1. dplyr与tidyr数据清洗实战指南
在数据分析工作中,约80%的时间都花在数据清洗和预处理上。作为R语言中最强大的数据处理组合,dplyr和tidyr彻底改变了数据科学家处理结构化数据的方式。这套工具集源自Hadley Wickham的"tidyverse"生态系统,其设计哲学强调代码可读性和操作一致性。
我仍记得第一次使用dplyr的场景:原本需要十几行嵌套代码才能完成的复杂数据操作,现在只需要几行清晰的管道操作就能实现。这种流畅的数据操作体验,让R从统计语言蜕变为高效的数据处理工具。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心函数深度解析
2.1 数据筛选与选择
filter()和select()是数据操作中最基础的函数,但掌握它们的细节能显著提升工作效率:
r复制# 基础筛选方式
filter(interviews, village == "Chirodzo", rooms > 1)
# 使用%in%进行多值筛选
filter(interviews, village %in% c("Chirodzo", "Ruaca"))
# 正则表达式筛选
filter(interviews, str_detect(respondent_wall_type, "brick"))
select()的进阶技巧包括:
- 使用
starts_with(),ends_with()等辅助函数 - 列重命名
select(new_name = old_name) - 排除列
select(-unwanted_column)
实际项目中,我经常先用
glimpse()查看数据结构,再配合select()快速定位需要的列。对于大型数据集,先筛选列再处理行能显著提升性能。
2.2 管道操作的艺术
管道操作符%>%彻底改变了R代码的书写方式。它的本质是将左侧对象作为右侧函数的第一个参数传递:
r复制# 传统嵌套写法
arrange(select(filter(interviews, village == "Chirodzo"), no_membrs), desc(no_membrs))
# 管道写法
interviews %>%
filter(village == "Chirodzo") %>%
s
