dplyr：六個基本資料處理技法
摘要
本文簡介如何使用 dplyr 與 base R 語法進行六個基本資料處理技法，並支援初學者先從 dplyr 開始做基本資料處理技法這個論點。
論點起源
在 Tidyverse：R 語言學習之旅的新起點一文中我們提到過新興的 R 語言學習路徑可以從 tidyverse 這個套件起始，而非傳統的 Base R；這個論點其實源自於 DataCamp 現任的首席資料科學家 David Robinson，他的前一份工作是在 Stack Overflow 擔任資料科學家。
不過 tidyverse 是一個非常龐大的生態系，它有點像是懶人包，將未來可能
試試水溫
對於初學者，可以在安裝 tidyverse 之前，先嘗試看看 dplyr 這個 tidyverse 的敲門磚；假如 ggplot2 被譽為繪圖的文法（grammar of graphics），那麼 dplyr 就是資料處理的文法（grammar of data manipulation），如果喜歡，就可以接著走新興路徑，接著試 ggplot2；假如不喜歡，就改走 Base R 的傳統路徑。
那又該怎麼判斷自己是否會喜歡 dplyr 呢？在本篇文章中，我們會簡介 dplyr 的六個基本資料處理技法：篩選、選擇、新增、排序、摘要與分組，同時互動參照使用 base R 的寫法該怎麼實踐，初學者應當能夠在執行過後得到一個較喜歡的做法，又或者直接採納本文的觀點。
前置作業
需要安裝載入 dplyr，然後手動建立一個資料框 strawhat。
install.packages("dplyr") library(dplyr) strawhat <- data.frame( name = c("Monkey D. Luffy", "Roronoa Zoro", "Nami", "Usopp", "Vinsmoke Sanji", "Tony Tony Chopper", "Nico Robin", "Franky", "Brook"), gender = c("Male", "Male", "Female", "Male", "Male", "Male", "Female", "Male", "Male"), age = c(19, 21, 20, 19, 21, 17, 30, 36, 90), height = c(174, 181, 170, 176, 180, 90, 188, 240, 277), stringsAsFactors = FALSE ) View(strawhat)
One Piece, Google Search
篩選女性船員
dplyr 使用 filter 函式、base R 使用原生中括號。
# dplyr::filter() ---------
strawhat %>%
filter(gender == "Female")
# base R ------------------
strawhat[strawhat$gender == "Female", ]
選擇姓名與年紀
dplyr 使用 select 函式、base R 使用原生中括號。
# dplyr::select() ---------
strawhat %>%
select(name, age)
# base R ------------------
strawhat[, c("name", "age")]
新增兩年前的年紀
dplyr 使用 mutate 函式、base R 直接將衍生變數的算式指派給新變數。
# dplyr::mutate() ---------
strawhat %>%
mutate(age_before = age - 2)
# base R ------------------
strawhat$age_before <- strawhat$age - 2
strawhat
以身高遞減排序
dplyr 使用 arrange 函式、base R 則以 order 函式取得觀測值順序後以原生中括號擺放位置。
# dplyr::arrange() --------
strawhat %>%
arrange(desc(height))
# base R ------------------
strawhat[rev(order(strawhat$height)), ]
摘要平均年齡
dplyr 使用 summarise 函式、base R 直接對變數計算。
# dplyr::summarise() ------
strawhat %>%
summarise(avg_age = mean(age))
# base R ------------------
avg_age <- mean(strawhat$age)
avg_age
分性別摘要平均年齡
dplyr 使用 group_by 函式、base R 則使用 aggregate 函式。
# dplyr::group_by() -------
strawhat %>%
group_by(gender) %>%
summarise(avg_age = mean(age))
# base R ------------------
aggregate(strawhat$age, by = list(strawhat$gender), FUN = mean)
本文觀點
快速操作過 dplyr 與 Base R 語法後，不知道讀者是否已經心裡有譜？若還是拿不定主意，本文觀點是篩選、選擇、新增與摘要這四個技法上，dplyr 與 base R 算得上無差異，但是在排序及分組上，dplyr 的好用與直觀程度都勝過 base R，總結來說，我們支援初學者從 dplyr 做基本資料處理技法開始。