《R数据科学》学习笔记|Note6:使用tibble实现简单数据框-阿里云开发者社区

《R数据科学》学习笔记|Note6:使用tibble实现简单数据框

2022-06-07 549

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本系列为《R数据科学》(R for Data Science)的学习笔记。相较于其他R语言教程来说，本书一个很大的优势就是直接从实用的R包出发，来熟悉R及数据科学。更新过程中，读者朋友如发现错误，欢迎指正。如果有疑问，也可以在评论区留言或后台私信。希望各位读者朋友能学有所得！

6.1简介

tibble 是一种简单数据框，它对传统数据框的功能进行了一些修改，以便更易于使用。本章会介绍 tibble 包，其所提供的简单数据框更易于在 tidyverse 中使用。多数情况下，我们会交替使用 tibble 和数据框这两个术语；如果想要特别强调 R 内置的传统数据框，我们会使用 data.frame 来表示。如果读完本章后你还想学习有关 tibble 的更多知识，可以使用 vignette("tibble") 命令。

6.2创建tibble

本书中使用的所有函数几乎都可以创建 tibble，因为 tibble 是 tidyverse 的标准功能之一。由于多数其他 R 包使用的是标准数据框，因此你可能想要将数据框转换为 tibble。可以使用 as_tibble() 函数来完成转换：

library(tidyverse)#同样先加载tidyverse
as_tibble(iris)

> as_tibble(iris)
# A tibble: 150 x 5
   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
          <dbl>       <dbl>        <dbl>       <dbl> <fct>  
 1          5.1         3.5          1.4         0.2 setosa 
 2          4.9         3            1.4         0.2 setosa 
 3          4.7         3.2          1.3         0.2 setosa 
 4          4.6         3.1          1.5         0.2 setosa 
 5          5           3.6          1.4         0.2 setosa 
 6          5.4         3.9          1.7         0.4 setosa 
 7          4.6         3.4          1.4         0.3 setosa 
 8          5           3.4          1.5         0.2 setosa 
 9          4.4         2.9          1.4         0.2 setosa 
10          4.9         3.1          1.5         0.1 setosa 
# ... with 140 more rows

可以通过 tibble() 函数使用一个向量来创建新 tibble。tibble() 会自动重复长度为 1 的输入，并可以使用刚刚创建的新变量，如下所示：

tibble(
 x = 1:5,
 y = 1,
 z = x ^ 2 + y
)

> tibble(
+   x = 1:5,
+   y = 1,
+   z = x ^ 2 + y
+ )
# A tibble: 5 x 3
      x     y     z
  <int> <dbl> <dbl>
1     1     1     2
2     2     1     5
3     3     1    10
4     4     1    17
5     5     1    26

创建 tibble 的另一种方法是使用 tribble() 函数，tribble 是 transposed tibble（转置 tibble）的缩写。tribble() 是定制化的，可以对数据按行进行编码：列标题由公式（以 ~ 开头）定义，数据条目以逗号分隔，这样就可以用易读的方式对少量数据进行布局：

tribble(
  ~x, ~y, ~z,
  "a", 2, 3.6,
  "b", 1, 8.5
)

> tribble(
+   ~x, ~y, ~z,
+   "a", 2, 3.6,
+   "b", 1, 8.5
+ )
# A tibble: 2 x 3
  x         y     z
  <chr> <dbl> <dbl>
1 a         2   3.6
2 b         1   8.5

6.3对比 tibble 与data.frame

tibble 和传统 data.frame 的使用方法主要有两处不同：打印和取子集。

6.3.1打印

tibble 的打印方法进行了优化，只显示前 10 行结果，并且列也是适合屏幕的，这种方式非常适合大数据集。除了打印列名，tibble 还会打印出列的类型。

tibble(
  a = lubridate::now() + runif(1e3) * 86400, 
#lubridate::now() 当前时间
#runif()函数用于生成从0到1区间范围内的服从正态分布的随机数。
  b = lubridate::today() + runif(1e3) * 30,
#lubridate::today()当前日期
  c = 1:1e3,
  d = runif(1e3),
  e = sample(letters, 1e3, replace = TRUE)
)
#sample（x, size, replace = FALSE）
#具体参数说明：
#x 整体数据，以向量形式给出
#size 抽取样本的数目
#replace 如果为F（默认），则是不重复抽样，此时size不能大于x的长度；
#如果为T，则是重复抽样，此时size允许大于x的长度

> tibble(
+   a = lubridate::now() + runif(1e3) * 86400, 
+   #runif()函数用于生成从0到1区间范围内的服从正态分布的随机数
+   b = lubridate::today() + runif(1e3) * 30,
+   c = 1:1e3,
+   d = runif(1e3),
+   e = sample(letters, 1e3, replace = TRUE)
+ )
# A tibble: 1,000 x 5
   a                   b              c     d e    
   <dttm>              <date>     <int> <dbl> <chr>
 1 2021-02-27 05:14:50 2021-03-22     1 0.604 c    
 2 2021-02-26 16:27:32 2021-03-07     2 0.745 p    
 3 2021-02-26 17:47:30 2021-03-19     3 0.999 g    
 4 2021-02-27 05:24:29 2021-03-01     4 0.758 a    
 5 2021-02-26 14:02:13 2021-03-04     5 0.211 u    
 6 2021-02-27 05:40:53 2021-03-14     6 0.850 r    
 7 2021-02-26 21:34:07 2021-03-09     7 0.152 o    
 8 2021-02-27 06:28:12 2021-03-11     8 0.548 f    
 9 2021-02-26 17:22:06 2021-03-24     9 0.655 d    
10 2021-02-26 21:26:52 2021-03-17    10 0.656 h    
# ... with 990 more rows

在打印大数据框时，tibble 的这种设计避免了输出占满整个控制台。但有时需要比默认显示更多的输出，这时就要设置几个选项。首先，可以明确使用 print() 函数来打印数据框，并控制打印的行数（n）和显示的宽度（width）。width = Inf 可以显示出所有列：

nycflights13::flights %>%
 print(n = 10, width = Inf)

还可以通过设置以下选项来控制默认的打印方式。

• options(tibble.print_max = n, tibble.pring_min = m)：如果多于 m 行，则只打印出 n 行。options(tibble.print_min = Inf) 表示总是打印所有行。

• options(tibble.width = Inf) 表示总是打印所有列，不考虑屏幕的宽度。

最后一种方式是使用 RStudio 内置的数据查看器，以滚动方式查看整个数据集。进行一长串数据处理操作后，经常会使用这种查看方式：

nycflights13::flights %>%
 View()

或者直接点击右上区域相应的数据名进行查看。当数据量小时，这个方法比较简单，但当数据比较大时，如要处理转录组数据或单细胞数据，则需加载一定时间。这个时候我个人倾向于直接查看数据部分内容，节省时间。

6.3.2取子集

迄今为止，你学到的所有工具都是作用于整个数据框。如果想要提取单个变量，那么就需要一些新工具，如 $ 和 [[。[[ 可以按名称或位置提取变量；$ 只能按名称提取变量，但可以减少一些输入：

df <- tibble(
 x = runif(5),
 y = rnorm(5)
)
# 按名称提取
df$x
> [1] 0.434 0.395 0.548 0.762 0.254
df[["x"]]
> [1] 0.434 0.395 0.548 0.762 0.254
# 按位置提取
df[[1]]
> [1] 0.434 0.395 0.548 0.762 0.254

要想在管道中使用这些提取操作，需要使用特殊的占位符 .：

df %>% .$x
> [1] 0.434 0.395 0.548 0.762 0.254
df %>% .[["x"]]
> [1] 0.434 0.395 0.548 0.762 0.254

6.4与旧代码进行交互

有些比较旧的函数不支持 tibble。如果遇到这种函数，可以使用 as.data.frame() 函数将tibble 转换回 data.frame：

> class(as.data.frame(df))
[1] "data.frame"

有些旧函数不支持 tibble 的主要原因在于 [ 的功能。本书没有使用太多的 [，因为dplyr::filter() 和 dplyr::select() 可以通过更加清晰的代码解决同样的问题。对于 R 基础包中的数据框，[ 有时返回一个数据框，有时返回一个向量。对于 tibble，[ 则总是返回另一个 tibble。