函式，作為右側函式的第一個引數。）當你對一個資料集進行連續操作時利用管道操作符非常有用，它可以讓你不用逐步記錄每一次操作的輸出。
舉個例子，如果我們想要移除資料集中5月份的觀測，並將觀測按月份排序，再機選每個月的平均溫度。傳統的方法可能要把程式碼寫成這樣：
filteredData <- filter(airquality, Month != 5)
groupedData <- group_by(filteredData, Month)
summarise(groupedData, mean(Temp, na.rm = TRUE))
利用管道操作符，上述程式碼可以重寫為：
airquality %>%
filter(Month != 5) %>%
group_by(Month) %>%
summarise(mean(Temp, na.rm = TRUE))
這是一個非常基礎的例子，管道操作的便利性可能無法體現。但只要對於資料的運算元越來越多，管道操作的優勢將會逐步體現。
到這裡本文就要結束了。我希望你們能享受閱讀的過程，並且認為dplyr包真的實用。如果你有任何問題，請在下方自由留言或訪問我的推特。
注:原文刊載於datascience+網站