R语言小白学习笔记10—数据重构：Tidyverse
笔记链接
学习笔记1—R语言基础.
学习笔记2—高级数据结构.
学习笔记3—R语言读取数据.
学习笔记4—统计图.
学习笔记5—编写R语言函数和简单的控制循环语句.
学习笔记6—分组操作.
学习笔记7—高效的分组操作：dplyr.
学习笔记8—数据迭代.
学习笔记9—数据整理.
学习笔记10—数据重构
前边虽然已经介绍了几种重构数据的方法，但包dplyr和tidyr包适应管道设计、性能有提高，更易使用。
10.1 合并行和列数据
dplyr包中合并行和列的函数：bind_rows函数和bind_cols函数，相比较于之前的rbind和cbind函数，其使用局限性更大，但对数据框友好。
用法和之前的rbind函数和cbind函数相同。
10.2 用dplyr连接
dplyr包连接系列函数：left_join、right_join、inner_join、full_join、semi_join和anti_join函数。
例：将diamonds数据集中颜色的列与其关于颜色的详细说明进行连接
首先，用read_csv函数读取数据
> library(readr)
> colorsURL <- 'http://www.jaredlander.com/data/DiamondColors.csv'
> diamondColors <- read_csv(colorsURL)
-- Column specification ---------------------------------
cols(
Color = col_character(),
Description = col_character(),
Details = col_character()
)
> diamondColors
# A tibble: 10 x 3
Color Description Details
<chr> <chr> <chr>
1 D Absolutely Colorless No color
2 E Colorless Minute traces of color
3 F Colorless Minute traces of color
4 G Near Colorless Color is dificult to detect
5 H Near Colorless Color is dificult to detect
6 I Near Colorless Slightly detectable color
7 J Near Colorless Slightly detectable color
8 K Faint Color Noticeable color
9 L Faint Color Noticeable color
10 M Faint Color Noticeable color
然后查看diamonds数据集中的color列
> data(diamonds, package = 'ggplot2')
> unique(diamonds$color)
[1] E I J H F G D
Levels: D < E < F < G < H < I < J
接下来进行左连接，因为两个数据框的键列的列名不同，所以要用By参数指定
> library(dplyr)
> left_join(diamonds, diamondColors, by=c('color' = 'Color'))
# A tibble: 53,940 x 12
carat cut color clarity depth table price x
<dbl> <ord> <chr> <ord> <dbl> <dbl> <int> <dbl>
1 0.23 Ideal E SI2 61.5 55 326 3.95
2 0.21 Prem~ E SI1 59.8 61 326 3.89
3 0.23 Good E VS1 56.9 65 327 4.05
4 0.290 Prem~ I VS2 62.4 58 334 4.2
5 0.31 Good J SI2 63.3 58 335 4.34
6 0.24 Very~ J VVS2 62.8 57 336 3.94
7 0.24 Very~ I VVS1 62.3 57 336 3.95
8 0.26 Very~ H SI1 61.9 55 337 4.07
9 0.22 Fair E VS2 65.1 61 337 3.87
10 0.23 Very~ H VS1 59.4 61 338 4
# ... with 53,930 more rows, and 4 more variables:
# y <dbl>, z <dbl>, Description <chr>, Details <chr>
这里用的是左连接，左表（diamonds）所有行保留，右表（diamondColors）只保留匹配行。
右连接（right_join），右表所有行保留，左表只保留匹配行。
inner_join返回两个表中都匹配的行数据（即只有在两个表中都存在才会返回）。
full_join返回两个表中所有的行数据。
semi_join并不连接两个表，而是返回左表中和右表匹配的第一行。
例：
> semi_join(diamondColors, diamonds, by=c('Color' = 'color'))
# A tibble: 7 x 3
Color Description Details
<chr> <chr> <chr>
1 D Absolutely Colorless No color
2 E Colorless Minute traces of color
3 F Colorless Minute traces of color
4 G Near Colorless Color is dificult to detect
5 H Near Colorless Color is dificult to detect
6 I Near Colorless Slightly detectable color
7 J Near Colorless Slightly detectable color
anti_join和semi_join正好相反，它只返回左表中行数据没有在右表中匹配上的行数据。
例：
> anti_join(diamondColors, diamonds, by=c('Color' = 'color'))
# A tibble: 3 x 3
Color Description Details
<chr> <chr> <chr>
1 K Faint Color Noticeable color
2 L Faint Color Noticeable color
3 M Faint Color Noticeable color
10.3 行列变换
这里使用tidyr包，支持管道操作。
例：这里用情绪反应和管理的实验数据作为例子
> library(readr)
> emotion <- read_tsv('http://www.jaredlander.com/data/reaction.txt')
-- Column specification ---------------------------------
cols(
ID = col_double(),
Test = col_double(),
Age = col_double(),
Gender = col_character(),
BMI = col_double(),
React = col_double(),
Regulate = col_double()
)
> emotion
# A tibble: 99 x 7
ID Test Age Gender BMI React Regulate
<dbl> <dbl> <dbl> <chr> <dbl> <dbl> <dbl>
1 1 1 9.69 F 14.7 4.17 3.15
2 1 2 12.3 F 14.6 3.89 2.55
3 2 1 15.7 F 19.5 4.39 4.41
4 2 2 17.6 F 20.0 2.03 2.2
5 3 1 9.52 F 20.9 3.38 2.65
6 3 2 11.8 F 24.0 4 3.63
7 4 1 16.3 M 25.1 3.15 3.59
8 4 2 18.8 M 28.0 3.02 3.54
9 5 1 15.8 M 28.4 3.08 2.64
10 5 2 18.2 M 19.6 3.17 2.29
# ... with 89 more rows
这里使用gather函数转换数据。
把Age、React和Regulate列合并成一列，成为Measurement列，另一列Type保留原来的列名。
gather函数第一个参数是tibble或数据框数据，key参数是新建的列名，保留原始列名或key，Value参数是新建的列名，保留被归档的原始列的实际数据。剩下的参数是被归档的列名。
> library(tidyr)
> emotion %>%
+ gather(key=Type, value=Measurement, Age, BMI, React, Regulate)
# A tibble: 396 x 5
ID Test Gender Type Measurement
<dbl> <dbl> <chr> <chr> <dbl>
1 1 1 F Age 9.69
2 1 2 F Age 12.3
3 2 1 F Age 15.7
4 2 2 F Age 17.6
5 3 1 F Age 9.52
6 3 2 F Age 11.8
7 4 1 M Age 16.3
8 4 2 M Age 18.8
9 5 1 M Age 15.8
10 5 2 M Age 18.2
# ... with 386 more rows
按ID排序：
> emotionLong <- emotion %>%
+ gather(key=Type, value=Measurement, Age, BMI, React, Regulate) %>%
+ arrange(ID)
# A tibble: 396 x 5
ID Test Gender Type Measurement
<dbl> <dbl> <chr> <chr> <dbl>
1 1 1 F Age 9.69
2 1 2 F Age 12.3
3 1 1 F BMI 14.7
4 1 2 F BMI 14.6
5 1 1 F React 4.17
6 1 2 F React 3.89
7 1 1 F Regulate 3.15
8 1 2 F Regulate 2.55
9 2 1 F Age 15.7
10 2 2 F Age 17.6
# ... with 386 more rows
gather函数的反向操作是spread函数，将行转换为列。
> emotionLong %>%
+ spread(key=Type, value=Measurement)
# A tibble: 99 x 7
ID Test Gender Age BMI React Regulate
<dbl> <dbl> <chr> <dbl> <dbl> <dbl> <dbl>
1 1 1 F 9.69 14.7 4.17 3.15
2 1 2 F 12.3 14.6 3.89 2.55
3 2 1 F 15.7 19.5 4.39 4.41
4 2 2 F 17.6 20.0 2.03 2.2
5 3 1 F 9.52 20.9 3.38 2.65
6 3 2 F 11.8 24.0 4 3.63
7 4 1 M 16.3 25.1 3.15 3.59
8 4 2 M 18.8 28.0 3.02 3.54
9 5 1 M 15.8 28.4 3.08 2.64
10 5 2 M 18.2 19.6 3.17 2.29
# ... with 89 more rows