用R的分組操作之前，首先要了解R語言包，包實質上是實現特定功能的，預先寫好的程式碼庫（library），R擁有大量的軟體包，許多包都是由某一領域的專家編寫的，但並不是所有的包都有很高的質量的，在使用包之前，最好導社群中瞭解其他網友的反饋。

安裝包，引用包和解除安裝包的命令分別是：

install.packages("package-name")
library(package-name)
remove.packages("package-name")

資料分析的工作，80%的時間耗費在處理資料上，而資料處理的過程可以分為：分離-操作-結合（Split-Apply-Combine），也就是說，先將資料根據特定的欄位分組，每個分組都是獨立的；然後，對每個分組執行轉換，最後把轉換後的結果組合在一起，在資料處理中，經常需要迴圈訪問資料，R語言是向量化的，天生具有處理迴圈操作的優勢。

一，分組聚合

在apply函式家族中，apply函式只能用於矩陣，lapply函式能夠用於向量和列表（list），其工作原理是把一個函式應用於一個列表中的每個元素上，並且把結果作為列表返回；sapply處理列表，返回向量。mapply函式，把呼叫的函式應用到多個列表的每一個元素中。

tapply函式用於分組聚合運算，在研究資料時，有時需要對資料按照特定的欄位進行分組，然後統計各個分組的資料，這就是SQL語法中的分組聚合。在R語言中，可以通過三步實現：拆分-應用-合併（Split-Apply-Combine）

例如，對玩家的遊戲成績進行統計和分析，建立示例資料：

> players_scores=data.frame(
+     player=rep(c('Tom','Dick','Jim'),times=c(2,5,3)),
+     score=round(runif(10,1,100),-1)
+ )

計算每個玩家的平均得分，首先對玩家分組，split函式的作用是按照特定的欄位對資料框進行分組，第一個引數是資料框物件，第二個引數是分組欄位，split函式返回的結果是列表物件。

例如，split(score,player)函式的作用是按照player欄位把資料框中的score拆分成一組，也就是說，player 相同的score是同一個分組，填充到同一個列表項中：

> (scores_by_player=with(players_scores,split(score,player)))
$Dick
[1] 70 20 30 70 70

$Jim
[1] 80 90 50

$Tom
[1] 80
 
 90

第二步是對每個分組計算平均分，利用lapply函式，把函式引用於列表的每個列表項中：

list_mean_by_player=lapply(scores_by_player,mean)

第三步是把結果合併到單個向量中，也就是把列表轉換成向量，

> unlist(list_mean_by_player)
    Dick      Jim      Tom 
52.00000 73.33333 85.00000 

在資料分析中，”拆分-應用-合併“ 顯示十分繁瑣，tapply函式一次完成所有的三個步驟，一氣呵成：

with(players_scores,tapply(score,player,mean))

tapply函式常用的引數共有三個，第一個引數是：資料框物件或向量，第二個引數是因子列表，也就是分組欄位，第三個引數是指對單個分組應用的函式變數：

tapply(X, INDEX, FUN = NULL, ...)

by函式和aggregate函式是tapply函式的包裝函式，功能相同，介面稍微不同。

二，aggregate函式

aggregate函式把資料分離為單獨的子集，為每一個子集計算聚合值，然後把聚合值結合（combine）在一起返回。aggregate函式第一個引數是：price~cut，這是formula物件，包括符號“ ~”，以及在符號“~”兩側的變數，左側代表要計算聚合值的變數（聚合變數），右側代表分組的變數，函式依據分組變數，把資料分離為多個單獨的子集。第二個引數是操作的資料框，第三個引數是應用在符號“~”左側的函式，例如：

> library(ggplot2)
> data("diamonds")

data函式的作用是載入指定的資料集，本例將載入ggplot2包中的diamonds資料集，這個資料集在下文直接引用。

使用aggregate函式操作diamonds資料集，按照cut欄位分組，函式mean的作用是為每個分組計算prince的平均值：

> aggregate(price~cut,diamonds,mean)

aggregate函式能夠新增多餘一個的分組變數，只需要在formula右側新增變數，並用加號“+”隔離：

> aggregate(price~cut+color,diamonds,mean)
         cut color    price
1       Fair     D 4291.061
2       Good     D 3405.382
3  Very Good     D 3470.467
....

aggregate函式能夠新增多個聚合變數，只需要在formula左側，使用函式cbind把兩個變數組合起來：

> aggregate(cbind(price,carat)~cut,diamonds,mean)
        cut    price     carat
1      Fair 4358.758 1.0461366
2      Good 3928.864 0.8491847
3 Very Good 3981.760 0.8063814
4   Premium 4584.258 0.8919549
5     Ideal 3457.542 0.7028370

還可以在aggregate函式formular物件的兩側分別新增多個變數執行操作

> aggregate(cbind(price,carat)~cut+color,diamonds,mean)
         cut color    price     carat
1       Fair     D 4291.061 0.9201227
2       Good     D 3405.382 0.7445166
....

三，plyr包

plyr包基本上可以取代apply函式家族，plyr包核心函式的特點是：**ply，所有的函式名都由5個字元組成，且最後三個字元是ply，函式名的第一個字元代表輸入值的型別，第二個字元代表輸出值的型別。型別簡寫是：

• d：data.frame
• l：list
• a：array，vector，matrix
• r：代表replicate
• _：捨棄輸出結果

plyr包的核心函式，使用起來十分方便，使用之前，需要載入和引用plyr包：

install.packages("plyr")
library(plyr)

1,ddply函式

plyr包中最常用的函式是ddply函式，函式的第一個引數是要操作的資料框，第二個引數是：要進行拆分的列的名稱，第三個引數是要應用到每個元素上的函式。傳遞列時，無需引號，但是需要包含在.(col_name)的呼叫之後。

使用colwise函式，使ddply函式把第三個引數引用於每一列，除了第二個引數指定的資料列之外，或者使用summarize函式對指定的列執行操作：

> ddply(diamonds,.(color),summarize,avg_price=mean(price),avg_carat=mean(carat))
  color avg_price avg_carat
1     D  3169.954 0.6577948
2     E  3076.752 0.6578667
.....

2，each函式

each函式，能夠使函式aggregate函式同時呼叫多個函式

> aggregate(cbind(price,carat)~cut+color,diamonds,each(mean,sum))
         cut color   price.mean    price.sum   carat.mean    carat.sum
1       Fair     D     4291.061   699443.000    0.9201227  149.9800000
2       Good     D     3405.382  2254363.000    0.7445166  492.8700000
......

三，dplyr包

install.packages("dplyr")
library(dplyr)

tibble 型別是dplyr包特有的物件型別（data frame tbl / tbl_df）。在利用dplyr包處理資料之前，首先需要把資料框裝載成tibble型別，可以呼叫 tbl_df函式把資料框型別的資料裝載成 tibble 型別的資料物件：

> df=tbl_df(diamonds)

1，投影函式（select）

從tibble變數中，選擇特定的資料列顯示，select函式的第一個引數是tibble變數：

> select(df,carat,cut,color)

2，篩選函式（filter）

從tibble變數中，按照特定的條件過濾資料：

> filter(df,color=='E')

3，轉換函式（mutate）

根據tibble變數中的資料，應用指定的公式，派生新的資料列，或重寫已經存在的資料列：

> mutate(df,avg_ct=price/carat)

4，彙總函式（summarize）

對tibble變數執行聚合運算，如果tibble已經被分組，那麼單獨對每個分組進行聚合運算：

> summarize(df,avg_prince=mean(price),avg_ct=mean(carat))

5，分組函式（group_by）和移除分組(ungroup)

被分組之後，tibble變數處於分組狀態，可以使用ungroup函式，移除tibble變數的分組狀態。

group_by(df,color)

6，管道操作符（%>%）

管道操作符（%>%）用於把前一步操作的結果集（變數型別是tibble）傳遞到下一個函式中，賦值給函式的第一個引數中：

> group_by(df,color) %>% summarize(mean(price))
# A tibble: 7 x 2
  color `mean(price)`
  <ord>         <dbl>
1     D      3169.954
2     E      3076.752
3     F      3724.886
4     G      3999.136
5     H      4486.669
6     I      5091.875
7     J      5323.818

7，排序函式（arrange）

arrange對tibble變數進行排序，預設是按照欄位的升序值排序，使用desc(field)，可以按照欄位的降序值排序：

> group_by(df,color) %>% summarize(avg_price=mean(price)) %>% arrange(desc(avg_price))