第 19 章 简单数据框

事实上,library(tidyverse)已经加装了library(tibble)

19.1 tidyverse 家族

前面陆续介绍了tidyverse家族,家庭主要成员包括

功能 宏包
有颜值担当 ggplot2
数据处理王者 dplyr
数据转换专家 tidyr
数据载入利器 readr
循环加速器 purrr
强化数据框 tibble
字符串处理 stringr
因子处理 forcats

19.2 人性化的tibble

  • tibble是用来替换data.frame类型的扩展的数据框
  • tibble继承了data.frame,是弱类型的。换句话说,tibble是data.frame的子类型
  • tibble与data.frame有相同的语法,使用起来更方便
  • tibble更早的检查数据,方便写出更干净、更多富有表现力的代码

tibble对data.frame做了重新的设定:

  • tibble,不关心输入类型,可存储任意类型,包括list类型
  • tibble,没有行名设置 row.names
  • tibble,支持任意的列名
  • tibble,会自动添加列名
  • tibble,类型只能回收长度为1的输入
  • tibble,会懒加载参数,并按顺序运行
  • tibble,是tbl_df类型

19.3 tibble 与 data.frame

传统创建数据框

data.frame(
  a = 1:5,
  b = letters[1:5]
)
##   a b
## 1 1 a
## 2 2 b
## 3 3 c
## 4 4 d
## 5 5 e

发现,data.frame()会自动将字符串型的变量转换成因子型,如果想保持原来的字符串型,就得

data.frame(
  a = 1:5,
  b = letters[1:5],
  stringsAsFactors = FALSE
)
##   a b
## 1 1 a
## 2 2 b
## 3 3 c
## 4 4 d
## 5 5 e

Note: - 在R 4.0 后,data.frame() 不会将字符串型变量自动转换成因子型

用tibble创建数据框,不会这么麻烦,输出的就是原来的字符串类型

tibble(
  a = 1:5,
  b = letters[1:5]
)
## # A tibble: 5 × 2
##       a b    
##   <int> <chr>
## 1     1 a    
## 2     2 b    
## 3     3 c    
## 4     4 d    
## 5     5 e

我们有时候喜欢这样,构建两个有关联的变量, 比如

tb <- tibble(
  x = 1:3,
  y = x + 2
)
tb
## # A tibble: 3 × 2
##       x     y
##   <int> <dbl>
## 1     1     3
## 2     2     4
## 3     3     5

但是,如果用传统的data.frame()来构建,会报错

df <- data.frame(
  x = 1:3,
  y = x + 2
)
## Error in data.frame(x = 1:3, y = x + 2): object 'x' not found
df
## function (x, df1, df2, ncp, log = FALSE) 
## {
##     if (missing(ncp)) 
##         .Call(C_df, x, df1, df2, log)
##     else .Call(C_dnf, x, df1, df2, ncp, log)
## }
## <bytecode: 0x0000025fb610d470>
## <environment: namespace:stats>

因此,在这一点上tibble()做的比较人性化。

大家还可以发现tibble另一个优势:tibble输出时,会显示多一行,用来指定每一列的类型。

tibble用缩写定义了7种类型:

类型 含义
int 代表integer
dbl 代表double
chr 代表character向量或字符串
dttm 代表日期+时间(date+time)
lgl 代表逻辑判断TRUE或者FALSE
fctr 代表因子类型factor
date 代表日期dates

19.4 tibble数据操作

19.4.1 创建tibble

tibble()创建一个tibble类型的data.frame:

tibble(a = 1:5, b = letters[1:5])
## # A tibble: 5 × 2
##       a b    
##   <int> <chr>
## 1     1 a    
## 2     2 b    
## 3     3 c    
## 4     4 d    
## 5     5 e

刚才提到了,可以这样,

tibble(
  a = 1:5,
  b = 10:14,
  c = a + b
)
## # A tibble: 5 × 3
##       a     b     c
##   <int> <int> <int>
## 1     1    10    11
## 2     2    11    13
## 3     3    12    15
## 4     4    13    17
## 5     5    14    19
  • 为了让每列更加直观,也可以tribble()创建,数据量不大的时候,挺方便的
tribble(
  ~x, ~y, ~z,
  "a", 2, 3.6,
  "b", 1, 8.5
)
## # A tibble: 2 × 3
##   x         y     z
##   <chr> <dbl> <dbl>
## 1 a         2   3.6
## 2 b         1   8.5

19.4.2 转换成tibble类型

转换成tibble类型意思就是说,刚开始不是tibble, 现在转换成tibble, 包括

  • data.frame转换成tibble
  • vector转换成tibble
  • list转换成tibble
  • matrix转换成tibble

19.4.2.1 data.frame转换成tibble

t1 <- iris[1:6, 1:4] # data.frame
class(t1)
## [1] "data.frame"
## # A tibble: 6 × 4
##   Sepal.Length Sepal.Width Petal.Length Petal.Width
##          <dbl>       <dbl>        <dbl>       <dbl>
## 1          5.1         3.5          1.4         0.2
## 2          4.9         3            1.4         0.2
## 3          4.7         3.2          1.3         0.2
## 4          4.6         3.1          1.5         0.2
## 5          5           3.6          1.4         0.2
## 6          5.4         3.9          1.7         0.4

19.4.2.2 vector转型到tibble

x <- as_tibble(1:5) # Use `tibble::enframe()
x
## # A tibble: 5 × 1
##   value
##   <int>
## 1     1
## 2     2
## 3     3
## 4     4
## 5     5

19.4.2.3 把list转型为tibble

df <- as_tibble(list(x = 1:6, y = runif(6), z = 6:1))
df
## # A tibble: 6 × 3
##       x      y     z
##   <int>  <dbl> <int>
## 1     1 0.693      6
## 2     2 0.710      5
## 3     3 0.139      4
## 4     4 0.473      3
## 5     5 0.0614     2
## 6     6 0.994      1

把tibble再转为list? as.list(df)

19.4.2.4 把matrix转型为tibble

m <- matrix(rnorm(15), ncol = 5)
as_tibble(m)
## # A tibble: 3 × 5
##       V1     V2     V3     V4     V5
##    <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1  2.40  -0.235 -2.40   1.43  -0.148
## 2 -0.158 -1.27  -0.811 -0.869  0.503
## 3 -0.754 -0.313 -0.887 -0.771  0.870

tibble转回matrix? as.matrix(df)

19.4.3 tibble简单操作

构建一个简单的数据框

df <- tibble(
  x = 1:2,
  y = 2:1
)

df
## # A tibble: 2 × 2
##       x     y
##   <int> <int>
## 1     1     2
## 2     2     1

增加一列

add_column(df, z = 0:1, w = 0)
## # A tibble: 2 × 4
##       x     y     z     w
##   <int> <int> <int> <dbl>
## 1     1     2     0     0
## 2     2     1     1     0

增加一行

add_row(df, x = 99, y = 9)
## # A tibble: 3 × 2
##       x     y
##   <dbl> <dbl>
## 1     1     2
## 2     2     1
## 3    99     9

在第二行,增加一行

add_row(df, x = 99, y = 9, .before = 2)
## # A tibble: 3 × 2
##       x     y
##   <dbl> <dbl>
## 1     1     2
## 2    99     9
## 3     2     1

19.4.4 有用的函数lst

lst,创建一个list,具有tibble特性的list。

lst(n = 5, x = runif(n), y = TRUE)
## $n
## [1] 5
## 
## $x
## [1] 0.4561 0.8790 0.5109 0.8813 0.3864
## 
## $y
## [1] TRUE

19.4.5 有用的函数enframe

enframe()将矢量快速创建tibble,,创建的tibble只有2列: name和value

enframe(1:3)
## # A tibble: 3 × 2
##    name value
##   <int> <int>
## 1     1     1
## 2     2     2
## 3     3     3
enframe(c(a = 5, b = 7, c = 9))
## # A tibble: 3 × 2
##   name  value
##   <chr> <dbl>
## 1 a         5
## 2 b         7
## 3 c         9

19.4.6 有用的函数deframe

deframe()可以看做是enframe() 的反操作,把tibble反向转成向量

df <- enframe(c(a = 5, b = 7))
df
## # A tibble: 2 × 2
##   name  value
##   <chr> <dbl>
## 1 a         5
## 2 b         7
# change to vector
deframe(df)
## a b 
## 5 7

19.4.7 读取文件

read_csv()读取文件时,生成的直接就是tibble

read_csv("./demo_data/wages.csv")
## # A tibble: 1,379 × 6
##     earn height sex    race     ed   age
##    <dbl>  <dbl> <chr>  <chr> <dbl> <dbl>
## 1 79571.   73.9 male   white    16    49
## 2 96397.   66.2 female white    16    62
## 3 48711.   63.8 female white    16    33
## 4 80478.   63.2 female other    16    95
## 5 82089.   63.1 female white    17    43
## 6 15313.   64.5 female white    15    30
## # … with 1,373 more rows

19.5 关于行名

data.frame是支持行名的,但tibble不支持行名,这也是两者不同的地方

#  create data.frame
df <- data.frame(x = 1:3, y = 3:1)

# add row name
row.names(df) <- LETTERS[1:3]
df
##   x y
## A 1 3
## B 2 2
## C 3 1

判断是否有行名

## [1] TRUE

但是对于tibble

tb <- tibble(x = 1:3, y = 3:1)

row.names(tb) <- LETTERS[1:3]

需要注意的:

  • 有时候遇到含有行名的data.frame,转换成tibble后,行名会被丢弃
  • 如果想保留行名,就需要把行名转换成单独的一列

举个例子

df <- mtcars[1:3, 1:3]
df
##                mpg cyl disp
## Mazda RX4     21.0   6  160
## Mazda RX4 Wag 21.0   6  160
## Datsun 710    22.8   4  108

把行名转换为单独的一列

rownames_to_column(df, var = "rowname")
##         rowname  mpg cyl disp
## 1     Mazda RX4 21.0   6  160
## 2 Mazda RX4 Wag 21.0   6  160
## 3    Datsun 710 22.8   4  108

把行索引转换为单独的一列

rowid_to_column(df, var = "rowid")
##   rowid  mpg cyl disp
## 1     1 21.0   6  160
## 2     2 21.0   6  160
## 3     3 22.8   4  108

19.6 修复列名

规范的来说,数据框的列名应该是唯一。但现实中代码是人写的,因此可能会稀奇古怪的,所幸的是tibble也提供了人性化的解决方案

tibble(x = 1, x = 2)
## Error:
## ! Column name `x` must not be duplicated.
## Use .name_repair to specify repair.
## Caused by error in `repaired_names()`:
## ! Names must be unique.
## ✖ These names are duplicated:
##   * "x" at locations 1 and 2.
  • .name_repair = "check_unique" 检查列名唯一性,但不做修复(默认)

  • .name_repair = "minimal", 不检查也不修复,维持现状

  • .name_repair = "unique" 修复列名,使得列名唯一且不为空

  • .name_repair = "universal" 修复列名,使得列名唯一且语法可读

具体使用方法:

tibble(x = 1, x = 2, .name_repair = "minimal")
## # A tibble: 1 × 2
##       x     x
##   <dbl> <dbl>
## 1     1     2
tibble(x = 1, x = 2, .name_repair = "unique")
## # A tibble: 1 × 2
##   x...1 x...2
##   <dbl> <dbl>
## 1     1     2
tibble(x = 1, x = 2, .name_repair = "universal")
## # A tibble: 1 × 2
##   x...1 x...2
##   <dbl> <dbl>
## 1     1     2
tibble(`a 1` = 1, `a 2` = 2, .name_repair = "universal")
## # A tibble: 1 × 2
##     a.1   a.2
##   <dbl> <dbl>
## 1     1     2

如果认为x...1, x...2 不符合自己的审美,可以指定修复函数

tibble(x = 1, x = 2, .name_repair = make.unique)
## # A tibble: 1 × 2
##       x   x.1
##   <dbl> <dbl>
## 1     1     2
tibble(x = 1, x = 2, .name_repair = ~ make.unique(.x, sep = "_"))
## # A tibble: 1 × 2
##       x   x_1
##   <dbl> <dbl>
## 1     1     2
tibble(x = 1, x = 2, .name_repair = ~ make.names(., unique = TRUE))
## # A tibble: 1 × 2
##       x   x.1
##   <dbl> <dbl>
## 1     1     2

注意make.unique(names, sep = ".")make.names(names, unique = FALSE, allow_ = TRUE) 是基础包的函数,可通过?make.unique()或者make.names()获取说明文档。

当然也可以自定义函数

fix_names <- function(x) gsub("\\s+", "_", x)

tibble(`year 1` = 1, `year 2` = 2, .name_repair = fix_names)
## # A tibble: 1 × 2
##   year_1 year_2
##    <dbl>  <dbl>
## 1      1      2
  • 感觉越说越复杂了,事实上,我们写数据框的时候,完全可以避免上述问题,只要做到规范列名。
  • 如果真正遇到比较乱的列名,推荐使用janitor::clean_names()一步到位。
library(janitor)
tibble(`year 1` = 1, `year 2` = 2) %>%
  clean_names()
## # A tibble: 1 × 2
##   year_1 year_2
##    <dbl>  <dbl>
## 1      1      2

19.7 List-columns (列表列)

tibble 本质上是向量构成的列表。如下图所示

大多情况下,我们接触到的向量是原子型向量(atomic vectors),所谓原子型向量就是向量元素为单个值,比如 "a" 或者 1

tibble还有可以允许某一列为列表(list),那么列表构成的列,称之为列表列(list columns)

这样一来,列表列非常灵活,因为列表元素可以是原子型向量、列表、矩阵或者小的tibble

19.8 nested tibble

tibble的列表列装载数据的能力很强大,也很灵活。下面,我们将介绍如何创建和操控有列表列的tibble。

19.8.1 creating

假定我们这里有一个tibble, 我们有三种方法可以创建列表列

19.8.1.1 tidyr::nest()

使用tidyr::nest()函数,创建有列表列的tibble。

library(tidyverse)
library(palmerpenguins)
df <- penguins %>% 
  drop_na() %>% 
  select(species, bill_length_mm, bill_depth_mm, body_mass_g)
df
## # A tibble: 333 × 4
##   species bill_length_mm bill_depth_mm body_mass_g
##   <fct>            <dbl>         <dbl>       <int>
## 1 Adelie            39.1          18.7        3750
## 2 Adelie            39.5          17.4        3800
## 3 Adelie            40.3          18          3250
## 4 Adelie            36.7          19.3        3450
## 5 Adelie            39.3          20.6        3650
## 6 Adelie            38.9          17.8        3625
## # … with 327 more rows
tb <- df %>% 
  nest(data = c(bill_length_mm, bill_depth_mm, body_mass_g))

tb
## # A tibble: 3 × 2
##   species   data              
##   <fct>     <list>            
## 1 Adelie    <tibble [146 × 3]>
## 2 Gentoo    <tibble [119 × 3]>
## 3 Chinstrap <tibble [68 × 3]>

nest() 为每种species创建了一个小的tibble, 每个小的tibble对应一个species

tb$data[[1]]
## # A tibble: 146 × 3
##   bill_length_mm bill_depth_mm body_mass_g
##            <dbl>         <dbl>       <int>
## 1           39.1          18.7        3750
## 2           39.5          17.4        3800
## 3           40.3          18          3250
## 4           36.7          19.3        3450
## 5           39.3          20.6        3650
## 6           38.9          17.8        3625
## # … with 140 more rows

可以看到,tb的整个data列是一个list

tb$data %>% typeof()
## [1] "list"

如果想偷懒,也可以用select()的语法

df %>% 
  nest(data = !species)
## # A tibble: 3 × 2
##   species   data              
##   <fct>     <list>            
## 1 Adelie    <tibble [146 × 3]>
## 2 Gentoo    <tibble [119 × 3]>
## 3 Chinstrap <tibble [68 × 3]>

可以同时创建多个列表列

df %>% 
  nest(data1 = c(bill_length_mm, bill_depth_mm), data2 = body_mass_g)
## # A tibble: 3 × 3
##   species   data1              data2             
##   <fct>     <list>             <list>            
## 1 Adelie    <tibble [146 × 2]> <tibble [146 × 1]>
## 2 Gentoo    <tibble [119 × 2]> <tibble [119 × 1]>
## 3 Chinstrap <tibble [68 × 2]>  <tibble [68 × 1]>

19.8.1.2 tidyr::summarise()

12 章介绍数据处理, group_by()summarize()组合可以将向量分组后分别压缩成单个值,事实上,summarize()还可以创建列表列。

df_collapsed <- df %>% 
  group_by(species) %>% 
  summarise(
    data = list(bill_length_mm)
  )

df_collapsed
## # A tibble: 3 × 2
##   species   data       
##   <fct>     <list>     
## 1 Adelie    <dbl [146]>
## 2 Chinstrap <dbl [68]> 
## 3 Gentoo    <dbl [119]>

data就是构建的列表列,它的每个元素都是一个向量,对应一个species。这种方法和nest()方法很相似,不同在于,summarise() + list() 构建的列表列其元素是原子型向量,而nest()构建的是tibble.

df_collapsed$data[[1]] %>% typeof()
## [1] "double"

summarise() + list()的方法还可以在创建列表列之前,对数据简单处理,比如排序

df %>% 
  group_by(species) %>% 
  summarise(
    data = list(sort(bill_length_mm))
  )
## # A tibble: 3 × 2
##   species   data       
##   <fct>     <list>     
## 1 Adelie    <dbl [146]>
## 2 Chinstrap <dbl [68]> 
## 3 Gentoo    <dbl [119]>

或者做筛选

df %>% 
  group_by(species) %>% 
  summarise(
    data = list(bill_length_mm[bill_length_mm > 45])
  )
## # A tibble: 3 × 2
##   species   data      
##   <fct>     <list>    
## 1 Adelie    <dbl [3]> 
## 2 Chinstrap <dbl [62]>
## 3 Gentoo    <dbl [98]>

19.8.1.3 dplyr::mutate()

第三种方法是用rowwise() + mutate(),比如,下面为每个岛屿(island) 创建一个与该岛企鹅数量等长的随机数向量,简单点说,这个岛屿上企鹅有多少只,那么随机数的个数就有多少个。

penguins %>% 
  drop_na() %>% 
  group_by(island) %>% 
  summarise(
    n_num = n()
  ) %>% 
  
  rowwise() %>% 
  mutate(random = list(rnorm(n = n_num))) %>% 
  ungroup()
## # A tibble: 3 × 3
##   island    n_num random     
##   <fct>     <int> <list>     
## 1 Biscoe      163 <dbl [163]>
## 2 Dream       123 <dbl [123]>
## 3 Torgersen    47 <dbl [47]>

19.8.2 Unnesting

unnest()函数可以把列表列转换成常规列的形式,比如上节中的tb

tb
## # A tibble: 3 × 2
##   species   data              
##   <fct>     <list>            
## 1 Adelie    <tibble [146 × 3]>
## 2 Gentoo    <tibble [119 × 3]>
## 3 Chinstrap <tibble [68 × 3]>

这里把想要打开的列data,作为参数提供给unnest(cols = )

tb %>% 
  unnest(cols = data)
## # A tibble: 333 × 4
##   species bill_length_mm bill_depth_mm body_mass_g
##   <fct>            <dbl>         <dbl>       <int>
## 1 Adelie            39.1          18.7        3750
## 2 Adelie            39.5          17.4        3800
## 3 Adelie            40.3          18          3250
## 4 Adelie            36.7          19.3        3450
## 5 Adelie            39.3          20.6        3650
## 6 Adelie            38.9          17.8        3625
## # … with 327 more rows

19.8.3 Manipulating

操控列表列是一件有趣的事情,我们常常会借助于行方向的操作(rowwise), 请看第 39 章。比如找出每个岛屿企鹅的数量,我们需要对data列表列的元素依次迭代,

tb %>% 
  rowwise() %>% 
  mutate(num_species = nrow(data))
## # A tibble: 3 × 3
## # Rowwise: 
##   species   data               num_species
##   <fct>     <list>                   <int>
## 1 Adelie    <tibble [146 × 3]>         146
## 2 Gentoo    <tibble [119 × 3]>         119
## 3 Chinstrap <tibble [68 × 3]>           68

再比如,求每组下企鹅嘴峰长度与嘴峰厚度的相关系数

tb %>% 
  rowwise() %>% 
  mutate(corr_coef = cor(data$bill_length_mm, data$bill_depth_mm))
## # A tibble: 3 × 3
## # Rowwise: 
##   species   data               corr_coef
##   <fct>     <list>                 <dbl>
## 1 Adelie    <tibble [146 × 3]>     0.386
## 2 Gentoo    <tibble [119 × 3]>     0.654
## 3 Chinstrap <tibble [68 × 3]>      0.654

19.9 延伸阅读

1、阅读Hadley Wickham的r4ds这本书第10章

2、 tibble的官方主页:https://tibble.tidyverse.org/

3、创建列表列的方法,可以参考nested tibblelist-columns

4、本章借鉴了https://dcl-prog.stanford.edu/的图片,特此感谢。