Re: [問題] 擷取data.frame中的特定資料

[Wush978 (拒看低質媒體)]

關於資料整理，我很想推dplyr這個套件，
以及magrittr所導入的pipeline語法。

借你的問題來跟大家分享一下如何用dplyr來解決這種問題

: 各位大大好，小弟在做coursera的作業時有一題要求把
: 一個給定的data.frame（叫做airquality）中某兩個向
: 量（Ozone和Temp）分別大於31和90時的第三個向量Solar.R
: 的平均值是多少？

```r
attach(airquality)
library(dplyr)
filter(airquality, !is.na(Ozone), !is.na(Temp)) %>%
  filter(Ozone > 31, Temp > 90) %>%
  `[[`("Solar.R") %>% mean
```

前兩行載入資料和dplyr。
dplyr對於表格化的物件，如：

  data.frame
  data.table （當資料量大的時候，好用的套件）
  SQL database 中的table

提供了一致的「動作」來作資料整理。

常用的有：

選行: select, 同SQL select
選列: filter, 同SQL where
排序: arrange, 同SQL sort by
取獨特值: distinct, 同SQL distinct
更動值: mutate, 同SQL update
總結: summarise (可搭配group_by使用，類似SQL group by)


這裡第三行
filter(airquality, !is.na(Ozone), !is.na(Temp))
表示從airquality中取出Ozone和Temp不是NA的列出來

第三行最後面的`%>%`是magrittr套件（dplyr會自動幫你載入它）
導入的一種`pipeline`方式的寫法。

他的功能在於，把前面的輸出結果，放到下一個函數的第一個參數

舉例來說，原本我們要這樣寫：

df1 <- filter(airquality, !is.na(Ozone), !is.na(Temp))
df2 <- filter(df1, Ozone > 31, Temp > 90)

懶惰的人如我，可能會寫成

filter(filter(airquality, !is.na(Ozone), !is.na(Temp)),
  Ozone > 31, Temp > 90)

這樣可以略過中間的暫存變數df1，但是程式碼也變醜了

透過`%>%`，我們可以把上面兩行改成：

filter(airquality, !is.na(Ozone), !is.na(Temp)) %>% # df1
  filter(Ozone > 31, Temp > 90) # filter(df1, ...)

不但可以略過暫存變數，同時程式碼仍然看起清楚

最後利用`%>%`和`[[`達到取出行變數Solar.R
再用mean算出平均值。

這裡順便跟大家宣導一個小概念：

R 中所有的東西都是「函數」，包含airquality[["Solar.R"]]這種語法，
實際上是`[[`(airquality, "Solar.R")
利用這樣的概念，再搭配`%>%`的威力，程式碼就寫的更爽了




: 後來我有發現可以用：
: attach(data)
: sub <- subset(data,Ozone > 31 & Temp > 90)
: summary(sub)
: 的方式求出Solar.R在符合上述兩個條件之下的平均值。
: 但一開始只是直覺地想要用for loop暴力算，但沒成功，
: 想問板上是否可以用迴圈的方式算出來？以下是自己嘗試
: 的程式碼，附帶一提：
: data[,1]是Ozone
: data[,2]是Solar.R
: data[,4]是Temp
: [程式範例]:
: add <- 0
: count <- 0
: for(i in 1:153){
:   if(data[i,1]>31 & data[i,4]>90)
:     add <- add + data[i,2]  #把符合條件的Temp值累加
:     count <- count + 1
: }
: mean <- add/count
: 這裏遇到的問題是data[,1]含有NA值，所以我想把有NA值
: 的資料刪掉，於是先跑這個for loop：
: for(i in 1:153){
:   if(is.na(hw2[i,1]))
:     hw2[i,] <- NULL
: }
: 結果：
:  錯誤在`[<-.data.frame`(`*tmp*`, i, , value = NULL) :
:   replacement has 0 items, need 6
: 不知道是類型不一樣，NULL不能隨便套用還是其他原因，
: 總之先感謝各位大大把這篇看完QQ

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.161.35.149
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1421156648.A.15C.html
→ Wush978: https://www.youtube.com/watch?v=JD1eDxxrur0
→ Wush978: 年會的影片有對dplyr做更詳細和更精彩的介紹FYI
推 ntme: GOOD!
推 cywhale: 推~今天剛好看到dplyr cheatsheet http://goo.gl/iXj4CN
→ Wush978: 感謝提供cheatsheets，收入置底資源區
推 memphis: 為什麼不使用 summarise(mean(Solar.R)) ?
→ Wush978: 因為一時沒想到，謝謝補充。ps.兩種方式輸出的格式不同
推 ToastCheng: 太感謝了～想不到還能多學兩招
推 obarisk: 原po想玩迴圈，應該用cpp做範例的XD
→ Wush978: 只好麻煩樓上了（推）
→ obarisk: magrittr裡面有包一些取代[[的function