数据处理之——plyr

本文主要介绍如何利用R中的plyr包对数据进行处理。plyr是R中做数据处理和加工的包，它可以用来做类似EXCEL数据透视表的操作。

split-apply-combine

split-apply-combine是plyr包的基本思想,首先把大的数据集按照一定的规则对数据进行拆分(split)，然后对每个拆分后的小数据集应用同一函数进行处理(apply)，最后把处理后的结果汇总起来形成最终的结果(combine)。

主函数

**ply函数簇

主函数为**ply函数簇，**表示输入输出数据类型: 其中字母a表示数组，字母d表示数据框，字母l表示列表，下划线_表示函数并无返回值。

函数用法

• a*ply(.data,.margins,.fun,…,.progress = “none”)
  

• d*ply(.data,.variables,.progress = “none”)
  

• l*ply(.data,.progress = “none”)

了解了**ply函数族的含义，我们再来看看上面三个函数簇的具体调用参数，.data是输入待处理的数据集，.variables与.margins描述了怎么去划分数据，.fun表示对划分后的数据集进行处理的函数，.progress可以用来显示程序的进度，none表示不显示。 如何划分数据我们来用图例来做一下说明： 数组用.margins按照维度来划分，比如，对于矩阵，1表示按行划分，2表示按列划分，c(1,2)表示单个数组元素。三维情况如下：

简单示例,采用plyr求球员的参赛场次，场均得分和助攻以及效率值

myfun <- function(x){
 ?withx,{count = nrow)
 ? ? ? ? ?mpts meanptsmast astper sum((pts+astrebstlblk)-(fga-fgmftaftm)-tov)/data.framecount=count,mptsmpts,0);">mastmast,0);">perper)
 ? ? ? ? ?})}
dat1 <- ddplypgdat,.player),0);">.fun myfun)
dat1

## ? player count ? ? mpts ? ? ?mast ? ? ?per
## 1 ? 保罗 ? ?74 19.54054 ?9.972973 24.75676
## 2 ? 康利 ? ?56 15.30357 ?6.107143 16.46429
## 3 ? 库里 ? ?79 30.06329 ?6.670886 30.68354
## 4 ? 欧文 ? ?53 19.64151 ?4.716981 16.81132
## 5 ? 威少 ? ?80 23.47500 10.425000 28.53750
## 6 ? 沃尔 ? ?77 19.88312 10.246753 22.54545

初看起来plyr包所具备的功能并不是很强，我们用R自带的常规函数也能实现嘛。好吧，下面我就一个简单的例子来展示plyr的便捷之处。 还是用pgdat数据（该数据集见微信公众号：案例数据），我们想知道每个控卫得分与上场时间的关系，这里采用简单线性回归，之后提取回归的截距和斜率值。 首先我们自定义线性回归函数：

lmfit ) {
 ? ?lm~min,0);">data)}

如果用最基本的循环：

players uniquepgdat$)
forname in playerstemp subsetplayer==name)
 ?fit lmfittemp)
 ?ifexists("result")){
 ? ?result rbindresult,0);">Interceptcoeffit)[1],0);">slope2])) ?
 ?} else ]) ?
 ?}}
rownamesresult) players
result

## ? ? ? ?Intercept ? ? slope
## 欧文 ?-6.8012949 0.8417229
## 保罗 ? 0.9652118 0.5670686
## 威少 -10.4073140 0.9860259
## 康利 ?-0.7273213 0.5118187
## 库里 ? 6.7341919 0.6813304
## 沃尔 ?-6.7297766 0.7363251

如果用自带的apply的函数：

pieces splitlist))
models lapplypieces,0);">models,0);">do.call'rbind',135);">)

如果用plyr：

library(plyr)
result0 dlplyldplyresult0,135);">)

孰优孰劣，一比便知。
当然plyr也有它的适用范围，它不适用于划分后数据有交集的情形,也不适用于迭代运算。

辅助函数

m_ply()

nc(10,100,153);">50mean5,153);">10sd1,153);">2,135);">))data

## ? ? n mean sd
## 1 ?10 ? ?5 ?1
## 2 100 ? ?5 ?2
## 3 ?50 ? 10 ?1

mlplydata,0);">rnorm)

arrange() 排序

arrangedat1,0);">desc)) # 按效率值降序排列

## ? player count ? ? mpts ? ? ?mast ? ? ?per
## 1 ? 库里 ? ?79 30.06329 ?6.670886 30.68354
## 2 ? 威少 ? ?80 23.47500 10.425000 28.53750
## 3 ? 保罗 ? ?74 19.54054 ?9.972973 24.75676
## 4 ? 沃尔 ? ?77 19.88312 10.246753 22.54545
## 5 ? 欧文 ? ?53 19.64151 ?4.716981 16.81132
## 6 ? 康利 ? ?56 15.30357 ?6.107143 16.46429

mast) # 按平均助攻升序排列

## ? player count ? ? mpts ? ? ?mast ? ? ?per
## 1 ? 欧文 ? ?53 19.64151 ?4.716981 16.81132
## 2 ? 康利 ? ?56 15.30357 ?6.107143 16.46429
## 3 ? 库里 ? ?79 30.06329 ?6.670886 30.68354
## 4 ? 保罗 ? ?74 19.54054 ?9.972973 24.75676
## 5 ? 沃尔 ? ?77 19.88312 10.246753 22.54545
## 6 ? 威少 ? ?80 23.47500 10.425000 28.53750

desc表示倒序
count() ?计数

count"player"# 统计参赛场次

## ? player freq
## 1 ? 保罗 ? 74
## 2 ? 康利 ? 56
## 3 ? 库里 ? 79
## 4 ? 欧文 ? 53
## 5 ? 威少 ? 80
## 6 ? 沃尔 ? 77

each()

整合多个函数并输出结果

max,135);">)(df))

## ? player ? ? mean max ?sum
## 1 ? 保罗 19.54054 ?40 1446
## 2 ? 康利 15.30357 ?27 ?857
## 3 ? 库里 30.06329 ?53 2375
## 4 ? 欧文 19.64151 ?35 1041
## 5 ? 威少 23.47500 ?48 1878
## 6 ? 沃尔 19.88312 ?41 1531

colwise()

对多列使用相同函数并输出结果

colwisepts,0);">ast,0);">stl,135);">)))

## ? player pts ast stl blk
## 1 ? 保罗 ?40 ?19 ? 7 ? 1
## 2 ? 康利 ?27 ?11 ? 4 ? 2
## 3 ? 库里 ?53 ?15 ? 5 ? 2
## 4 ? 欧文 ?35 ?12 ? 4 ? 2
## 5 ? 威少 ?48 ?19 ? 6 ? 2
## 6 ? 沃尔 ?41 ?19 ? 7 ? 5

join()

jion相关的函数在dplyr中有升级，并且封装得更好，这部分内容待到下期介绍dplyr的使用时再做详细介绍。

?本文来自№→★飞刀的微信公共帐号“数据挖掘与R语言”，用微信添加数据挖掘与R语言公众号，即可订阅。转载必须保留作者、公共帐号信息。

长按识别图中二维码?