心好累。。看着和书上的代码一样，不是object not found 就是unexpected symbol等各种error，小白的进化之路还有一段距离啊。。。
mutate()
总是将新列添加在数据集的最后。
mutate(flights_sml, gain = arr_delay - dep_delay, speed = distance / air_time *60 )
mutate(flights_sml, gain = arr_delay - dep_delay, hours = air_time / 60, gainr_per_hour = gain /hours )
常用创建函数
- 向量输入和输出
-算数运算符 （向量化的），可与聚集函数结合使用，如x / sum（x），y - mean（y） - 模运算符 %/%取整，%%取余
- 对数函数 log2()，log()，long10()
- 偏移函数
lead()和lag()返回一个序列的领先值和滞后值。常与group_by()联合使用 - 累加和滚动集合
cumsum(),cumprod(),commin(),cummax() - 逻辑比较
- 排秩
min_rank, row_number，dense_rank，percent_rank， cume_dist, ntile
p45练习
df1 <- mutate( flights,
dep_hours = dep_time %/% 100,
dep_minute = dep_time %% 100)
mutate(flights,
dep_minutes = df1$dep_hours * 60 + df1$dep_minute )
df2 <- mutate( flights,
sched_dep_hours = sched_dep_time %/% 100,
sched_dep_minute = sched_dep_time %% 100)
mutate(flights,
sched_dep_minutes = df2$sched_dep_hours * 60 + df2$sched_dep_minute )
|| 答案： 考虑物业24:00的特殊情况,2400可能是1440分钟，也可能是0分钟。
flights_times <- mutate(flights,
dep_time_mins = (dep_time %/% 100 * 60 + dep_time %% 100) %% 1440,
sched_dep_time_mins = (sched_dep_time %/% 100 * 60 + sched_dep_time %% 100) %% 1440
)
也可以自定义函数，是代码更简洁
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))
感觉 arr_time - dep_time= air_time的，但是实际上 arr_time - dep_time的值大于air_time的值。经过小时的转化就行。
-答案 ：飞机经过午夜的话，arr_time<dep_time，结果为负；飞机经过不同的时区也有影响
flights_airtime <-
mutate(flights,
dep_time_min = (dep_time %/% 100 * 60 + dep_time %% 100) %% 1440,
arr_time_min = (arr_time %/% 100 * 60 + arr_time %% 100) %% 1440,
air_time_diff = air_time - arr_time + dep_time)
filter(flights_airtime, air_time_diff %% 60 == 0)
通过以下代码，方便观看
df5 <- select(flights,
dep_time,
sched_dep_time,
dep_delay)
dep_delay = dep_time - dep_delay
-答案：全部转成分钟后等式也不完全成立，虽然在这个题目中，时区不影响离开时间，但是可能有航班被安排了跨午夜了，
min_rank(desc(flights$dep_delay))
-答案：如果时间一样，比如三个航班是一样的时间，在第一次标记下，第二次第三次不标记。
flights_delayed <- mutate(flights, dep_delay_rank = min_rank(-dep_delay))
flights_delayed <- filter(flights_delayed, dep_delay_rank <= 20)
arrange(flights_delayed, dep_delay_rank)
-5.
返回 Warning message:
In 1:3 + 1:10 :
longer object length is not a multiple of shorter object length
两个长度不同的向量相加时，会自动循环较短的那个
help('Trig')
R提供了cos(x)，sin(x)，tan(x),
acos(x),asin(x),atan(x),atan2(y, x),
cospi(x),sinpi(x),tanpi(x)
summarize()
summarize() + group_by()→→分组摘要
na.rm，计算前去除缺失值
常用摘要函数
- 位置度量，median()
- 分散程度度量 sd()均方差误,IQR()四分位,mad()绝对中位差
-秩的度量 min(), quantile(x,0.25)找到顺序在25%-75%的,max()
-定位度量 first(),nth(x,2)和last()
-计数 n(), sum(!is.na(x))→→计算非缺失值的数量，distinct(x)→→计算唯一值
-逻辑值的计数和比例 sum(x > 10) 和mean(y == 0)
按多个变量分组
→→ 每次摘要统计都会用掉末尾的变量
取消分组
ungroup
p57练习题
1.
- 到达延误更重要，因为会影响乘客下一步的行程，造成经济损失
2.
by_dest <- group_by(flights, dest)
summarize(by_dest, count = n())
答案
group_by(dest) %>%
summarise(n = length(dest))
not_canceled %>%
group_by(dest) %>%
summarise(n = n())
not_cancelled %>%
group_by(tailnum) %>%
summarise(n = sum(distance))
group_by() + tally() →→→ count()
not_cancelled %>%
group_by(tailnum) %>%
tally()
3.
飞机从未起飞，就不会到达；飞机出现空难，能离开不会达到；飞机可能将落到别的地点
更重要的是arr_delay
4. 瞄的答案
canceled_delayed <-
flights %>%
mutate(canceled = (is.na(arr_delay) | is.na(dep_delay))) %>%
group_by(year, month, day) %>%
summarise(prop_canceled = mean(canceled),
avg_dep_delay = mean(dep_delay, na.rm = TRUE))
ggplot(canceled_delayed, aes(x = avg_dep_delay, prop_canceled)) +
geom_point() +
geom_smooth()
5.
flights %>%
group_by(carrier) %>%
summarise(arr_delay = mean(arr_delay, na.rm = TRUE)) %>%
arrange(desc(arr_delay))
6.?
7.
The sort argument to count() sorts the results in order of n. You could use this anytime you would run count() followed by arrange().
分组新变量(和筛选器)
分组筛选器的作用相当于分组新变量 + 未分组筛选器
p59练习题
剩下的基本都看答案 就不搬运了
1.
会在组内进行操作而不是在整个数据集
2.
flights %>%
group_by(tailnum) %>%
summarise(arr_delay = mean(arr_delay)) %>%
filter(min_rank(desc(arr_delay)) <= 1)
