R语言的“dplyr”数据操作.docxVIP

R语言的“dplyr”数据操作

一、dplyr的基础认知：数据操作的“底层逻辑”

（一）dplyr的简介与生态定位

在R语言的数据分析生态中，dplyr是一颗“明星包”——它隶属于tidyverse生态系统（由HadleyWickham及其团队开发的一系列数据科学工具包集合），专注于高效、简洁的数据操作。与baseR（R的基础包）相比，dplyr的优势在于：语法更直观、逻辑更一致、速度更快，尤其适合处理结构化数据（如表格数据）。

要使用dplyr，首先需要安装（仅需一次）：在R控制台输入install.packages(tidyverse)（tidyverse包含dplyr及其他常用包，如ggplot2可视化、tidyr数据整理），或单独安装dplyr（install.packages(dplyr)）。安装完成后，用library(tidyverse)或library(dplyr)加载包——加载tidyverse会自动引入dplyr，因此无需重复操作。

（二）dplyr的核心哲学：整洁数据与动词优先

dplyr的设计遵循两大核心思想，这也是它区别于其他数据操作工具的关键：

整洁数据（TidyData）：这是tidyverse的底层逻辑，要求数据满足三个条件——每个变量占一列（如“年龄”是一个变量，单独成列）、每个观测占一行（如“张三的年龄”是一个观测，对应一行）、每个值占一个单元格（如“张三的年龄25”是一个值，对应一个单元格）。现实中的原始数据常不满足这一点（比如将“数学”“语文”作为列名的成绩表），需先用tidyr包整理成整洁格式（如用pivot_longer将科目列转换为行），再用dplyr操作。

动词优先（Verb-First）：dplyr将所有数据操作转化为明确的“动词”，每个动词只做一件事，且语法高度一致。比如“选择变量”用select、“筛选行”用filter、“新增变量”用mutate——这些动词像日常对话中的“动作”，直接描述你对数据的操作意图。这种设计大幅降低了记忆成本：你不需要记复杂的函数名，只需想“我要做什么”，就能找到对应的动词。

二、dplyr的核心动词：数据操作的“基本动作”

dplyr的核心功能围绕六个基础动词展开，它们覆盖了90%以上的日常数据操作需求。

（一）选择变量：select——留下需要的“列”

select的作用是从数据框中选择或排除变量，语法为select(数据框,变量条件)。它支持多种灵活的选择方式：

直接选变量：select(df,姓名,年龄)（从df中选“姓名”“年龄”列）；

用辅助函数选变量：starts_with(前缀)（选前缀匹配的变量，如starts_with(身)选“身高”“体重”）、ends_with(后缀)（选后缀匹配的变量，如ends_with(龄)选“年龄”“工龄”）、contains(关键词)（选包含关键词的变量，如contains(成绩)选“数学成绩”“语文成绩”）；

排除变量：用减号-开头，如select(df,-年龄)（排除“年龄”列）、select(df,-starts_with(身))（排除所有前缀为“身”的变量）。

举个例子：若数据框students包含“姓名”“年龄”“性别”“身高_cm”“体重_kg”“数学成绩”，要选“姓名”“数学成绩”及所有含“身”的变量，可写select(students,姓名,数学成绩,starts_with(身))。

（二）筛选行：filter——留下需要的“观测”

filter的作用是按逻辑条件筛选行，语法为filter(数据框,逻辑条件)。逻辑条件支持（且）、|（或）、!（非）组合，也可使用%in%（属于某集合）、between()（在区间内）等辅助函数：

基本条件：filter(students,年龄18)（选年龄18的行）、filter(students,性别==女数学成绩=90)（选女生且数学≥90的行）；

集合条件：filter(students,班级%in%c(一班,二班))（选一班或二班的学生）；

区间条件：filter(students,between(年龄,16,20))（选年龄在16-20岁之间的学生）。

需注意，filter会自动排除含NA（缺失值）的行，若要保留NA，需用is.na()函数（如filter(students,is.na(年龄))选年龄为NA的行）。

（三）排序：arrange——让数据“有秩序”

arrange的作用是按变量排序，语法为arrange(数据框,变量1,变量2)，默认升序排列。若要降序，在变量前加desc()函数：

arrange(students,年龄)（按年龄升序）；

arrange(stu