R数据科学|3.5内容介绍及习题解答
上节我们对选择现有的列进行了介绍与习题解答，现在对数据框添加新列进行介绍，这里使用mutate()函数，注意：mutate()总是将新列添加在数据集的最后。
mutate(flights_sml,
gain = arr_delay - dep_delay,
hours = air_time / 60,
gain_per_hour = gain / hours
)
#> # A tibble: 336,776 × 10
#> year month day dep_delay arr_delay distance air_time
#> <int> <int> <int> <dbl> <dbl> <dbl> <dbl>
#> 1 2013 1 1 2 11 1400 227
#> 2 2013 1 1 4 20 1416 227
#> 3 2013 1 1 2 33 1089 160
#> 4 2013 1 1 -1 -18 1576 183
#> 5 2013 1 1 -6 -25 762 116
#> 6 2013 1 1 -4 12 719 150
#> # ... with 3.368e+05 more rows, and 3 more variables:
#> # gain <dbl>, hours <dbl>, gain_per_hour <dbl>
如果只想保留新变量，可以使用transmute()函数：
transmute(flights,
gain = arr_delay - dep_delay,
hours = air_time / 60,
gain_per_hour = gain / hours
)
#> # A tibble: 336,776 × 3
#> gain hours gain_per_hour
#> <dbl> <dbl> <dbl>
#> 1 9 3.78 2.38
#> 2 16 3.78 4.23
#> 3 31 2.67 11.62
#> 4 -17 3.05 -5.57
#> 5 -19 1.93 -9.83
#> 6 16 2.50 6.40
#> # ... with 3.368e+05 more rows
常用创建函数
创建新变量的多种函数可供你同mutate()一同使用。最重要的一点是，这种函数必须是向量化的；它必须接受一个向量作为输入，并返回一个向量作为输出，而且输入向量与输出向量具有同样数目的分量。下面介绍一些比较常用的创建函数：
算术运算符：+、-、*、/、^
它们都是向量化的，使用所谓的“循环法则”。如果一个参数比另一个参数短，那么前 者会自动扩展到同样的长度。当某个参数是单个数值时，这种方式是最有效的：air_ time / 60、hours * 60 + minute 等。模运算符：%/%和 %%
%/%（整数除法）和 %%（求余）满足 x == y * (x %/% y) + (x %% y)。模运算非常好 用，因为它可以拆分整数。例如，在航班数据集中，你可以根据 dep_time 计算出 hour 和 minute：
transmute(flights,
dep_time,
hour = dep_time %/% 100,
minute = dep_time %% 100
)
#> # A tibble: 336,776 × 3
#> dep_time hour minute
#> <int> <dbl> <dbl>
#> 1 517 5 17
#> 2 533 5 33
#> 3 542 5 42
#> 4 544 5 44
#> 5 554 5 54
#> 6 554 5 54
#> # ... with 3.368e+05 more rows
对数函数：
log()、log2()和log10()
在处理取值范围横跨多个数量级的数据时，对数是特别有用的一种转换方式。它还可以将乘法转换成加法。其他条件相同的情况下，更推荐使用log2()函数，因为很容易对其进行解释：对数标度的数值增加 1 个单位，意味着初始数值加倍；减少 1 个单位，则意味着初始数值减半。偏移函数：
lead()和lag()函数
它们可以返回一个序列的领先值和滞后值。它们可以计算出序列的移动 差值（如）或发现序列何时发生了变化。它们与group_by()组合使用时特别有用。
(x <- 1:10)
#> [1] 1 2 3 4 5 6 7 8 9 10
lag(x)
#> [1] NA 1 2 3 4 5 6 7 8 9
lead(x)
#> [1] 2 3 4 5 6 7 8 9 10 NA
累加和滚动聚合
R提供了计算累加和、累加积、累加最小值和累加最大值的函数cumsum()、cumprod()、commin()和cummax()；dplyr 还提供了cummean()函数以计算累加均值。逻辑比较：<、<=、>、>= 和 !=
如果需要进行一系列复杂的逻辑运算，那么最好将中间结果保存在新变量中，这样就可 以检查是否每一步都符合预期。排秩
min_rank()可以完成最常用的排秩任务（如第一、第二、第三、第四）。默认的排秩方式是，最小的值获得最前面的名次，使用desc(x)可以让最大的值获得最前面的名次：
y <- c(1, 2, 2, NA, 3, 4)
min_rank(y)
#> [1] 1 2 2 NA 4 5
min_rank(desc(y))
#> [1] 5 3 3 NA 2 1
习题解答
接下来对该节的课后习题进行解答，结果仅供参考，有疑问的欢迎文末留言，一起交流。
问题一
虽然现在的dep_time 和sched_dep_time变量方便阅读，但不适合计算，因为它们实际上并不是连续型数值。将它们转换成一种更方便的表示形式，即从午夜开始的分钟数。
解答
time2mins <- function(x) {
(x %/% 100 * 60 + x %% 100) %% 1440
}
flights_times <- mutate(flights,
dep_time_mins = time2mins(dep_time),
sched_dep_time_mins = time2mins(sched_dep_time)
)
问题二
比较air_time和 arr_time – dep_time。你期望看到什么？实际又看到了什么？如何解决这个问题？
解答
预想结果：air_time是到达时间(arr_time)和出发时间(dep_time)之间的差值。检查这种预想是否正确：
flights_airtime <-
mutate(flights,
dep_time = (dep_time %/% 100 * 60 + dep_time %% 100) %% 1440,
arr_time = (arr_time %/% 100 * 60 + arr_time %% 100) %% 1440,
air_time_diff = air_time - arr_time + dep_time
)
nrow(filter(flights_airtime, air_time_diff != 0))
> [1] 327150
结果是，有许多航班的air_time != arr_time - dep_time。除了数据错误，我可以想到两个原因。有些航班午夜出发，因此是arr_time < dep_time。在这种情况下，时间的差异应该是24小时(1,440分钟)。有些航班跨越时区，总飞行时间将以小时(60的倍数)为间隔。所有航班都是从纽约起飞的，都是美国国内航班。这意味着所有航班都将飞往相同或更西风的时区。考虑到美国的时区，时区差异应该是60分钟(中部),120分钟(山区)，180分钟(太平洋)，240分钟(阿拉斯加)，或300分钟(夏威夷)。
问题三
比较dep_time、sched_dep_time 和 dep_delay。你期望这3个数值之间具有何种关系？
解答
预想结果：出发延迟(dep_delay)等于计划出发时间(sched_dep_time)和实际出发时间(dep_time)之间的差。下面检查这种假设是否正确：
flights_deptime <-
mutate(flights,
dep_time_min = (dep_time %/% 100 * 60 + dep_time %% 100) %% 1440,
sched_dep_time_min = (sched_dep_time %/% 100 * 60 +
sched_dep_time %% 100) %% 1440,
dep_delay_diff = dep_delay - dep_time_min + sched_dep_time_min
)
nrow(filter(flights_deptime, dep_delay_diff != 0))
> [1] 1236
问题四
使用排秩函数找出 10 个延误时间最长的航班。如何处理名次相同的情况？仔细阅读min_rank() 的帮助文件。
解答
flights_delayed <- mutate(flights, dep_delay_min_rank = min_rank(desc(dep_delay)), dep_delay_row_number = row_number(desc(dep_delay)),dep_delay_dense_rank = dense_rank(desc(dep_delay)))
flights_delayed <- filter(flights_delayed,!(dep_delay_min_rank > 10 | dep_delay_row_number > 10 |dep_delay_dense_rank > 10))
flights_delayed <- arrange(flights_delayed, dep_delay_min_rank)
print(select(flights_delayed, month, day, carrier, flight, dep_delay,dep_delay_min_rank, dep_delay_row_number, dep_delay_dense_rank),n = Inf)
问题五
1:3 + 1:10 会返回什么？为什么？
解答
1:3 + 1:10
#> Warning in 1:3 + 1:10: longer object length is not a multiple of shorter object
#> length
#> [1] 2 4 6 5 7 9 8 10 12 11
当两个向量相加时，R会将较短向量的值，生成与较长向量相同长度的向量。该代码还发出一个警告，即较短的向量不是较长向量的倍数。当发生这种情况时，会发出警告，因为这通常是无意的，可能是错误。
往期推荐