工作流

R 项目管理最佳实践

Tidyverse 篇

library(tidyverse)

前面几章先后介绍了tidyverse套餐的若干部件。感觉很难吗？如果是，那说明你认真听了。

本章做个小结，通过案例复习和串讲下tidyverse中常用的核心部件（事实上，tidyverse套餐比我们列出的要丰富）。

readr 宏包

读入数据是第一步，我们可以用readr导入数据

{BLOCK TIDYVERSE-WORKFLOW-4, TYPE="DANGER"}

提示：

- 逗号(`,`)分割的文件 `read_csv()`
- 制表符(`tab`)分割的文件 `read_tsv()`
- 任意的分割符 `read_delim()`
- 固定宽度的文件 `read_fwf()`
- 空格分割的文件 `read_table()`
- 网页log文件 `read_log()`

读取外部数据

penguins <- read_csv("./demo_data/penguins.csv")

保存到外部文件

penguins %>% write_csv("newdata.csv")

tibble 宏包

tibble 是升级版的 dataframe, 之所以是升级版，是因为在tidyverse中tibble做很多优化。下面你可以看到两者的区别：

as_tibble(penguins)
as.data.frame(penguins) %>% head()

在R Markdown里两者区别不大，但在console中，区别很明显的。比如tibble不一样的地方有：

列出了变量的类型(这个很不错)
只列出10行
只列出有限的列数（与屏幕适应的）
高亮 NAs

ggplot2 宏包

查看数据

我们先查看下数据

glimpse(penguins)

散点图

体重在性别上有很大区别？

ggplot(data = penguins, aes(x = sex, y = body_mass_g)) +
  geom_point()

箱线图

ggplot(data = penguins, aes(x = sex, y = body_mass_g)) +
  geom_boxplot()

ggplot(data = penguins, aes(x = sex, y = body_mass_g)) +
  geom_boxplot(aes(fill = species))

我们可能看到：

Gentoo 类的企鹅比 Adelie 和 Chinstrap 类的企鹅体重更重
Gentoo 类型中，雄性企鹅比雌性企鹅体重更重
Adelie 和 Chinstrap 两种类型的企鹅，区别不是很明显
sex 这个变量有缺失值，主要集中在 Gentoo 和 Chinstrap 两种类型

那么每种类型的企鹅，数据中有多少是NA呢？上dplyr吧！

dplyr 宏包

dplyr 宏包可以:

创建新变量 mutate()
分组统计 summarize() + group_by()
筛选 filter()
重命名变量 rename()
排序 arrange()
更多

选取列

下面两个有什么区别？

select(penguins, species, sex, body_mass_g)

penguins %>%
  select(species, sex, body_mass_g)

行方向排序

glimpse(penguins)

penguins %>%
  select(species, sex, body_mass_g) %>%
  arrange(desc(body_mass_g))

分组统计

penguins %>% 
  group_by(species, sex) %>%
  summarize(count = n())

增加列

penguins %>% 
  group_by(species) %>%
  mutate(count_species = n()) %>%
  ungroup() %>%
  group_by(species, sex, count_species) %>%
  summarize(count = n()) %>%
  mutate(prop = count/count_species*100)

筛选

penguins %>% 
  group_by(species) %>%
  mutate(count_species = n()) %>%
  ungroup() %>%
  group_by(species, sex, count_species) %>%
  summarize(count = n()) %>%
  mutate(percentage = count/count_species*100) %>%
  filter(species == "Chinstrap")

forcats 宏包

forcats 宏包主要用于分类变量和因子型变量，比如这里的 species, island, sex.

对于不是因子型的变量，比如这里 year 是数值型变量，我们也可以通过 factor() 函数将它转换成因子型变量。

penguins %>%
  mutate(year_factor = factor(year, levels = unique(year)))

我们保存到新的数据集中，再看看有什么变化

penguins_new <-
  penguins %>%
  mutate(year_factor = factor(year, levels = unique(year)))
penguins_new

class(penguins_new$year_factor)

levels(penguins_new$year_factor)

大家回想下，弄成因子型变量有什么好处呢？

stringr 宏包

stringr宏包包含了非常丰富的处理字符串的函数，比如

匹配
字符串子集
字符串长度
字符串合并
字符串分割
更多

字符串转换

penguins %>%
  select(species, island) %>%
  mutate(ISLAND = str_to_upper(island))

字符串合并

penguins %>%
  select(species, island) %>%
  mutate(ISLAND = str_to_upper(island)) %>%
  mutate(species_island = str_c(species, ISLAND, sep = "_"))

tidyr 宏包

想想什么叫tidy data？

长表格变宽表格

untidy_penguins <-
  penguins %>%
    pivot_wider(names_from = sex,
                values_from = body_mass_g)
untidy_penguins

宽表格变长表格

untidy_penguins %>%
  pivot_longer(cols = male:`NA`, 
               names_to = "sex",
               values_to = "body_mass_g")

purrr 宏包

purrr 宏包提供了map()等一系列函数，取代 for 和 while循环方式，实现高效迭代，保持语法一致性，同时增强了代码的可读性。

penguins %>% map(~sum(is.na(.)))

penguins %>%
  group_nest(species) %>%
  mutate(model = purrr::map(data, ~ lm(bill_depth_mm ~ bill_length_mm, data = .))) %>%
  mutate(result = purrr::map(model, ~ broom::tidy(.))) %>%
  tidyr::unnest(result)

# remove the objects
# rm(list=ls())
rm(penguins, penguins_new, untidy_penguins)

pacman::p_unload(pacman::p_loaded(), character.only = TRUE)