dplyr包-列选择的方法

专题介绍：R是一种广泛用于数据分析和统计计算的强大语言，于上世纪90年代开始发展起来。得益于全世界众多爱好者的无尽努力，大家继而开发出了一种基于R但优于R基本文本编辑器的R Studio（用户的界面体验更好）。也正是由于全世界越来越多的数据科学社区和用户对R包的慷慨贡献，让R语言在全球范围内越来越流行。其中一些R包，例如MASS，SparkR， ggplot2，使数据操作,可视化和计算功能越来越强大。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R作为一种统计分析软件，是集统计分析与图形显示于一体的。它可以运行于UNIX、Windows和Macintosh的操作系统上，而且嵌入了一个非常方便实用的帮助系统，相比于其他统计分析软件，R的学术性开发比较早，适合生物学和医学等学术学科的科研人员使用。

是新朋友吗？记得先点R语言关注我哦～

《R包学习》专栏·第1篇

文 | R学习者

2984字 | 8分钟阅读

【R语言】已开通R语言社群，五湖四海，天南地北，各行各业，有缘相聚，共享R事，雕刻数据，求解问题，以创价值。喜乐入群者，请加微信号luqin360，或扫描文末二维码，添加为好友，同时附上R-入群。有朋自远方来，不亦乐乎，并诚邀入群，以达相互学习和进步之美好心愿。

作为一个R语言学习者，R语言的强大功能，给我的工作带来极大便利。它之所以好用，很大程度上依赖于它有着一批好用的R包。与数据相关的各种动作，都有相应的R包可以支撑。

实际工作中，我们碰到的数据通常是不能直接用于分析和建模的。在这之前，我们需要做数据的整理，以生成可用于后续分析和建模的整洁数据集。dplyr就是一个用于数据整理的R包。

关于数据的整理，它包含了丰富的内容，罗列如下：

从列的角度看，有列的选择，列的删除，列的重命名，列的变换，列的增加等
从行的角度看，有行的选择，行的增加，行的删除等
从数据集整体看，有数据的集成，数据的聚合，数据的子集获取等

上面这些数据操作，dplyr包可以灵活地进行实现。

在本文，记录dplyr包对列做选择的各种方法。

我们以R包自带的数据集为例子，演示用dplyr包进行各种不同需求的列选择，同时，为了让代码更加的精简，文中代码大多数用管道方式来组织。

第一步：加载所需R包和相应数据集

1library(magrittr) # 提供管道操作
2library(dplyr) # 用于数据的整理操作
3library(tidyverse) # 用于使用数据集msleep

我们使用msleep数据集做例子。在进行列的选择之前，我们先查看msleep数据集的结构。

第二步：数据集结构查看

1msleep %>% glimpse() # 使用glimpse函数

这个数据集有83行，11列，有6列是字符型，6列是数值型。

对数据集的结构有个概况后，我们接下来可以实现各种不同需求的列选择操作了。

第三步：列选择的示范

3.1 选择少量感兴趣的列

1msleep %>% 
2  select(name, order, awake) %>%
3  glimpse()

3.2 选择连续的列

1msleep %>%
2  select(name:order, awake:bodywt) %>%
3  glimpse()

3.3 列选择的逆向操作，使用-号，删除不要的列，也就实现了所选择的列

1msleep %>%
2  select(-name, -(awake:bodywt)) %>%
3  glimpse()

3.4 基于列名子串做选择

采用了一种包含的逻辑关系，常用函数starts_with(), end_with()和contains()。

1msleep %>%
2  select(starts_with('sleep')) %>%
3  glimpse()
4msleep %>%
5  select(contains('eep')) %>%
6  glimpse()
7msleep %>%
8  select(ends_with('e')) %>%
9  glimpse()

3.5 基于正则表达式选择列

利用正则表达式表示列中某一种模式，以实现列的匹配和选择。

1msleep %>%
2  select(matches("o.+er")) %>%
3  glimpse

这个正则表达式用于匹配包含“o”，后跟一个或多个其他字母和“er”的任何列。

3.6 基于预定义的列清单做列选择

可以使用one_of()函数或者!!操作符。

1classification <- c("name", "genus", "vore")
2
3msleep %>%
4  select(!!classification) %>%
5  glimpse 
6
7msleep %>%
8  select(one_of(classification)) %>%
9  glimpse

3.7 基于列的数据类型做列选择

使用select_if()函数结合列的数据类型判断函数is.numeric, is.double, is.character, is.factor, is.logical等。

1msleep %>%
2  select_if(is.character) %>%
3  glimpse

若是需要传递自己定义的函数，需要在前面添加波浪线~，例如，与上面效果等价的写法：

1msleep %>%
2  select_if(~!is.numeric(.)) %>%
3  glimpse

3.8 基于逻辑表达式的列选择

例1，选择数值型列，并且列的均值要大于5

 1msleep %>%
 2  select_if(is.numeric) %>%
 3  select_if(~mean(., na.rm=TRUE) > 5) %>%
 4  glimpse()
 5
 6# 或者
 7
 8msleep %>%
 9  select_if(~is.numeric(1) & mean(., na.rm=TRUE) > 5) %>%
10  glimpse()

例2，选择每个列唯一取值个数大于10的列

1msleep %>%
2  select_if(~n_distinct(.) > 10) %>%
3  glimpse

3.9 列选择的其它用途

例1，用于调换列的顺序

例2，用于列的重命名

例3，对所选择的例批量小写化或者大写化

例4，对列名做清洗

例5，添加行的名称这一列

 1# 1) 列的顺序调换
 2msleep %>%
 3  select(awake, name, everything()) %>%
 4  glimpse 
 5
 6# 2) 列的重命名
 7msleep %>% 
 8  select(name1 = name, vore1 = vore, bodywt) %>%
 9  glimpse
10# 3) 对所有的列做大写或者小写处理
11msleep %>%
12  select_all(toupper) %>%
13  glimpse()
14# 4) 对选择列的做清洗处理
15msleep2 <- select(msleep, name, sleep_total, brainwt)
16colnames(msleep2) <- c("name", "sleep total", "brain weight")
17
18msleep2 %>%
19  select_all(~str_replace(., " ", "_")) %>%
20  glimpse 
21
22msleep2 <- select(msleep, name, sleep_total, brainwt)
23colnames(msleep2) <- c("Q1 name", "Q2 sleep total", "Q3 brain weight")
24msleep2[1:3,]
25msleep2 %>%
26  select_all(~str_replace(., "Q[0-9]+", "")) %>% 
27  select_all(~str_replace(., " ", "_")) 
28
29# 5) 对行名成添加为一列
30mtcars %>%
31  tibble::rownames_to_column("car_model") %>%
32  head

关于列的选择，你还有那些需求或者场景，请留言。

参考资料：

1https://suzan.rbind.io/2018/01/dplyr-tutorial-1/

2https://dplyr.tidyverse.org/

附录：完整代码

  1###################
  2#dplyr包
  3#列选择的方法
  4##################
  5# 第一步：加载R包和相应数据集
  6library(magrittr) # 提供管道操作
  7library(dplyr) # 用于数据的整理操作
  8library(tidyverse) # 用于使用数据集msleep
  9
 10# 第二步：数据集结构查看
 11msleep %>% glimpse()
 12
 13# 第三步：列选择的示范
 14# 3.1 选择几个感兴趣的列
 15msleep %>% 
 16  select(name, order, awake) %>%
 17  glimpse()
 18
 19# 3.2 选择连续的列
 20msleep %>%
 21  select(name:order, awake:bodywt) %>%
 22  glimpse()
 23
 24
 25# 3.3 列选择的逆向操作
 26msleep %>%
 27  select(-name, -(awake:bodywt)) %>%
 28  glimpse()
 29
 30# 3.4 基于列的子串做选择
 31msleep %>%
 32  select(starts_with('sleep')) %>%
 33  glimpse()
 34msleep %>%
 35  select(contains('eep')) %>%
 36  glimpse()
 37msleep %>%
 38  select(ends_with('e')) %>%
 39  glimpse()
 40
 41# 3.5 基于正则表达式的列的选择
 42msleep %>%
 43  select(matches("o.+er")) %>%
 44  glimpse
 45
 46# 3.6 基于预定义的列清单做列选择
 47classification <- c("name", "genus", "vore")
 48
 49msleep %>%
 50  select(!!classification) %>%
 51  glimpse 
 52
 53msleep %>%
 54  select(one_of(classification)) %>%
 55  glimpse 
 56
 57# 3.7 基于列的数据类型选择列
 58msleep %>%
 59  select_if(is.character) %>%
 60  glimpse
 61
 62msleep %>%
 63  select_if(~!is.numeric(.)) %>%
 64  glimpse
 65
 66# 3.8 基于逻辑表达式的列选择
 67msleep %>%
 68  select_if(is.numeric) %>%
 69  select_if(~mean(., na.rm=TRUE) > 5) %>%
 70  glimpse()
 71
 72# 或者
 73
 74msleep %>%
 75  select_if(~is.numeric(1) & mean(., na.rm=TRUE) > 5) %>%
 76  glimpse()
 77
 78msleep %>%
 79  select_if(~n_distinct(.) > 10) %>%
 80  glimpse
 81
 82# 3.9 列选择的其它用途
 83# 1) 列的调换顺序
 84msleep %>%
 85  select(awake, name, everything()) %>%
 86  glimpse 
 87
 88# 2) 列的重命名
 89msleep %>% 
 90  select(name1 = name, vore1 = vore, bodywt) %>%
 91  glimpse
 92# 3) 对所有的列做大写或者小写处理
 93msleep %>%
 94  select_all(toupper) %>%
 95  glimpse()
 96# 4) 对选择列的做清洗处理
 97msleep2 <- select(msleep, name, sleep_total, brainwt)
 98colnames(msleep2) <- c("name", "sleep total", "brain weight")
 99
100msleep2 %>%
101  select_all(~str_replace(., " ", "_")) %>%
102  glimpse 
103
104msleep2 <- select(msleep, name, sleep_total, brainwt)
105colnames(msleep2) <- c("Q1 name", "Q2 sleep total", "Q3 brain weight")
106msleep2[1:3,]
107msleep2 %>%
108  select_all(~str_replace(., "Q[0-9]+", "")) %>% 
109  select_all(~str_replace(., " ", "_")) 
110
111# 5) 对行名成添加为一列
112mtcars %>%
113  tibble::rownames_to_column("car_model") %>%
114  head