第14章 数据预处理

14.1 tidyverse包

tidyverse包是R中的一个功能强大的数据处理包大集合，包含readr、haven和readxl（数据读取与导出），tidyr（数据清洗），dplyr（数据整理），stringr（字符处理），ggplot2（数据可视化）等。

利用tidyverse包可以通过管道符%>%（快捷键shift+ctrl+m）对数据进行链式操作，从而对数据连续处理。

14.2 批量读取数据

有时我们需要对特定文件夹下面的特定类型（或者特定名称）文件进行批量读取，这时可以通过list.files()+map_dfr()函数实现。

# 加载包
library(tidyverse)

# 获取data文件夹下的所有txt文件名
txt_names <- list.files(path="data", pattern="txt", full.names=TRUE)

# 批量读取txt文件并存储为一个数据框
# 调用tidyverse的map_dfr()函数，由于获取的txt文件使用;分隔符，所以用read_csv2()函数读取每个文件
df_batch <- map_dfr(txt_names, read_csv2) 

# 显示前5行记录
head(df_batch,5)

## # A tibble: 5 × 3
##   company revenue other_income
##   <chr>     <dbl>        <dbl>
## 1 A          10.1         2.10
## 2 B          18.7         4.06
## 3 C          20.3         6.31
## 4 D          36.8         5.08
## 5 E          59.7         9.43

# 显示后5行记录
tail(df_batch,5)

## # A tibble: 5 × 3
##   company revenue other_income
##   <chr>     <dbl>        <dbl>
## 1 D          36.8         5.08
## 2 E          59.7         9.43
## 3 F          72.0        10.9 
## 4 G          68.8         6.03
## 5 H          66.4         7.92

注意：

读取的数据是垂直堆叠（vertical stack）。

读取数据的变量名如果一致，则数据会放在同一列；如果不一致，则会另外创建列变量。

14.3 数据合并

有时我们有多个数据框，包含了不同的变量数据，在进行数据预处理与分析之前，需要使用*_join()函数将它们合并为一个数据框。

数据的合并依照键（key）进行，合并方式：

内连接（inner_join）：保留两个数据键相同的记录并进行合并。

左连接（left_join）：保留左侧数据（X）的所有记录，右侧数据（Y）的键跟左侧数据相同的，才进行合并，左侧数据缺失值标记为NA。

右连接（right_join）：保留右侧数据（Y）的所有记录，左侧数据（X）的键跟右侧数据相同的，才进行合并，右侧数据缺失值标记为NA。

全连接（full_join）：保留两个数据中的所有记录并进行合并，缺失值标记为NA。

半连接（semi_join）：保留左侧数据（X）中与右侧数据（Y）的键相同的记录。

反连接（anti_join）：保留左侧数据（X）中与右侧数据（Y）的键不同的记录。

# 设置随机种子
set.seed(1)

# 创建左侧数据框
df_left <- data.frame(
  ID = seq(5),
  region = rep(c("South", "North"), times=c(3,2)),
  gender = rep(c("F","M"), times=c(3,2)), 
  value = rnorm(5)
)

# 创建右侧数据框
df_right <- data.frame(
  ID = seq(3,7),
  region = rep("South", times=5),
  sex = rep(c("M","F"), times=c(3,2)), 
  value = rnorm(5)
)

# 单键合并
df_single_key_join <- inner_join(df_left, df_right, by="ID")
# 默认左右侧变量分别加".x"和".y"标注
df_single_key_join 

##   ID region.x gender    value.x region.y sex    value.y
## 1  3    South      F -0.8356286    South   M -0.8204684
## 2  4    North      M  1.5952808    South   M  0.4874291
## 3  5    North      M  0.3295078    South   M  0.7383247

# 多键合并
df_multi_key_join <- inner_join(df_left, df_right, by=c("ID", "region"))
df_multi_key_join

##   ID region gender    value.x sex    value.y
## 1  3  South      F -0.8356286   M -0.8204684

当目标数据框的键名相同时，可以使用上述合并函数。当目标数据框的键名不同时，可以使用merge()函数并声明by.x和by.y参数达到数据合并的效果。

# 不同键名的多键合并
df_diff_key_join <- merge(df_left, df_right, by.x=c("ID", "gender"), by.y=c("ID", "sex"))
df_diff_key_join

##   ID gender region.x   value.x region.y   value.y
## 1  4      M    North 1.5952808    South 0.4874291
## 2  5      M    North 0.3295078    South 0.7383247

# 内连接
df_inner_join <- merge(df_left, df_right, by="ID")
df_inner_join

##   ID region.x gender    value.x region.y sex    value.y
## 1  3    South      F -0.8356286    South   M -0.8204684
## 2  4    North      M  1.5952808    South   M  0.4874291
## 3  5    North      M  0.3295078    South   M  0.7383247

# 左连接
df_left_join <- merge(df_left, df_right, by="ID", all.x=TRUE)
df_left_join

##   ID region.x gender    value.x region.y  sex    value.y
## 1  1    South      F -0.6264538     <NA> <NA>         NA
## 2  2    South      F  0.1836433     <NA> <NA>         NA
## 3  3    South      F -0.8356286    South    M -0.8204684
## 4  4    North      M  1.5952808    South    M  0.4874291
## 5  5    North      M  0.3295078    South    M  0.7383247

# 右连接
df_right_join <- merge(df_left, df_right, by="ID", all.y=TRUE)
df_right_join

##   ID region.x gender    value.x region.y sex    value.y
## 1  3    South      F -0.8356286    South   M -0.8204684
## 2  4    North      M  1.5952808    South   M  0.4874291
## 3  5    North      M  0.3295078    South   M  0.7383247
## 4  6     <NA>   <NA>         NA    South   F  0.5757814
## 5  7     <NA>   <NA>         NA    South   F -0.3053884

# 全连接
df_full_join <- merge(df_left, df_right, by="ID", all=TRUE)
df_full_join

##   ID region.x gender    value.x region.y  sex    value.y
## 1  1    South      F -0.6264538     <NA> <NA>         NA
## 2  2    South      F  0.1836433     <NA> <NA>         NA
## 3  3    South      F -0.8356286    South    M -0.8204684
## 4  4    North      M  1.5952808    South    M  0.4874291
## 5  5    North      M  0.3295078    South    M  0.7383247
## 6  6     <NA>   <NA>         NA    South    F  0.5757814
## 7  7     <NA>   <NA>         NA    South    F -0.3053884

当有多个数据框需要合并时，可以先将数据框放入一个列表中，再使用reduce()函数合并。

# 将数据框放入列表中
df_list <- list(df_diff_key_join, df_inner_join, df_left_join, df_right_join)

# 多数据框合并
df_list_join <- df_list %>% reduce(inner_join, by="ID")
df_list_join

##   ID gender.x region.x.x value.x.x region.y.x value.y.x region.x.y gender.y value.x.y
## 1  4        M      North 1.5952808      South 0.4874291      North        M 1.5952808
## 2  5        M      North 0.3295078      South 0.7383247      North        M 0.3295078
##   region.y.y sex.x value.y.y region.x.x.x gender.x.x value.x.x.x region.y.x.x sex.y value.y.x.x
## 1      South     M 0.4874291        North          M   1.5952808        South     M   0.4874291
## 2      South     M 0.7383247        North          M   0.3295078        South     M   0.7383247
##   region.x.y.y gender.y.y value.x.y.y region.y.y.y sex value.y.y.y
## 1        North          M   1.5952808        South   M   0.4874291
## 2        North          M   0.3295078        South   M   0.7383247

14.4 数据清洗

数据清洗是数据预处理的第一步，包括变量选择，变量重命名，缺失值处理，重复值删除等。

14.4.1 变量选择

变量的选择可以使用select()函数，()内直接填写变量名称或者变量的索引值。详细介绍参考此链接。

# 读取数据
df_darwin <- read_csv("data/darwin.csv")

# 选取 air_time1 和 gender 变量
df_darwin %>% select(air_time1, gender) %>% head()

## # A tibble: 6 × 2
##   air_time1 gender
##       <dbl> <chr> 
## 1      5160 M     
## 2     51980 M     
## 3      2600 M     
## 4      2130 F     
## 5      2310 F     
## 6      1920 F

# 选取除 air_time1 和 gender 之外的所有变量
df_darwin %>% select(!c(air_time1, gender)) %>% head()

## # A tibble: 6 × 32
##   ID    gmrt_in_air1 max_x_extension1 max_y_extension1 mean_acc_in_air1 mean_gmrt1 air_time2
##   <chr>        <dbl>            <dbl>            <dbl>            <dbl>      <dbl>     <dbl>
## 1 id_1          121.              957             6601            0.362      104.       6085
## 2 id_2          115.             1694             6998            0.273       99.4     10515
## 3 id_3          230.             2333             5802            0.387      201.        560
## 4 id_4          369.             1756             8159            0.557      276.      13735
## 5 id_5          258.              987             4732            0.266      185.       4225
## 6 id_6          200.             1548             6260            0.213      155.       8115
## # ℹ 25 more variables: gmrt_in_air2 <dbl>, max_x_extension2 <dbl>, max_y_extension2 <dbl>,
## #   mean_acc_in_air2 <dbl>, mean_gmrt2 <dbl>, air_time3 <dbl>, gmrt_in_air3 <dbl>,
## #   max_x_extension3 <dbl>, max_y_extension3 <dbl>, mean_acc_in_air3 <dbl>, mean_gmrt3 <dbl>,
## #   air_time4 <dbl>, gmrt_in_air4 <dbl>, max_x_extension4 <dbl>, max_y_extension4 <dbl>,
## #   mean_acc_in_air4 <dbl>, mean_gmrt4 <dbl>, air_time5 <dbl>, gmrt_in_air5 <dbl>,
## #   max_x_extension5 <dbl>, max_y_extension5 <dbl>, mean_acc_in_air5 <dbl>, mean_gmrt5 <dbl>,
## #   class <chr>, region <chr>

使用starts_with()选取以特定字符开头的变量。

# 选取以 air 或 max 开头的变量
df_darwin %>% select(starts_with(c("air", "max"))) %>% head()

## # A tibble: 6 × 15
##   air_time1 air_time2 air_time3 air_time4 air_time5 max_x_extension1 max_y_extension1
##       <dbl>     <dbl>     <dbl>     <dbl>     <dbl>            <dbl>            <dbl>
## 1      5160      6085      4345     30625     66034              957             6601
## 2     51980     10515     15885      7975     12875             1694             6998
## 3      2600       560       420      1030       680             2333             5802
## 4      2130     13735      3795     13625     10735             1756             8159
## 5      2310      4225      2255    100650      1050              987             4732
## 6      1920      8115      2620      3065      2400             1548             6260
## # ℹ 8 more variables: max_x_extension2 <dbl>, max_y_extension2 <dbl>, max_x_extension3 <dbl>,
## #   max_y_extension3 <dbl>, max_x_extension4 <dbl>, max_y_extension4 <dbl>,
## #   max_x_extension5 <dbl>, max_y_extension5 <dbl>

使用match()选取符合特定正则表达式的变量。

# 选取名称中包含 extension4 和 extension5 的变量
df_darwin %>% select(matches("extension[45]")) %>% head()

## # A tibble: 6 × 4
##   max_x_extension4 max_y_extension4 max_x_extension5 max_y_extension5
##              <dbl>            <dbl>            <dbl>            <dbl>
## 1             4353             4292            10933             3651
## 2             7718             8055             5667             5503
## 3             3960             4013             2556             2245
## 4             4487             4475             2535             2426
## 5             4429             4196             2394             1194
## 6             4184             4379             2486             2447

使用num_range()选取以特定范围的数字结尾的变量。注意，数字的前缀必须为完整的变量名。

# 选取名称中 max_x_extension3、max_x_extension4 和 max_x_extension5 的变量
df_darwin %>% select(num_range("max_x_extension", 3:5)) %>% head()

## # A tibble: 6 × 3
##   max_x_extension3 max_x_extension4 max_x_extension5
##              <dbl>            <dbl>            <dbl>
## 1             4495             4353            10933
## 2             4498             7718             5667
## 3             4645             3960             2556
## 4             4568             4487             2535
## 5             4076             4429             2394
## 6             4075             4184             2486

14.4.2 变量重命名

变量的重命名可以使用rename()函数，()内填写新名称=旧名称。

# 将 gender 重命名为 sex
df_darwin %>% select(air_time1, gender) %>% rename(sex=gender) %>% head()

## # A tibble: 6 × 2
##   air_time1 sex  
##       <dbl> <chr>
## 1      5160 M    
## 2     51980 M    
## 3      2600 M    
## 4      2130 F    
## 5      2310 F    
## 6      1920 F

14.4.3 缺失值处理

在进行缺失值处理前，我们需要了解各个变量的缺失值情况。

# 读取数据
df_miss <- read_csv("data/darwin-missing.csv") 

# 查看数据
df_miss

## # A tibble: 10 × 5
##    ID    air_time1 gmrt_in_air1 max_x_extension1 gender
##    <chr>     <dbl>        <dbl>            <dbl> <chr> 
##  1 id_1       5160         121.              957 M     
##  2 id_2         NA          NA                NA <NA>  
##  3 id_3       2600         230.             2333 M     
##  4 id_4       2130         369.             1756 F     
##  5 id_5         NA         258.              987 F     
##  6 id_6       1920         200.             1548 F     
##  7 id_7       6415         277.               NA F     
##  8 id_8       1510         284.               NA F     
##  9 id_9       4860         237.               NA M     
## 10 id_10      6265         382.             5568 <NA>

# 获取各变量的缺失数
apply(df_miss, 2, function(x) {sum(is.na(x))}) 

##               ID        air_time1     gmrt_in_air1 max_x_extension1           gender 
##                0                2                1                4                2

14.4.3.1 删除缺失值过多的变量

通常而言，对于缺失比例大于20%的变量，我们倾向于将该变量剔除。但是需要注意有些变量缺失会取决于其它变量的情况，比如在问卷过程中，前一个问题是某种回答，则跳过另一些问题。

# 获取各变量的缺失数
col_miss_count <- apply(df_miss, 2, function(x) {sum(is.na(x))}) 

# 保留缺失占比不超过20%的变量
df_miss_col <- df_miss[, col_miss_count/nrow(df_miss) <= 0.2] 

# 查看数据
df_miss_col

## # A tibble: 10 × 4
##    ID    air_time1 gmrt_in_air1 gender
##    <chr>     <dbl>        <dbl> <chr> 
##  1 id_1       5160         121. M     
##  2 id_2         NA          NA  <NA>  
##  3 id_3       2600         230. M     
##  4 id_4       2130         369. F     
##  5 id_5         NA         258. F     
##  6 id_6       1920         200. F     
##  7 id_7       6415         277. F     
##  8 id_8       1510         284. F     
##  9 id_9       4860         237. M     
## 10 id_10      6265         382. <NA>

14.4.3.2 删除缺失记录

仅对所有变量均缺失的记录进行删除。

# 除去第一个ID变量，其余变量都有缺失的记录将被删除
df_miss_col %>% filter(if_any(c(2:ncol(df_miss_col)), ~!is.na(.x)))

## # A tibble: 9 × 4
##   ID    air_time1 gmrt_in_air1 gender
##   <chr>     <dbl>        <dbl> <chr> 
## 1 id_1       5160         121. M     
## 2 id_3       2600         230. M     
## 3 id_4       2130         369. F     
## 4 id_5         NA         258. F     
## 5 id_6       1920         200. F     
## 6 id_7       6415         277. F     
## 7 id_8       1510         284. F     
## 8 id_9       4860         237. M     
## 9 id_10      6265         382. <NA>

对任意变量有缺失的记录进行删除。

# 除去第一个ID变量，任意变量中有缺失的记录将被删除
df_miss_col %>% filter(if_all(c(2:ncol(df_miss_col)), ~!is.na(.x)))

## # A tibble: 7 × 4
##   ID    air_time1 gmrt_in_air1 gender
##   <chr>     <dbl>        <dbl> <chr> 
## 1 id_1       5160         121. M     
## 2 id_3       2600         230. M     
## 3 id_4       2130         369. F     
## 4 id_6       1920         200. F     
## 5 id_7       6415         277. F     
## 6 id_8       1510         284. F     
## 7 id_9       4860         237. M

# 任意变量中有缺失的记录将被删除
df_miss_col %>% drop_na()

## # A tibble: 7 × 4
##   ID    air_time1 gmrt_in_air1 gender
##   <chr>     <dbl>        <dbl> <chr> 
## 1 id_1       5160         121. M     
## 2 id_3       2600         230. M     
## 3 id_4       2130         369. F     
## 4 id_6       1920         200. F     
## 5 id_7       6415         277. F     
## 6 id_8       1510         284. F     
## 7 id_9       4860         237. M

对特定变量有缺失的记录进行删除。

# gender变量中有缺失的记录将被删除
df_miss_col %>% filter(!is.na(gender))

## # A tibble: 8 × 4
##   ID    air_time1 gmrt_in_air1 gender
##   <chr>     <dbl>        <dbl> <chr> 
## 1 id_1       5160         121. M     
## 2 id_3       2600         230. M     
## 3 id_4       2130         369. F     
## 4 id_5         NA         258. F     
## 5 id_6       1920         200. F     
## 6 id_7       6415         277. F     
## 7 id_8       1510         284. F     
## 8 id_9       4860         237. M

14.4.3.3 缺失值的填补

使用均值填补缺失值。

# 获取均值以便比较
mean(df_miss_col$air_time1, na.rm=TRUE) # 3857.5

## [1] 3857.5

mean(df_miss_col$gmrt_in_air1, na.rm=TRUE) # 261.9154

## [1] 261.9154

# 对连续型变量进行填补
df_miss_col %>% mutate_if(is.double, ~replace_na(.x, mean(.x, na.rm=TRUE)))

## # A tibble: 10 × 4
##    ID    air_time1 gmrt_in_air1 gender
##    <chr>     <dbl>        <dbl> <chr> 
##  1 id_1      5160          121. M     
##  2 id_2      3858.         262. <NA>  
##  3 id_3      2600          230. M     
##  4 id_4      2130          369. F     
##  5 id_5      3858.         258. F     
##  6 id_6      1920          200. F     
##  7 id_7      6415          277. F     
##  8 id_8      1510          284. F     
##  9 id_9      4860          237. M     
## 10 id_10     6265          382. <NA>

# 第二种写法，将`~`替换成function(){}形式
df_miss_col %>% mutate_if(is.double, function(x){replace_na(x, mean(x, na.rm=TRUE))})

## # A tibble: 10 × 4
##    ID    air_time1 gmrt_in_air1 gender
##    <chr>     <dbl>        <dbl> <chr> 
##  1 id_1      5160          121. M     
##  2 id_2      3858.         262. <NA>  
##  3 id_3      2600          230. M     
##  4 id_4      2130          369. F     
##  5 id_5      3858.         258. F     
##  6 id_6      1920          200. F     
##  7 id_7      6415          277. F     
##  8 id_8      1510          284. F     
##  9 id_9      4860          237. M     
## 10 id_10     6265          382. <NA>

# 第三种写法，直接列举变量名
df_miss_col %>% mutate_at(c("air_time1","gmrt_in_air1"), function(x) {replace(x, is.na(x), mean(x, na.rm = TRUE))})

## # A tibble: 10 × 4
##    ID    air_time1 gmrt_in_air1 gender
##    <chr>     <dbl>        <dbl> <chr> 
##  1 id_1      5160          121. M     
##  2 id_2      3858.         262. <NA>  
##  3 id_3      2600          230. M     
##  4 id_4      2130          369. F     
##  5 id_5      3858.         258. F     
##  6 id_6      1920          200. F     
##  7 id_7      6415          277. F     
##  8 id_8      1510          284. F     
##  9 id_9      4860          237. M     
## 10 id_10     6265          382. <NA>

使用中位数填补缺失值。

# 获取中位数以便比较
median(df_miss_col$air_time1, na.rm=TRUE) # 3730

## [1] 3730

median(df_miss_col$gmrt_in_air1, na.rm=TRUE) # 257.9971

## [1] 257.9971

# 对连续型变量进行填补
df_miss_col %>% mutate_if(is.double, ~replace_na(.x, median(.x, na.rm=TRUE)))

## # A tibble: 10 × 4
##    ID    air_time1 gmrt_in_air1 gender
##    <chr>     <dbl>        <dbl> <chr> 
##  1 id_1       5160         121. M     
##  2 id_2       3730         258. <NA>  
##  3 id_3       2600         230. M     
##  4 id_4       2130         369. F     
##  5 id_5       3730         258. F     
##  6 id_6       1920         200. F     
##  7 id_7       6415         277. F     
##  8 id_8       1510         284. F     
##  9 id_9       4860         237. M     
## 10 id_10      6265         382. <NA>

使用众数填补缺失值。

# 构建众数函数
mode <- function(x) {
  ux <- unique(x) # 获取无重复元素的向量
  ux[which.max(tabulate(match(x, ux)))] # 获取众数
}

# 对字符型变量进行填补
df_miss_col %>% mutate_if(is.character, ~replace_na(.x, mode(.x)))

## # A tibble: 10 × 4
##    ID    air_time1 gmrt_in_air1 gender
##    <chr>     <dbl>        <dbl> <chr> 
##  1 id_1       5160         121. M     
##  2 id_2         NA          NA  F     
##  3 id_3       2600         230. M     
##  4 id_4       2130         369. F     
##  5 id_5         NA         258. F     
##  6 id_6       1920         200. F     
##  7 id_7       6415         277. F     
##  8 id_8       1510         284. F     
##  9 id_9       4860         237. M     
## 10 id_10      6265         382. F

使用mice包对缺失值进行多重插补（multiple imputation）。

多重插补法假设缺失值是随机发生的，使用链式方程对缺失值进行填补，具体步骤为：

1. 从变量的实际观测值中随机取值对对应变量的缺失值进行填补。
2. 移除第一个缺失变量中有缺失值的记录，以第一个缺失变量为因变量，其余变量为自变量构建回归方程，通过随机回归插补法（即在构建的回归方程中添加扰动项norm()）填补第一个缺失变量的缺失值。
3. 以类似的方法对剩余缺失变量的缺失值进行填补。
4. 步骤2和3完成1次为1个循环（iteration）。通常重复5-20个循环构建一组填补后的数据。
5. 重复步骤4直至获得 m 组填补后的数据。缺失值填补部分到此结束
6. 对 m 组数据分别进行统计分析，返回统计分析的平均结果。此步骤为后续统计分析过程

具体操作可参考这篇文章。

# 加载包
library(mice)

# 数据处理
df_miss_col <- df_miss_col %>%
  filter(!is.na(gender)) %>% # gender变量中有缺失的记录将被删除
  mutate(gender=as_factor(gender)) # 将gender变量类型从字符型转换为分类变量

# 使用"pmm"法插补缺失值
impute_mice <- mice(df_miss_col, method="pmm", printFlag=FALSE, seed=1)

# 使用插补后的数据进行逻辑回归
fit_mice <- with(impute_mice, glm(gender~air_time1+gmrt_in_air1, family=binomial(link='logit')))

# 汇总逻辑回归结果
pooled_mice <- pool(fit_mice)

# 报告最终结果
summary(pooled_mice)

##           term      estimate    std.error  statistic       df   p.value
## 1  (Intercept) -8.2204661643 9.0793281103 -0.9054047 3.730475 0.4198889
## 2    air_time1 -0.0003599382 0.0007634819 -0.4714430 3.443569 0.6656127
## 3 gmrt_in_air1  0.0422655603 0.0452813630  0.9333986 3.687814 0.4075974

使用missForest包对缺失值进行填补。

missForest包先将缺失值用均值或众数进行填补，然后通过随机森林方法对填补值进行修正。与MICE不同，该方法是一种非参数填补法，当变量间的关系为非线性或者存在交互作用时，也有较好的填补效果。同时，该方法可以应用于混合数据类型（比如同时存在连续变量和分量变量缺失的情况）且在噪声数据（noisy data）下也有良好表现。缺点是样本量不能太少，对算力要求较高，耗时较长。具体介绍可参考这篇文章。

# 加载包
library(missForest)

# 继续使用df_miss_col进行演示
# 填补除第一列变量以外的所有变量
# impute_mf <- missForest(df_miss_col[,-1]) # 直接运行此代码会报错

注意：如果直接运行最后一行代码会报错。

通过class()函数查看数据类型，可以发现，df_miss_col数据框的类型为：

“tbl_df”和”tbl”是tidyverse的dplyr包默认的数据框处理和存储类型，它能更简洁地呈现数据并能更高效地对数据框进行处理与运算（详细介绍见此链接）。但是missForest处理对象为”data.frame”类型，因此需要进行数据框类型的转换。

df_miss_col <- df_miss_col %>% 
  mutate(gender=as.factor(gender)) %>% # 将字符型变量转变为分类变量后才能进行填补
  as.data.frame() # 将数据框转为"data.frame"类型

# 填补除第一列变量以外的所有变量
impute_mf <- missForest(df_miss_col[,-1])

# 查看填补后的数据
impute_mf$ximp

##   air_time1 gmrt_in_air1 gender
## 1  5160.000     120.8042      M
## 2  2600.000     229.9340      M
## 3  2130.000     369.4033      F
## 4  4154.162     257.9971      F
## 5  1920.000     199.7650      F
## 6  6415.000     276.5146      F
## 7  1510.000     284.0157      F
## 8  4860.000     236.8763      M

有时，我们需要对一些缺失值进行上下填补，这时可以使用fill()函数。

# 创建数据框
set.seed(1)
sales <- data.frame(
  quarter=c(rep(c("Q1","Q2","Q3","Q4"), times=3)),
  year=c(NA,"2001",NA,NA,"2002",NA,NA,NA,"2003",NA,NA,NA),
  values=floor(rnorm(n=12, mean=100, sd=12))
)

# 查看数据框
sales

##    quarter year values
## 1       Q1 <NA>     92
## 2       Q2 2001    102
## 3       Q3 <NA>     89
## 4       Q4 <NA>    119
## 5       Q1 2002    103
## 6       Q2 <NA>     90
## 7       Q3 <NA>    105
## 8       Q4 <NA>    108
## 9       Q1 2003    106
## 10      Q2 <NA>     96
## 11      Q3 <NA>    118
## 12      Q4 <NA>    104

# 对year填补
sales %>% fill(year, .direction="downup") # 先向下填补，向下填补完后再向上填补

##    quarter year values
## 1       Q1 2001     92
## 2       Q2 2001    102
## 3       Q3 2001     89
## 4       Q4 2001    119
## 5       Q1 2002    103
## 6       Q2 2002     90
## 7       Q3 2002    105
## 8       Q4 2002    108
## 9       Q1 2003    106
## 10      Q2 2003     96
## 11      Q3 2003    118
## 12      Q4 2003    104

14.5 数据整理

14.5.1 变量的拆分与合并

有些变量中包含的内容会以分隔符（如,、-、|、/等）的形式记录，而我们需要将这些记录拆分成列时，就需要用到separate_wider_*()函数。

# 将 region 变量拆分为 state 和 city
df_darwin %>% 
  select(region) %>% 
  separate_wider_delim(region, delim=",", names=c("state", "city"), cols_remove=FALSE) %>% 
  head()

## # A tibble: 6 × 3
##   state city        region        
##   <chr> <chr>       <chr>         
## 1 TX    San Antonio TX,San Antonio
## 2 TX    San Antonio TX,San Antonio
## 3 TX    Austin      TX,Austin     
## 4 TX    Houston     TX,Houston    
## 5 TX    Dallas      TX,Dallas     
## 6 Ohio  Columbus    Ohio,Columbus

有时我们需要将变量中的记录拆分成行，就需要用到separate_longer_*()函数。

# 将region以","为分隔，拆分成行
df_darwin %>% 
  select(ID, air_time1, region) %>% 
  separate_longer_delim(region, delim=",") %>% # 其余变量的值将被复制到新创建的行中
  head()

## # A tibble: 6 × 3
##   ID    air_time1 region     
##   <chr>     <dbl> <chr>      
## 1 id_1       5160 TX         
## 2 id_1       5160 San Antonio
## 3 id_2      51980 TX         
## 4 id_2      51980 San Antonio
## 5 id_3       2600 TX         
## 6 id_3       2600 Austin

使用unite()函数将多列按照特定分隔符合并为一列。

# 将region, gender, class变量合并为一列(new_var)，以-连接
df_darwin %>% 
  select(region, gender, class) %>% 
  unite(new_var, region:class, sep="-") %>% 
  head()

## # A tibble: 6 × 1
##   new_var           
##   <chr>             
## 1 TX,San Antonio-M-P
## 2 TX,San Antonio-M-P
## 3 TX,Austin-M-P     
## 4 TX,Houston-F-P    
## 5 TX,Dallas-F-P     
## 6 Ohio,Columbus-F-P

14.5.2 数据框的长宽转换

不同的数据分析方法需要不同的数据框输入格式，比如线性回归需要各个变量依次罗列，即宽数据格式（wide format），混合效应模型需要将不同时间点放在同一个变量下面，即长数据格式（long format），这就需要使用pivot_*()函数。

将宽数据格式转为长数据格式。

# 继续使用df_darwin做演示，查看数据
df_darwin %>% head()

## # A tibble: 6 × 34
##   ID    air_time1 gmrt_in_air1 max_x_extension1 max_y_extension1 mean_acc_in_air1 mean_gmrt1
##   <chr>     <dbl>        <dbl>            <dbl>            <dbl>            <dbl>      <dbl>
## 1 id_1       5160         121.              957             6601            0.362      104. 
## 2 id_2      51980         115.             1694             6998            0.273       99.4
## 3 id_3       2600         230.             2333             5802            0.387      201. 
## 4 id_4       2130         369.             1756             8159            0.557      276. 
## 5 id_5       2310         258.              987             4732            0.266      185. 
## 6 id_6       1920         200.             1548             6260            0.213      155. 
## # ℹ 27 more variables: air_time2 <dbl>, gmrt_in_air2 <dbl>, max_x_extension2 <dbl>,
## #   max_y_extension2 <dbl>, mean_acc_in_air2 <dbl>, mean_gmrt2 <dbl>, air_time3 <dbl>,
## #   gmrt_in_air3 <dbl>, max_x_extension3 <dbl>, max_y_extension3 <dbl>, mean_acc_in_air3 <dbl>,
## #   mean_gmrt3 <dbl>, air_time4 <dbl>, gmrt_in_air4 <dbl>, max_x_extension4 <dbl>,
## #   max_y_extension4 <dbl>, mean_acc_in_air4 <dbl>, mean_gmrt4 <dbl>, air_time5 <dbl>,
## #   gmrt_in_air5 <dbl>, max_x_extension5 <dbl>, max_y_extension5 <dbl>, mean_acc_in_air5 <dbl>,
## #   mean_gmrt5 <dbl>, class <chr>, region <chr>, gender <chr>

# 单变量转换
df_darwin %>% 
  select(ID, num_range("air_time", 1:5)) %>% # 提取 air_time 1-5的变量 
  pivot_longer( # 转为长数据格式
    cols = starts_with("air_time"), # 选择目标变量
    names_to = "air_time", # 存储目标变量名称的新变量名称
    names_prefix = "air_time", # 识别目标变量的前缀，前缀之后的部分将转为新变量的元素
    values_to = "value" # 存储目标变量原先数据的新变量名称
  )

## # A tibble: 870 × 3
##    ID    air_time value
##    <chr> <chr>    <dbl>
##  1 id_1  1         5160
##  2 id_1  2         6085
##  3 id_1  3         4345
##  4 id_1  4        30625
##  5 id_1  5        66034
##  6 id_2  1        51980
##  7 id_2  2        10515
##  8 id_2  3        15885
##  9 id_2  4         7975
## 10 id_2  5        12875
## # ℹ 860 more rows

# 多变量转换
df_darwin %>% 
  select(ID, starts_with(c("air_time","gmrt_in_air"))) %>% # 提取 air_time 和 gmrt_in_air 1-5的变量
  pivot_longer( # 转为长数据格式
    cols = !ID, # 提取除 ID 之外的所有变量
    names_to = c("item", "wave"), # 构建存储目标变量和目标变量后缀的新变量名称
    names_pattern = "([\\w_]+)(\\d)", # 定义识别目标变量中想要提取元素（即括号内的元素）的正则表达式
    values_to = "value" # 存储目标变量原先数据的新变量名称
  ) 

## # A tibble: 1,740 × 4
##    ID    item        wave   value
##    <chr> <chr>       <chr>  <dbl>
##  1 id_1  air_time    1      5160 
##  2 id_1  air_time    2      6085 
##  3 id_1  air_time    3      4345 
##  4 id_1  air_time    4     30625 
##  5 id_1  air_time    5     66034 
##  6 id_1  gmrt_in_air 1       121.
##  7 id_1  gmrt_in_air 2       269.
##  8 id_1  gmrt_in_air 3       330.
##  9 id_1  gmrt_in_air 4       233.
## 10 id_1  gmrt_in_air 5       126.
## # ℹ 1,730 more rows

将长数据格式转为宽数据格式

# 创建数据框
df_long <- data.frame(
  ID = rep(c(1,2), each=4),
  quarter = rep(c("Q1","Q2","Q3","Q4"), times=2),
  year = rep(c(2001,2002), each=4),
  value = 5:12
)

df_long %>% 
  pivot_wider( # 转为宽数据格式
    names_from = quarter, # 依据目标变量将新生成的变量名称
    values_from = value # 目标变量的数值
  )

## # A tibble: 2 × 6
##      ID  year    Q1    Q2    Q3    Q4
##   <dbl> <dbl> <int> <int> <int> <int>
## 1     1  2001     5     6     7     8
## 2     2  2002     9    10    11    12

14.5.3 删除重复记录

当数据中出现重复记录的情况时，可以使用unique()和duplicated()函数删除重复记录。

# 创建数据框
df_duplicate <- data.frame(
  ID = c(1,1,2,2,3),
  group = c(1,1,1,1,2),
  value = c(20,20,10,20,20)
)

# 展示数据框
df_duplicate

##   ID group value
## 1  1     1    20
## 2  1     1    20
## 3  2     1    10
## 4  2     1    20
## 5  3     2    20

# 剔除所有变量均重复的记录，仅保留第一条重复记录
df_duplicate %>% unique()

##   ID group value
## 1  1     1    20
## 3  2     1    10
## 4  2     1    20
## 5  3     2    20

# 剔除group和value变量的所有重复的记录，仅保留第一条重复记录
df_duplicate[!duplicated(df_duplicate[c("group","value")]),]

##   ID group value
## 1  1     1    20
## 3  2     1    10
## 5  3     2    20

# 剔除group和value变量的所有重复的记录，仅保留最后一条重复记录
df_duplicate[!duplicated(df_duplicate[c("group","value")], fromLast=TRUE),]

##   ID group value
## 3  2     1    10
## 4  2     1    20
## 5  3     2    20

14.5.4 转换数据类型

在进行数据统计之前，我们有时需要将特定变量转变为分类变量，这时可以使用factor()函数。

# 创建数据框
df_cvt <- data.frame(
  id=1:5,
  gender=c("M","M","F","M","F"),
  group=c(1,2,2,3,1)
)

# 查看各变量类型
str(df_cvt)

## 'data.frame':    5 obs. of  3 variables:
##  $ id    : int  1 2 3 4 5
##  $ gender: chr  "M" "M" "F" "M" ...
##  $ group : num  1 2 2 3 1

# 将gender和group变量转为分类变量，各变量水平的默认按照数字/字母表顺序赋值
df_cvt %>% 
  mutate(across(c(gender, group), ~factor(.x))) %>% 
  str() # 可以发现，gender变量中"F"的赋值为1，"M"的赋值为2

## 'data.frame':    5 obs. of  3 variables:
##  $ id    : int  1 2 3 4 5
##  $ gender: Factor w/ 2 levels "F","M": 2 2 1 2 1
##  $ group : Factor w/ 3 levels "1","2","3": 1 2 2 3 1

# 想要改变各变量水平的赋值顺序，需要用levels参数说明
df_cvt %>% 
  mutate(gender=factor(gender, levels=c("M","F"))) %>% 
  str()

## 'data.frame':    5 obs. of  3 variables:
##  $ id    : int  1 2 3 4 5
##  $ gender: Factor w/ 2 levels "M","F": 1 1 2 1 2
##  $ group : num  1 2 2 3 1

# 想要改变各变量水平的名称，需要用labels参数说明
df_cvt %>% 
  mutate(group=factor(group, labels=c("control","exercise1","exercise2"))) 

##   id gender     group
## 1  1      M   control
## 2  2      M exercise1
## 3  3      F exercise1
## 4  4      M exercise2
## 5  5      F   control

14.5.5 记录的排序

采用arrange()函数可以将记录按照特定变量进行升序排列，arrange(desc())函数可以进行降序排列。

# 创建数据框
df_order <- data.frame(
  id=1:6,
  value1=c(2,2,1,4,5,4),
  value2=c(4,8,10,3,2,4)
)

# 查看数据
df_order

##   id value1 value2
## 1  1      2      4
## 2  2      2      8
## 3  3      1     10
## 4  4      4      3
## 5  5      5      2
## 6  6      4      4

# 升序排列
df_order %>% 
  arrange(value1, value2)

##   id value1 value2
## 1  3      1     10
## 2  1      2      4
## 3  2      2      8
## 4  4      4      3
## 5  6      4      4
## 6  5      5      2

# 降序排列
df_order %>% 
  arrange(desc(value1), desc(value2))

##   id value1 value2
## 1  5      5      2
## 2  6      4      4
## 3  4      4      3
## 4  2      2      8
## 5  1      2      4
## 6  3      1     10

# 一升一降排列
df_order %>% 
  arrange(value1, desc(value2))

##   id value1 value2
## 1  3      1     10
## 2  2      2      8
## 3  1      2      4
## 4  6      4      4
## 5  4      4      3
## 6  5      5      2

14.5.6 按条件筛选记录

采用filter()函数可以根据变量内容筛选记录。

library(readxl)

# 读取数据
df_goods <- read_excel("data/goods.xlsx")

# 查看数据
df_goods %>% head()

## # A tibble: 6 × 3
##   country     continent amount
##   <chr>       <chr>      <dbl>
## 1 Afghanistan Asia          11
## 2 Albania     Europe        30
## 3 Algeria     Africa        49
## 4 Andorra     Europe        55
## 5 Bahrain     Asia          20
## 6 Bangladesh  Asia          23

# 筛选amount>=50，continent="Europe"的记录
df_goods %>% 
  filter(amount>=50 & continent=="Europe") 

## # A tibble: 2 × 3
##   country continent amount
##   <chr>   <chr>      <dbl>
## 1 Andorra Europe        55
## 2 Belarus Europe        82

# 筛选amount>=50，continent为Europe或Asia的记录
df_goods %>% 
  filter(amount>=50 & continent %in% c("Europe","Asia")) 

## # A tibble: 2 × 3
##   country continent amount
##   <chr>   <chr>      <dbl>
## 1 Andorra Europe        55
## 2 Belarus Europe        82

14.5.7 按条件创建变量

有时我们需要基于特定变量的值创建新的变量，这可以通过mutate()函数结合if_else()或case_when()函数实现。

# 创建数据框
df_bmi <- data.frame(
  bmi = c(28.5, 26.3, NA, 23, NA, 17, 22.5)
)

# 基于bmi数值创建新变量，将bmi划分为体重过低、体重正常、超重和肥胖4个等级
# 使用 if_else() 函数
df_bmi %>% 
  mutate( # 使用mutate()函数创建新变量
    bmi_class = if_else(
      bmi < 18.5,
      "体重过低",
      if_else(
        bmi < 24,
        "体重正常",
        if_else(
          bmi < 28,
          "超重",
          "肥胖"
        )
      )
    )
  )

##    bmi bmi_class
## 1 28.5      肥胖
## 2 26.3      超重
## 3   NA      <NA>
## 4 23.0  体重正常
## 5   NA      <NA>
## 6 17.0  体重过低
## 7 22.5  体重正常

# 使用case_when()函数
df_bmi %>% 
  mutate(
    bmi_class = case_when(
      bmi<18.5 ~ "体重过低",
      bmi<24 ~ "体重正常",
      bmi<28 ~ "超重",
      bmi>=28 ~ "肥胖",
      # TRUE ~ "肥胖" # 如果最后一个条件不做区分，完全用TRUE表示，则NA也会转为"肥胖"
    )
  )

##    bmi bmi_class
## 1 28.5      肥胖
## 2 26.3      超重
## 3   NA      <NA>
## 4 23.0  体重正常
## 5   NA      <NA>
## 6 17.0  体重过低
## 7 22.5  体重正常

14.5.8 汇总函数

summarise()汇总函数，顾名思义，就是将数据进行汇总整理。如无特殊说明，则按变量返回一行汇总数据。如果与group_by()分组函数结合，则按照分组返回汇总数据。常用汇总计算的函数包括：

mean()汇总均值。

median()汇总中位数。

sd()汇总标准差。

IQR()汇总四分位距。

min()汇总最小值。

max()汇总最大值。

n()总数。

n_distinct()非重复数。

注意：

如果对于多个变量使用上述现成函数时，需要写成~FUN(.x)（如~mean(.x)）的形式。

如果对于多个变量使用自定义函数时，可以直接写成function(x){}的形式。

如果想同时使用多个函数，可以用list()函数将目标函数合并。

# 继续使用df_darwin做演示，查看数据
df_darwin %>% head()

## # A tibble: 6 × 34
##   ID    air_time1 gmrt_in_air1 max_x_extension1 max_y_extension1 mean_acc_in_air1 mean_gmrt1
##   <chr>     <dbl>        <dbl>            <dbl>            <dbl>            <dbl>      <dbl>
## 1 id_1       5160         121.              957             6601            0.362      104. 
## 2 id_2      51980         115.             1694             6998            0.273       99.4
## 3 id_3       2600         230.             2333             5802            0.387      201. 
## 4 id_4       2130         369.             1756             8159            0.557      276. 
## 5 id_5       2310         258.              987             4732            0.266      185. 
## 6 id_6       1920         200.             1548             6260            0.213      155. 
## # ℹ 27 more variables: air_time2 <dbl>, gmrt_in_air2 <dbl>, max_x_extension2 <dbl>,
## #   max_y_extension2 <dbl>, mean_acc_in_air2 <dbl>, mean_gmrt2 <dbl>, air_time3 <dbl>,
## #   gmrt_in_air3 <dbl>, max_x_extension3 <dbl>, max_y_extension3 <dbl>, mean_acc_in_air3 <dbl>,
## #   mean_gmrt3 <dbl>, air_time4 <dbl>, gmrt_in_air4 <dbl>, max_x_extension4 <dbl>,
## #   max_y_extension4 <dbl>, mean_acc_in_air4 <dbl>, mean_gmrt4 <dbl>, air_time5 <dbl>,
## #   gmrt_in_air5 <dbl>, max_x_extension5 <dbl>, max_y_extension5 <dbl>, mean_acc_in_air5 <dbl>,
## #   mean_gmrt5 <dbl>, class <chr>, region <chr>, gender <chr>

df_darwin %>% 
  select(gender,air_time1, gmrt_in_air1) %>% # 选择变量
  summarise(
    count = n(), # 计数
    air_time1_avg = mean(air_time1), # 获取 air_time1 均值
    gmrt_in_air1_median = median(gmrt_in_air1) # 获取 gmrt_in_air1 中位数
  )

## # A tibble: 1 × 3
##   count air_time1_avg gmrt_in_air1_median
##   <int>         <dbl>               <dbl>
## 1   174         5664.                256.

df_darwin %>% 
  select(gender,air_time1, gmrt_in_air1) %>% # 选择变量
  group_by(gender) %>% # 按照 gender 分组
  summarise(
    count = n(), # 计数
    air_time1_avg = mean(air_time1), # 获取 air_time1 均值
    air_time1_sd = sd(air_time1), # 获取 air_time1 标准差
    air_time1_se = sqrt(var(air_time1)/length(air_time1)) # 获取 air_time1 标准误
  )

## # A tibble: 2 × 5
##   gender count air_time1_avg air_time1_sd air_time1_se
##   <chr>  <int>         <dbl>        <dbl>        <dbl>
## 1 F         86         5452.       11972.        1291.
## 2 M         88         5872.       13352.        1423.

# 依据特定条件批量汇总
df_darwin %>% 
  select(ends_with("1")) %>%
  summarise_if(
    is.numeric, # 选择数值型变量
    list(~mean(.x), ~median(.x)) # 分别计算各变量的均值与中位数
  )

## # A tibble: 1 × 12
##   air_time1_mean gmrt_in_air1_mean max_x_extension1_mean max_y_extension1_mean
##            <dbl>             <dbl>                 <dbl>                 <dbl>
## 1          5664.              298.                 1978.                 7324.
## # ℹ 8 more variables: mean_acc_in_air1_mean <dbl>, mean_gmrt1_mean <dbl>,
## #   air_time1_median <dbl>, gmrt_in_air1_median <dbl>, max_x_extension1_median <dbl>,
## #   max_y_extension1_median <dbl>, mean_acc_in_air1_median <dbl>, mean_gmrt1_median <dbl>

summarise()函数在不分组的情况下只能返回一行汇总数据。但是有些时候我们需要根据不同的先决条件返回不同的汇总数据，比如不同的百分数值返回不同的百分位数，这时就需要用到reframe()函数。具体应用我们在across()函数[小节14.5.9]中会说明。

14.5.9 across()函数

有时我们只想对特定的若干变量做相同的处理，比如上例[小节14.5.8]中如果想对除air_time和max_x_extension以外的数值型变量的第一次测试做统计，这时可以考虑across()函数。

# 继续使用df_darwin做演示，查看数据
df_darwin %>% head()

## # A tibble: 6 × 34
##   ID    air_time1 gmrt_in_air1 max_x_extension1 max_y_extension1 mean_acc_in_air1 mean_gmrt1
##   <chr>     <dbl>        <dbl>            <dbl>            <dbl>            <dbl>      <dbl>
## 1 id_1       5160         121.              957             6601            0.362      104. 
## 2 id_2      51980         115.             1694             6998            0.273       99.4
## 3 id_3       2600         230.             2333             5802            0.387      201. 
## 4 id_4       2130         369.             1756             8159            0.557      276. 
## 5 id_5       2310         258.              987             4732            0.266      185. 
## 6 id_6       1920         200.             1548             6260            0.213      155. 
## # ℹ 27 more variables: air_time2 <dbl>, gmrt_in_air2 <dbl>, max_x_extension2 <dbl>,
## #   max_y_extension2 <dbl>, mean_acc_in_air2 <dbl>, mean_gmrt2 <dbl>, air_time3 <dbl>,
## #   gmrt_in_air3 <dbl>, max_x_extension3 <dbl>, max_y_extension3 <dbl>, mean_acc_in_air3 <dbl>,
## #   mean_gmrt3 <dbl>, air_time4 <dbl>, gmrt_in_air4 <dbl>, max_x_extension4 <dbl>,
## #   max_y_extension4 <dbl>, mean_acc_in_air4 <dbl>, mean_gmrt4 <dbl>, air_time5 <dbl>,
## #   gmrt_in_air5 <dbl>, max_x_extension5 <dbl>, max_y_extension5 <dbl>, mean_acc_in_air5 <dbl>,
## #   mean_gmrt5 <dbl>, class <chr>, region <chr>, gender <chr>

df_darwin %>% 
  reframe(
    prob = c(0.25,0.75), # 设置分位数位置
    across(
      ends_with("1") & !c("air_time1", "max_x_extension1"), 
      ~quantile(.x, prob, na.rm=TRUE) # 基于prob的百分数值，计算各变量的分位数
    )
  ) %>% 
  select(
    prob, 
    ends_with("1")
  )

## # A tibble: 2 × 5
##    prob gmrt_in_air1 max_y_extension1 mean_acc_in_air1 mean_gmrt1
##   <dbl>        <dbl>            <dbl>            <dbl>      <dbl>
## 1  0.25         174.            6124             0.218       161.
## 2  0.75         359.            8298.            0.443       294.

对多个变量使用自定义函数（数据标准化）

# 定义标准化函数
normalization <- function(x) {
  z <- (x - mean(x, na.rm=TRUE))/sd(x, na.rm=TRUE)
  return(z)
}

# 对数值型变量进行标准化处理，对字符型变量将其转为分类变量
df_darwin %>% 
  reframe(
    across(where(is.numeric), normalization),
    across(where(is.character), as.factor)
  ) %>% 
  select(
    ID, region, gender,
    starts_with("mean_gmrt")
  ) %>% 
  head()

## # A tibble: 6 × 8
##   ID    region         gender mean_gmrt1 mean_gmrt2 mean_gmrt3 mean_gmrt4 mean_gmrt5
##   <fct> <fct>          <fct>       <dbl>      <dbl>      <dbl>      <dbl>      <dbl>
## 1 id_1  TX,San Antonio M          -1.09       0.372     0.575      0.0399     -0.493
## 2 id_2  TX,San Antonio M          -1.13       0.561     0.0666    -0.791       0.390
## 3 id_3  TX,Austin      M          -0.360     -0.418    -0.614     -0.427      -0.153
## 4 id_4  TX,Houston     F           0.205     -0.270     0.357      0.0405      0.552
## 5 id_5  TX,Dallas      F          -0.486     -0.717    -0.290      0.199      -0.272
## 6 id_6  Ohio,Columbus  F          -0.710      0.166    -0.488      0.561       0.926

14.5.10 日期处理

由于日期通常在导入数据时会被自动定义为字符型（可以先使用str()函数查看变量类型），所以需要使用parse_datetime()函数将字符型日期转换成POSIXct形式。在表示日期形式时，需要了解各字母符号的含义，主要内容如下：

年的表示：%Y为四位数的年份，%y为两位数的年份（70-99为1970-1999,00-69为2000-2069）。

月的表示：%m为两位数的月份。

日的表示：%d为两位数的日期。

时的表示：%H为两位数的小时数。

分的表示：%M为两位数的分钟数。

秒的表示：%S为两位数的秒数。

比如 “23/11/2023 14:33:06” 可以表示为 “%d/%m/%Y %H:%M:%S”。

要计算两个日期之间的天数差，可以使用difftime()函数，并可以使用time_length()函数基于天数差计算月数或者年数差。

如果需要单独提取年、月、日数据，可以使用year()、month()、day()函数或者format()函数。

# 创建数据框
df_date <- data.frame(
  ID = 1:3,
  birthday = c("1958-12-01", "1954-10-01", "1956-09-20"),
  testday = "2022-05-06"
)

# 检查变量类型，日期都是字符型
str(df_date)

## 'data.frame':    3 obs. of  3 variables:
##  $ ID      : int  1 2 3
##  $ birthday: chr  "1958-12-01" "1954-10-01" "1956-09-20"
##  $ testday : chr  "2022-05-06" "2022-05-06" "2022-05-06"

df_date %>% 
  mutate(
    across(c(birthday,testday), ~parse_datetime(.x, "%Y-%m-%d")), # 需要将日期从字符型转换成日期类型
    diff_days = difftime(testday, birthday, units="days"), # 计算日期间的天数差
    diff_year = time_length(diff_days, "years"), # 计算日期间的年数差
    birth_year = year(ymd(birthday)), # 提取出生年份
    test_year = format(testday, "%Y") # 提取测试年份
  )

##   ID   birthday    testday  diff_days diff_year birth_year test_year
## 1  1 1958-12-01 2022-05-06 23167 days  63.42779       1958      2022
## 2  2 1954-10-01 2022-05-06 24689 days  67.59480       1954      2022
## 3  3 1956-09-20 2022-05-06 23969 days  65.62355       1956      2022