數據整理和清洗是任何統計分析的前提，也是最為困難的一個環節，很多軟件也提供了數據整理和清洗的功能。甚至連我們常用的EXCEL也可以做這個工作，但是效率很低，而且容易出錯，且無法完整保存清洗過程。R語言作為一種開源語言，在這個方面還是很有優勢的。例如R語言中的 Tidyverse是一系列優秀R包的合集，其中最常用的7個package包括ggplot2/tibble/tidyr/readr/purrr/dplyr/stringr/forcat。

每個包的功能如下：

readr：

用于數據讀取

tibble：

用于形成強化數據框

tidyr：

用于長寬表格轉換，數據整潔，數據清理

dplyr：

用于數據操縱，數據整理

stringr：

用于處理字符串數據

forcats：

用于處理因子數據

ggplot2：用于數據可視化

下面我們使用示例數據進行一些演示：

library(nycflights13)?

library(nycflights13)flights

dim(flights)#查看數據框的維度，可以看出整個數據框有336776個觀測，19個變量

這次我們想要選擇以下變量進行分析：

year 航班日期-年

month 航班日期-月

day 航班日期-月

dep_delay 起飛延遲時間(分)

arr_delay 到達延遲時間(分)

distance 航行里程(英里)

dest 目的地

targetdfselect(flights,year,month, day,dep_delay,arr_delay,distance,dest)targetdf#可以看出這樣就篩選出來了目標變量

targetdfrename(targetdf,destination=dest)#變量重命名

targetdf filter(targetdf,!is.na(dep_delay),!is.na(arr_delay))#刪除缺失值targetdf#查看去除缺失值后的數據框

> targetdf#按照月份降序> targetdf

> groupby#按照destination分組> groupby#一共104個組

> delay_sum <- summarise(groupby, count = n(),#統計各分組目的地的航班數+ + dist = mean(distance, na.rm = TRUE),+ + delay = mean(arr_delay, na.rm = TRUE))> delay_sum

分別顯示了104個分組的，航班數，平均航行距離以及平均延誤時間。

> ggplot(data = delay_sum) ++ + geom_point(mapping = aes(x = dist, y = delay)) +#繪制平均航程(dist)和平均延誤時間(delay)的散點圖+ + geom_smooth(mapping = aes(x = dist, y = delay))

總結

以上是生活随笔為你收集整理的r语言 整理、处理数据步骤_R语言万能数据清洗整理包Tidyverse（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。