R数据科学-1

---

R数据科学（R for Data Science）

Part 1：探索

by: PJX for 查漏补缺

exercise: https://jrnold.github.io/r4ds-exercise-solutions

------------前言-------------------------------

library(tidyverse)
#核心包：ggplot2/tibble/readr/purrr/dplyr/tidyr/forcats/stringr
#更新
tidyverse_update()
#代码错误信息用英文
Sys.setenv(LANGUAGE="en")
#本书生成环境
library(devtools)
devtools::session_info(c("tidyverse")) #session_info查看R解释器版本及运行平台等信息
session_info()
.libPaths() #包路径
dim(available.packages()) #可安装的包及其属性

-----------第1章 使用ggplot2进行数据可视化-------------------

#1.第一步
mpg
ggplot(mpg)+geom_point(aes(displ,hwy))
#练习题
ggplot(mpg)
dim(mpg)
?mpg
ggplot(mpg,aes(hwy,cyl))+geom_point()
ggplot(mpg,aes(class,drv))+geom_point()
#2.图形属性映射
ggplot(mpg)+geom_point(aes(displ,hwy,color=class))
ggplot(mpg)+geom_point(aes(displ,hwy,size=class))
ggplot(mpg)+geom_point(aes(displ,hwy,alpha=class))
ggplot(mpg)+geom_point(aes(displ,hwy,shape=class)) #ggplot2只能同时使用6种形状
ggplot(mpg)+geom_point(aes(displ,hwy,stroke=cty))
ggplot(mpg)+geom_point(aes(displ,hwy,color=displ<5)) #条件映射
#在aes外部手动设置几何对象的图形属性
ggplot(mpg)+geom_point(aes(displ,hwy),color="blue")
#3.分面(离散变量)
ggplot(mpg)+geom_point(aes(displ,hwy))+facet_wrap(~class,nrow = 2) #单个变量
ggplot(mpg)+geom_point(aes(displ,hwy))+facet_grid(drv~cyl) #两个变量
ggplot(mpg)+geom_point(aes(displ,hwy))+facet_grid(.~cyl) #只按cyl列分面
ggplot(mpg)+geom_point(aes(displ,hwy))+facet_grid(drv~.) #只按drv行分面
#4.几何对象
ggplot(mpg)+geom_point(aes(displ,hwy))
ggplot(mpg)+geom_smooth(aes(displ,hwy))
ggplot(mpg)+geom_smooth(aes(displ,hwy,linetype=drv))
ggplot(mpg)+geom_smooth(aes(displ,hwy,group=drv)) #group将图像属性设为一个分类变量
ggplot(mpg)+geom_smooth(aes(displ,hwy,color=drv),show.legend = F)
ggplot(mpg)+
  geom_point(aes(displ,hwy))+
  geom_smooth(aes(displ,hwy))
#ggplot中全局映射，减少代码重复
ggplot(mpg,aes(displ,hwy))+
  geom_point()+
  geom_smooth()
ggplot(mpg,aes(displ,hwy))+
  geom_point(aes(color=class))+ #局部映射只对该图层有效
  geom_smooth()
#不同图层可用不同的数据
ggplot(mpg,aes(displ,hwy))+
  geom_point(aes(color=class))+
  geom_smooth(data=filter(mpg,class=="subcompact"),se=F) #se标准误standard error
#5.统计变换
ggplot(diamonds)+geom_bar(aes(cut)) #产生count
#绘图时用来计算新数据的算法称为stat（即统计变换），共20多个
?geom_bar #默认数量统计变换stat = "count"
?geom_histogram
#通常几何对象函数和统计变换可交换使用：每个几何对象都有一个默认的统计变换，每个统计变换函数都有一个默认的几何对象
ggplot(diamonds)+stat_count(aes(cut))
#修改默认的统计变换
demo <- tribble(
  ~a,~b,
  "bar_1",20,
  "bar_2",30,
  "bar_3",40
)
ggplot(demo)+geom_bar(aes(a,b),stat = "identity")
#修改默认统计变换：按比例显示
ggplot(diamonds)+geom_bar(aes(x=cut,y=..prop..,group=1)) #group将所有cut视为一个分类变量
ggplot(diamonds)+geom_bar(aes(x=cut,y=..prop..)) #error
ggplot(diamonds)+geom_bar(aes(x=cut,y=..prop..,fill=color)) #error
#强调统计变换
ggplot(diamonds)+stat_summary(aes(x=cut,y=depth),
                              fun.ymin = min,
                              fun.ymax = max,
                              fun.y = median)
#6.位置调整
ggplot(diamonds)+geom_bar(aes(cut,color=cut))
ggplot(diamonds)+geom_bar(aes(cut,fill=cut))
ggplot(diamonds)+geom_bar(aes(cut,fill=clarity)) #每个矩形是cut和clarity的组合
#position的参数：identity, fill, dodge
ggplot(diamonds,aes(x=cut,fill=clarity))+
  geom_bar(alpha=1/5,position = "identity")
ggplot(diamonds,aes(x=cut,color=clarity))+
  geom_bar(fill=NA,position = "identity")
ggplot(diamonds,aes(x=cut,fill=clarity))+
  geom_bar(position = "fill")
ggplot(diamonds,aes(x=cut,fill=clarity))+
  geom_bar(position = "dodge")
ggplot(mpg,aes(displ,hwy))+geom_point()
ggplot(mpg,aes(displ,hwy))+geom_point(position = "jitter")
ggplot(mpg,aes(displ,hwy))+geom_jitter() #同上
#7.坐标系
#默认笛卡尔直角坐标系
ggplot(mpg,aes(class,hwy))+geom_boxplot()
ggplot(mpg,aes(class,hwy))+geom_boxplot()+coord_flip()
bar <- ggplot(diamonds)+geom_bar(aes(cut,fill=cut),show.legend = F,width = 1)
bar+coord_flip()
bar+coord_polar() #极坐标系
#8.图形分层语法
#组合：数据、几何对象、映射、统计变换、位置调整、坐标系、分面
  # ggplot(data = <data>)+
  #   <geom_function>(
  #     mapping=aes(<mapping>),
  #     stat=<stat>,
  #     position=<position>
  #   )+
  #   <coordinate_function>+
  #   <facet_function>

--------------------------第2章 工作流：基础----------------------------

y <- seq(1,10,length.out = 5)
(y <- seq(1,10,length.out = 5)) #同时赋值和输出屏幕
#alt+ctrl+K 打开/关闭快捷键面板

-------------------------第3章 使用dplyr进行数据转换---------------------

# 五个函数：
  # 筛选: filter()
  # 排列: arrange()
  # 选择: select()
  # 变形: mutate()
  # 汇总: summarise()
  # 分组: group_by()
 ---------------
library(nycflights13)
library(tidyverse)
flights
#变量类型：int/dbl双精度浮点/chr/dttm日期时间/lgl逻辑型/fctr因子/date
#dplyr函数：filter arrange select mutate summarize
#与group_by连用
#1.filter筛选行
filter(flights,month==1,day==1)
(dec25 <- filter(flights,month==12,day==25))
#比较运算符> < >= <= 1= ==
sqrt(2)^2 == 2 #计算机只能存储有限位数
near(sqrt(2)^2,2)
1/49*49 == 1
near(1/49*49,1)
#逻辑运算符& | !
filter(flights,month==11 | month==12)
filter(flights,month==11 | 12) #11|12此处为TRUE（即为1）
# x %in% y ：x是y中的一个值时的行
(nov_dec <- filter(flights,month %in% c(11,12)))
#缺失值
NA == NA
NA*0
NA^0
#filter只能筛选条件为TRUE的行，删除条件为FALSE和NA的行
df <- tibble(x=c(1,NA,3))
filter(df,x>1)
#保留NA的行
filter(df,is.na(x)|x>1)
?between
x <- rnorm(1e2)
x[between(x, -1, 1)] #筛选x的(-1,1)之间的数
filter(flights,is.na(dep_time))
#2.arrange排序
arrange(flights,year,month,day) #默认升序
arrange(flights,desc(arr_delay)) #降序
df <- tibble(x=c(5,2,NA))
arrange(df,x) #NA总是排在最后
arrange(df,desc(x))
#如何将NA排在前面
arrange(df,x) %>% tail() #??
arrange(flights, dep_time) %>% tail()
arrange(flights, desc(is.na(dep_time)), dep_time) 
#3.select选择列
select(flights,year,month,day)
select(flights,year:day)
select(flights,-(year:day))
select(flights,1:3)
variables <- c("dep_time", "dep_delay", "arr_time", "arr_delay")
select(flights, one_of(variables))
#辅助函数：
starts_with("abc")
ends_with("xyz")
contains("ijk") #默认不区分大小写，即匹配IJK
matches("(.)\\1") #正则匹配的变量
num_range("x",1:3) #匹配x1,x2,x3
rename(flights,tail_num=tailnum) #重命名变量
flights
#与everything连用，移动几个变量到前面
select(flights,time_hour,air_time,everything()) #变量名移位
select(flights, contains("TIME",ignore.case = T)) #默认
select(flights, contains("TIME",ignore.case = F))
#4.mutate添加新变量
#总是添加到最后
flights_sml <- select(flights,year:day,ends_with("delay"),distance,air_time)
flights_sml
mutate(flights_sml,gain=arr_delay-dep_delay,
       speed=distance/air_time*60,
       hours=air_time/60,
       gain_per_hour=gain/hours) #新列一旦创建可立即使用
#只保留新列
transmute(flights,gain=arr_delay-dep_delay,
          speed=distance/air_time*60,
          hours=air_time/60,
          gain_per_hour=gain/hour)
#mutate常用创建函数：
  # 算术运算符：+ - * / ^
  # 模运算符：%/%(整数除法) %%(取余)
transmute(flights,dep_time,hour=dep_time %/% 100,minute=dep_time %% 100)
  # 对数函数：log log2 log10 #更推荐log2，因更易解释（2倍变化）
  # 偏移函数：lead(领先值) lag(滞后值)
(x <- 1:10); lag(x); lead(x)
  # 累加和滚动聚合：cumsum(累加和) cumprod(累加积) commin(累加最小值) cummax(累加最大值)
x; cumsum(x); cummean(x)
  # 逻辑比较：< <= > >= !=
  # 排秩：min_rank()
(y <- c(1,2,2,NA,3,4)); min_rank(y); min_rank(desc(y))
#如何找出10个延误时间最长的航班（如何处理名词相同的情况？）
mutate(flights, dep_delay_rank = min_rank(desc(dep_delay))) %>%
  filter(dep_delay_rank <= 10) %>%
  arrange(dep_delay_rank) %>%
  select(month, day, carrier, flight, dep_delay, dep_delay_rank)
#5.summarize分组摘要
summarize(flights,delay=mean(dep_delay,na.rm = T)) #同summarise
#与group_by连用
group_by(flights,year,month,day) %>%
  summarise(delay=mean(dep_delay,na.rm = T))
#管道符应用
delays <- flights %>% group_by(dest) %>%
  summarise(count=n(), #计数，另一个计数函数sum(!is.na())
            dist=mean(distance,na.rm=T),
            delay=mean(arr_delay,na.rm = T)) %>%
  filter(count>20,dest!="HNL")
#所有聚合函数都有一个na.rm参数
group_by(flights,year,month,day) %>% summarise(delay=mean(dep_delay))
group_by(flights,year,month,day) %>% summarise(delay=mean(dep_delay,na.rm = T))
#可以先保存去缺失值后的数据集，以便后续继续使用
not_cancelled <- flights %>%
  filter(!is.na(dep_delay),!is.na(arr_delay))
not_cancelled %>% group_by(year,month,day) %>% summarise(mean=mean(dep_delay))
#求最长平均延误时间的飞机
not_cancelled %>% group_by(tailnum) %>% summarise(delay=mean(arr_delay)) %>%
  ggplot(aes(delay))+geom_freqpoly(binwidth=10)
#航班数量与平均延误时间的散点图
not_cancelled %>% group_by(tailnum) %>% summarise(delay=mean(arr_delay),n=n()) %>%
  ggplot(aes(n,delay))+geom_point(alpha=1/5)
#去掉观测数很少的分组，避免小分组中的极端变动影响
not_cancelled %>% group_by(tailnum) %>% summarise(delay=mean(arr_delay),n=n()) %>%
  filter(n>25) %>%
  ggplot(aes(n,delay))+geom_point(alpha=1/5)
#常用摘要函数：
#位置度量：mean/ median/ 聚合函数和逻辑筛选结合
not_cancelled %>% group_by(year,month,day) %>%
  summarise(delay1=mean(arr_delay), #平均延误
            delay2=mean(arr_delay[arr_delay>0])) #平均正延误
#分散程度度量：sd(标准误)/ IQR(四分位距)/ mad(绝对中位差)
#为什么某些目的地距离更多变？
not_cancelled %>% group_by(dest) %>%
  summarise(distance_sd=sd(distance)) %>%
  arrange(desc(distance_sd))
#秩的度量：min/ quantile/ max
#每天最早和最晚的航班何时出发？
not_cancelled %>% group_by(year,month,day) %>%
  summarise(first=min(dep_time),
            last=max(dep_time)) 
#定位度量：first(x)/ nth(x,2)/ last(x) 分别等于x[1]/x[2]/x[length(x)]
not_cancelled %>% group_by(year,month,day) %>%
  summarise(first=first(dep_time),
            last=last(dep_time)) 
#计数：n()/ sum(!is.na(x))/ n_distinct(x)计算唯一值的数量/ count(x)
#哪个目的地有最多的航空公司？
not_cancelled %>% group_by(dest) %>%
  summarise(carriers=n_distinct(carrier)) %>%
  arrange(desc(carriers))
not_cancelled %>% count(dest)
#逻辑值计数和比例：sum(x>10)/ mean(y==0)
#多少架航班在早上5点前出发？
not_cancelled %>% group_by(year,month,day) %>%
  summarise(n_early=sum(dep_time<500))  #sum计数
#延误超过1小时的航班比例是多少？
not_cancelled %>% group_by(year,month,day) %>%
  summarise(hour_perc=mean(arr_delay>60)) #mean计算比例
#多个变量分组,每一次用掉一个分组变量
group_by(flights,year,month,day) %>%
  summarise(flights=n()) %>%
  summarise(flights=sum(flights)) %>%
  summarise(flights=sum(flights))
#取消分组
group_by(flights,year,month,day) %>%
  ungroup() %>%
  summarise(flights=n())

-----------补充:tidyr包数据处理----------------

# tidyr包四个函数：
  # gather—宽数据转为长数据；
  # spread—长数据转为宽数据；
  # unit—多列合并为一列；
  # separate—将一列分离为多列；
-----------------------
library(tidyr)
mtcars$car <- rownames(mtcars)
mtcars <- mtcars[, c(12, 1:11)]   #将添加的一列从最后一列移到最前列
head(mtcars)
#1.gather()函数: 宽数据转为长数据
#gather(data, key, value, …, na.rm = FALSE, convert = FALSE)
#除了car列外，其余列聚合成两列(一列对应列名，一列对应值)，分别命名为attribute和value。
mtcarsNew <- mtcars %>% gather(attribute, value, -car)
# 指定连续列聚合成两列
mtcarsNew <- mtcars %>% gather(attribute, value, mpg:gear)
# 指定不连续列聚合成两列
mtcarsNew <- mtcars %>% gather(`gear`,`carb`,key = "attribute", value = "value", -car)
#2.spread函数：长数据转为宽数据 
#spread(data, key, value, fill = NA, convert = FALSE, drop = TRUE)
mtcarsSpread <- mtcarsNew %>% spread(attribute, value)
#和原来的mtcars数据相比，只是各列的相互位置稍有调整
#3.unite函数：多列合并为一列
#unite(data, col, …, sep = “_”, remove = TRUE)
  # data：为数据框
  # col：被组合的新列名称
  # …：指定哪些列需要被组合
  # sep：组合列之间的连接符，默认为下划线
  # remove：是否删除被组合的列
set.seed(1)
data <- data.frame(date=as.Date('2019-05-01') + 0:14,
                   hour=sample(1:24, 15),
                   min=sample(1:60, 15),
                   second=sample(1:60, 15),
                   event=sample(letters, 15))
head(data)
dataNew <- data %>%unite(datehour, date, hour, sep = ' ') %>%unite(datetime, datehour, min, second, sep = ':')
dataNew
#4.separate函数：一列分离为多列
# separate(data, col, into, sep = “[^[:alnum:]]+”, remove = TRUE,
#          convert = FALSE, extra = “warn”, fill = “warn”, …)
  # data：为数据框
  # col：需要被拆分的列
  # into：新建的列名，为字符串向量
  # sep：被拆分列的分隔符
  # remove：是否删除被分割的列 
data1 <- dataNew %>%separate(datetime, c('date', 'time'), sep = ' ') %>%
  separate(time, c('hour', 'min', 'second'), sep = ':')
data1

------------第4章 工作流：脚本-----------------------------------------

#快键键：ctrl+enter  ctrl+shift+s

-----------第5章 探索性数据分析----------------------------------------

#提出问题——>数据可视化、转换和建模——>找出答案——>精炼问题，提出新问题
diamonds
#对分布进行可视化
#分类变量
ggplot(diamonds)+geom_bar(aes(cut))
diamonds %>% count(cut)
#连续变量
ggplot(diamonds)+geom_histogram(aes(carat),binwidth = 0.5)
diamonds %>% count(cut_width(carat,0.5))
diamonds %>% filter(carat<3) %>%
  ggplot(aes(carat))+geom_histogram(binwidth = 0.1)
#在一张图上叠加多个直方图，用geom_freqploy
ggplot(diamonds,aes(carat,color=cut))+
  geom_freqpoly(binwidth=0.5) #数目折线图
ggplot(diamonds,aes(carat,color=cut))+
  geom_density() #密度曲线图
diamonds %>% filter(carat<3) %>%
  ggplot(aes(carat))+geom_histogram(binwidth = 0.01)
#图形解读
head(faithful)#火山喷发时长
ggplot(faithful,aes(eruptions))+geom_histogram(binwidth = 0.25)
#短喷发（2min）和长喷发（4-5min)是否有关呢？
#异常值
ggplot(diamonds)+geom_histogram(aes(y),binwidth = 0.5)
#异常值分箱高度太低几乎看不到，例如要更容易查看y的异常值，可用coord_cartesian部分放大
ggplot(diamonds)+geom_histogram(aes(y),binwidth = 0.5)+
  coord_cartesian(ylim = c(0,50)) #限定小范围，相当于放大
#以上查看到了0,30,60附近的3个异常值，我们在数据中将它们找出，并分析是否合理
diamonds %>% filter(y<3|y>20) %>% arrange(y)
#缺失值
diamonds2 <- diamonds %>% filter(between(y,3,20)) #去掉异常值的行
diamonds2 <- diamonds %>% mutate(y=ifelse(y<3|y>20,NA,y)) #用NA来代替异常值
ggplot(diamonds2,aes(x,y))+geom_point() #默认去除含NA的行
ggplot(diamonds2,aes(x,y))+geom_point(na.rm = T) #去掉警告
flights %>% mutate(cancelled=is.na(dep_time)) %>%  #已取消航班和未取消航班分布比较
  ggplot(aes(sched_dep_time))+geom_freqpoly(aes(color=cancelled),binwidth=2)
ggplot(diamonds,aes(price,y=..density..))+
  geom_freqpoly(aes(color=cut),binwidth=500) #密度是对计数的标准化，每个频率多边形面积都是1
ggplot(mpg,aes(class,hwy))+geom_boxplot()
ggplot(mpg,aes(reorder(class,hwy,FUN=median),hwy))+ #按hwy中位值对class排序
  geom_boxplot()
ggplot(mpg)+geom_boxplot(aes(reorder(class,hwy,FUN=median),hwy))+
  coord_flip()
#两个分类变量
ggplot(diamonds)+geom_count(aes(cut,color)) #气泡图
diamonds %>% count(color,cut)
diamonds %>% count(color,cut) %>%
  ggplot(aes(color,cut))+geom_tile(aes(fill=n)) #热图
#两个连续变量
ggplot(diamonds)+geom_point(aes(carat,price)) #不适合大数据集
ggplot(diamonds)+geom_point(aes(carat,price),alpha=1/100) #不适合大数据集
smaller <- diamonds %>% filter(carat<3)
ggplot(smaller)+geom_bin2d(aes(carat,price))
library(hexbin)
ggplot(smaller)+geom_hex(aes(carat,price))
#对一个连续变量进行分箱
ggplot(smaller)+geom_boxplot(aes(carat,price,group=cut_width(carat,0.1)))
ggplot(smaller)+geom_boxplot(aes(carat,price,group=cut_number(carat,20)))
#模式与模型
ggplot(faithful)+geom_point(aes(eruptions,waiting))
library(modelr)
mod <- lm(log(price)~log(carat),diamonds) #根据carat预测价格
diamonds2<- diamonds %>% add_residuals(mod) %>% mutate(resid=exp(resid))
head(diamonds2)
ggplot(diamonds2)+geom_point(aes(carat,resid)) #残差：预测值与实际值间的差别
#以上利用模型去除价格和克拉数之间的强关系，用残差反映钻石的价格，继续研究切割质量和价格的关系
ggplot(diamonds2)+geom_boxplot(aes(cut,resid))

----------------第6章 工作流：项目----------------------------------

 # 为每个任务创建rstudio项目 R project
 # 在项目中保存数据
 # 在项目中保存脚本
 # 在项目中保存输出
 # 只使用相对路径，不使用绝对路径