20200512·Kony·Win10
数据框
数据框是一种矩阵形式的数据，但数据框中各列可以是不同类型的数据。数据框每列是一个变量，每行是一个观测。数据框可以看成是矩阵的推广，也可看作一种特殊的列表对象
1.数据框的建立
data.frame()
data.frame(…, row.names = NULL, check.rows = FALSE, check.names = TRUE, stringsAsFactors = default.stringsAsFactors())
rats <- c(1:6)
group <- c("postive","postive","model","model","control","control")
sex <- c("F","M","F","M","F","M")
glu.d1 <- c(11.97,12.97,27.34,23.97,6.79,5.19)
glu.d7 <- c(12.97,13.97,25.56,23.97,5.79,6.19)
rat.data <- data.frame(rats,group,sex,glu.d1,glu.d7)
rat.data
## rats group sex glu.d1 glu.d7
## 1 1 postive F 11.97 12.97
## 2 2 positive M 12.97 13.97
## 3 3 model F 27.34 25.56
## 4 4 model M 23.97 23.97
## 5 5 control F 6.79 5.79
## 6 6 control M 5.19 6.19
expand.grid()
此函数可以创建元素所有可能的组合
x<-expand.grid(h=c(60,80),w=c(100,300),sex=c("M","F"))
x
## h w sex
## 1 60 100 M
## 2 80 100 M
## 3 60 300 M
## 4 80 300 M
## 5 60 100 F
## 6 80 100 F
## 7 60 300 F
## 8 80 300 F
2. 查看数据框信息
class()
class(rat.data) # 查看类型
## [1] “data.frame”
class(rat.data$sex) # 查看某列的类型
## [1] “factor”
length()
length(rat.data) # 查看数据框长度
## [1] 5
name()
names(rat.data) # 数据框各项名称
## [1] “rats” “group” “sex” “glu.d1” “glu.d7”
summary()
summary获取描述性统计量，可以提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计等
summary(rat.data)
## rats group sex glu.d1 glu.d7
## Min. :1.00 control:2 F:3 Min. : 5.190 Min. : 5.790
## 1st Qu.:2.25 model :2 M:3 1st Qu.: 8.085 1st Qu.: 7.885
## Median :3.50 postive:2 Median :12.470 Median :13.470
## Mean :3.50 Mean :14.705 Mean :14.742
## 3rd Qu.:4.75 3rd Qu.:21.220 3rd Qu.:21.470
## Max. :6.00 Max. :27.340 Max. :25.560
table(rat.data$group,rat.data$sex) # 将数据框中的group与sex关联为一个表
## F M
## control 1 1
## model 1 1
## postive 1 1
3. 数据框的去重
3.1 去重函数
查询数据中的唯一值只可以使用unique()函数
rat.data2 <- rbind(rat.data,rat.data) # 创建一个新数据框rat.data2，内容是rat.data的2倍
unique(rat.data2) # 对数据框进行去重，即提取不重复的元素
## rats group sex glu.d1 glu.d7
## 1 1 postive F 11.97 12.97
## 2 2 postive M 12.97 13.97
## 3 3 model F 27.34 25.56
## 4 4 model M 23.97 23.97
## 5 5 control F 6.79 5.79
## 6 6 control M 5.19 6.19
mtcars$cyl
## [1] 6 6 4 6 8 6 8 4 4 6 6 8 8 8 8 8 8 4 4 4 4 8 8 8 8 4 4 4 8 6 8
unique(mtcars$cyl)
## [1] 6 4 8
levels(as.factor(mtcars$cyl)) # 采用levles()这种方式只是核对一下，这种方式不推荐
## [1] "4" "6" "8"
3.2 取重复行
查找重复数据的函数是duplicated()
x <- c(1, 2, 3, 3, 5, 4, 4, 5, 3)
duplicated(x) b## 有重复的值就会标为TRUE，没有重复的值就标为FALSE
## [1] FALSE FALSE FALSE TRUE FALSE FALSE TRUE TRUE TRUE
dupes <- duplicated(iris) #iris是一个数值型数据框
head(dupes)
#[1] FALSE FALSE FALSE FALSE FALSE FALSE
which(dupes)
#[1] 143 ##第143个数据是第二次出现
iris[dupes,] ## 第143个数据的具体信息
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#143 5.8 2.7 5.1 1.9 virginica
小结
- 当duplicated()遇到重复的值时（重复的值必然至少有2个），第1个重复的值返回的是FALSE，到第2个以及第2个往后重复的值才显示为TRUE；
- duplicated()返回的是一个逻辑向量，因此可以将其当作索引去除重复行，如下所示：
head(iris[!dupes, ]) ##前6行中没有重复的行
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
nrow(iris[!dupes, ]) 没有重复的行数
## [1] 149
rat.data2[duplicated(rat.data2),]# 取数据框中重复的行
rats group sex glu.d1 glu.d7
## 7 1 postive F 11.97 12.97
## 8 2 postive M 12.97 13.97
## 9 3 model F 27.34 25.56
## 10 4 model M 23.97 23.97
## 11 5 control F 6.79 5.79
## 12 6 control M 5.19 6.19
3.3 提取某个元素/行/列
rat.data[i,j] #指第i行第j列的数据
rat.data[1,2] #取第1行第2列
## [1] "postive"
rat.data[2,] #取第2行的数据
## rats group sex glu.d1 glu.d7
## 2 2 positive M 12.97 13.97
rat.data[,2] # 取第二列的数据
## [1] "postive" "positive" "model" "model" "control" "control"
rat.data$group #第group列（第二列）的数据
## [1] "postive" "positive" "model" "model" "control" "control"
rat.data[,-3] #取除了第3列外的其余列
## rats group glu.d1 glu.d7
## 1 postive 11.97 12.97 2
## 2 postive 12.97 13.97 3
## 3 model 27.34 25.56 4
## 4 model 23.97 23.97 5
## 5 control 6.79 5.79 6
## 6 control 5.19 6.19
rat.data[1:4,4] #取1-4行的第4列的数据
## [1] 11.97 12.97 27.34 23.97
3.4 提取满足某一条件的列==或函数match()
sel<-rat.data$group=="control"
rat.data.control<-rat.data[sel,]
rat.data.control
## rats group sex glu.d1 glu.d7
## 5 5 control F 6.79 5.79
## 6 6 control M 5.19 6.19
sel
## [1] FALSE FALSE FALSE FALSE TRUE TRUE
class(sel)
## [1] "logical"
index <- match("Toyota Corolla", rownames(mtcars)) ##在mtcars的行名称中检索Toyota Corolla元素
index
## [1] 20
mtcars[index, 1:4]
## mpg cyl disp hp
## Toyota Corolla 33.9 4 71.1 65
3.5 使用with()计算条件总和
with(mtcars, mean(mpg)) ## mtcars数据框中mpg的平均值
## [1] 20.09062
with(mtcars, mean(mpg[hp < 150])) ## mtcars数据框中hp<150的mpg的平均值
## [1] 24.22353
with(rat.data,mean(glu.d1)) ## rat.data数据框中，glu.d1的平均值
## [1] 14.705
3.6 提取子集
manager<-c(1,2,3,4,5)
date<-c("10/24/08","10/28/08","10/01/08","10/12/08","05/01/09")
country<-c("US","US","UK","China","UK")
gender<-c("M","F","F","M","F")
age<-c(32,45,25,23,99)
q1<-c(5,3,3,2,1)
q2<-c(4,5,4,4,5)
q3<-c(2,4,3,4,3)
q4<-c(5,3,3,NA,2)
q5<-c(5,5,3,3,NA)
leadership<-data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringsAsFactors = FALSE)
leadership
## manager date country gender age q1 q2 q3 q4 q5
## 1 1 10/24/08 US M 32 5 4 2 5 5
## 2 2 10/28/08 US F 45 3 5 4 3 5
## 3 3 10/01/08 UK F 25 3 4 3 3 3
## 4 4 10/12/08 China M 23 2 4 4 NA 3
## 5 5 05/01/09 UK F 99 1 5 3 2 NA
newdata <- leadership[, c(6:10)] #从leadership数据框中取第6列到第10列的变量，并且将其保存在newdata中，将行下标留空(,），表示取所有行
newdata
## q1 q2 q3 q4 q5
## 1 5 4 2 5 5
## 2 3 5 4 3 5
## 3 3 4 3 3 3
## 4 2 4 4 NA 3
## 5 1 5 3 2 NA
leadership
## manager date country gender age q1 q2 q3 q4 q5
## 1 1 10/24/08 US M 32 5 4 2 5 5
## 2 2 10/28/08 US F 45 3 5 4 3 5
## 3 3 10/01/08 UK F 25 3 4 3 3 3
## 4 4 10/12/08 China M 23 2 4 4 NA 3
## 5 5 05/01/09 UK F 99 1 5 3 2 NA
newdata<- leadership[which(leadership$gender == "M" & leadership$age>30),]
# 将leaderhip中30岁以上的男性选入newdata中
newdata
## manager date country gender age q1 q2 q3 q4 q5
## 1 1 10/24/08 US M 32 5 4 2 5 5
3.7 将某一数值转换为某一类别变量
## 1. 创建数据框
manager<-c(1,2,3,4,5)
date<-c("10/24/08","10/28/08","10/1/08","10/12/08","5/1/09")
country<-c("US","US","UK","UK","UK")
gender<-c("M","F","F","M","F")
age<-c(32,45,25,39,99)
q1<-c(5,3,3,3,2)
q2<-c(4,5,5,3,2)
q3<-c(5,2,5,4,1)
q4<-c(5,5,5,NA,2)
q5<-c(5,5,2,NA,1)
leadership<-data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringsAsFactor=FALSE)
#把字符转化为因子
leadership
## manager date country gender age q1 q2 q3 q4 q5 stringsAsFactor
## 1 1 10/24/08 US M 32 5 4 5 5 5 FALSE
## 2 2 10/28/08 US F 45 3 5 2 5 5 FALSE
## 3 3 10/1/08 UK F 25 3 5 5 5 2 FALSE
## 4 4 10/12/08 UK M 39 3 3 4 NA NA FALSE
## 5 5 5/1/09 UK F 99 2 2 1 2 1 FALSE
## 2. 转变变量（可转化为因子型变量）
## 将age大于99的转换为缺失，age大于75的为Elder，55到75之间的为Middle，55以下的为Young：
leadership$age[leadership$age == 99] <-NA # 年龄为99时，表示缺失
leadership$agecat[leadership$age >75] <- "Elder" # 当age大于75时，agecat为Elder
leadership$agecat[leadership$age >= 55 & leadership$age<= 75] <- "Middle" # 当55<= age <=75时，agecat为Middle
leadership$agecat[leadership$age < 55] <-"Young" #age<55时，agecat为Young
leadership
## manager date country gender age q1 q2 q3 q4 q5 stringsAsFactor agecat
## 1 1 10/24/08 US M 32 5 4 5 5 5 FALSE Young
## 2 2 10/28/08 US F 45 3 5 2 5 5 FALSE Young
## 3 3 10/1/08 UK F 25 3 5 5 5 2 FALSE Young
## 4 4 10/12/08 UK M 39 3 3 4 NA NA FALSE Young
## 5 5 5/1/09 UK F NA 2 2 1 2 1 FALSE <NA>
4. 判断数据框各行是否完整
complete.cases
rat.data1<-rat.data
rat.data1$group[2]<-NA
## rats group sex glu.d1 glu.d7
## 1 1 postive F 11.97 12.97
## 2 2 <NA> M 12.97 13.97
## 3 3 model F 27.34 25.56
## 4 4 model M 23.97 23.97
## 5 5 control F 6.79 5.79
## 6 6 control M 5.19 6.19
complete.cases(rat.data1) #判断数据框是否完整
## [1] TRUE FALSE TRUE TRUE TRUE TRUE
如果要删除某个数据集中的包含缺失值的行，那么就可以通过下面的代码实现：
rat.data1 <- rat.data1[complete.cases(rat.data1),]
# 或者是使用na.omit()函数
rat.data1 <- na.omit(rat.data1)
5. 提取非缺失值(同4)
rat.data1[complete.cases(rat.data1),] #选择非缺失值的数据
## rats group sex glu.d1 glu.d7
## 1 1 postive F 11.97 12.97
## 3 3 model F 27.34 25.56
## 4 4 model M 23.97 23.97
## 5 5 control F 6.79 5.79
## 6 6 control M 5.19 6.19
6. 增加列
直接增加
rat.data$result<-c(rat.data$glu.d1-rat.data$glu.d7)
rat.data
## rats group sex glu.d1 glu.d7 result
## 1 1 postive F 11.97 12.97 -1.00
## 2 2 postive M 12.97 13.97 -1.00
## 3 3 model F 27.34 25.56 1.78
## 4 4 model M 23.97 23.97 0.00
## 5 5 control F 6.79 5.79 1.00
## 6 6 control M 5.19 6.19 -1.00
rat.data$sum<-(rat.data$glu.d1+rat.data$glu.d7)
rat.data
## rats group sex glu.d1 glu.d7 sum
## 1 1 postive F 11.97 12.97 24.94
## 2 2 positive M 12.97 13.97 26.94
## 3 3 model F 27.34 25.56 52.90
## 4 4 model M 23.97 23.97 47.94
## 5 5 control F 6.79 5.79 12.58
## 6 6 control M 5.19 6.19 11.38
cbind添加
格式为data.frame1 <- cbind(data.fram1,新的变量（可以由公式得到）)，例如下面的例子就是在rat.data1添加一个result变量，result的变量是由rat.data1中的glu.d1减去glu.d7得到的。
rat.data1<-cbind(rat.data1, result=c(rat.data1$glu.d1-rat.data1$glu.d7))
rat.data1
rat.data1<-cbind(rat.data1, result=c(rat.data1$glu.d1−rat.data1$glu.d7))
OR
rat.data1$result <- rat.data1$glu.d1-rat.data1$glu.d7
# 或
rat.data1 <- transform(rat.data1,result=glu.d1-glu.d7)
merge()添加
用法为total <- merge(dataframeA, dataframeB, by = "ID")，它表示，将dataframeA与dataframeB按照ID进行合并，这种联结通常是横向的，即向数据框中添加变量。
7. 删除列
使用NULL
rat.data1
## rats group sex glu.d1 glu.d7 result
## 1 1 postive F 11.97 12.97 -1.00
## 2 2 <na> M 12.97 13.97 -1.00
## 3 3 model F 27.34 25.56 1.78
## 4 4 model M 23.97 23.97 0.00
## 5 5 control F 6.79 5.79 1.00
## 6 6 control M 5.19 6.19 -1.00
rat.data1$result<-NULL # 删除result这一列
rat.data1
rats group sex glu.d1 glu.d7
1 1 postive F 11.97 12.97
2 2 <na> M 12.97 13.97
3 3 model F 27.34 25.56
4 4 model M 23.97 23.97
5 5 control F 6.79 5.79
6 6 control M 5.19 6.19
使用subset()
rat.data1<-subset(rat.data1,select=c(-sex,-group)) #删除sex,group列
rat.data1
rats glu.d1 glu.d7
1 1 11.97 12.97
2 2 12.97 13.97
3 3 27.34 25.56
4 4 23.97 23.97
5 5 6.79 5.79
6 6 5.19 6.19
%in%
in%是一种特殊类型的函数，被称为二元运算符
## 先生成一个数据框
manager<-c(1,2,3,4,5)
date<-c("10/24/08","10/28/08","10/01/08","10/12/08","05/01/09")
country<-c("US","US","UK","China","UK")
gender<-c("M","F","F","M","F")
age<-c(32,45,25,23,99)
q1<-c(5,3,3,2,1)
q2<-c(4,5,4,4,5)
q3<-c(2,4,3,4,3)
q4<-c(5,3,3,NA,2)
q5<-c(5,5,3,3,NA)
leadership<-data.frame(manager,date,country,gender,age,q1,q2,q3,q4,q5,stringsAsFactors=FALSE)
leadership
## manager date country gender age q1 q2 q3 q4 q5
## 1 1 10/24/08 US M 32 5 4 2 5 5
## 2 2 10/28/08 US F 45 3 5 4 3 5
## 3 3 10/01/08 UK F 25 3 4 3 3 3
## 4 4 10/12/08 China M 23 2 4 4 NA 3
## 5 5 05/01/09 UK F 99 1 5 3 2 NA
## 现在删除q3与q4
myvars <-names(leadership)%in%c("q3","q4")
newdata<-leadership[!myvars]
newdata
## manager date country gender age q1 q2 q5
## 1 1 10/24/08 US M 32 5 4 5
## 2 2 10/28/08 US F 45 3 5 5
## 3 3 10/01/08 UK F 25 3 4 3
## 4 4 10/12/08 China M 23 2 4 3
## 5 5 05/01/09 UK F 99 1 5 NA
>names(leadership) ##了一个包含所有变量名的字符型微量
## [1] "manager" "date"
## [3] "country" "gender"
## [5] "age" "q1"
## [7] "q2" "q3"
## [9] "q4" "q5"
## [11] "strinsASFactors
或直接用-
newdata <- leadership[c(-8,-9) ] #直接在变量前加减号
newdata
## manager date country gender age q1 q2 q5
## 1 1 10/24/08 US M 32 5 4 5
## 2 2 10/28/08 US F 45 3 5 5
## 3 3 10/01/08 UK F 25 3 4 3
## 4 4 10/12/08 China M 23 2 4 3
## 5 5 05/01/09 UK F 99 1 5 NA
8.增加行
rat.data1<-rbind(rat.data1,rat.data1)
rat.data1
## rats glu.d1 glu.d7
## 1 1 11.97 12.97
## 2 2 12.97 13.97
## 3 3 27.34 25.56
## 4 4 23.97 23.97
## 5 5 6.79 5.79
## 6 6 5.19 6.19
## 7 1 11.97 12.97
## 8 2 12.97 13.97
## 9 3 27.34 25.56
## 10 4 23.97 23.97
## 11 5 6.79 5.79
## 12 6 5.19 6.19
9. 删除行
rat.data1<-rat.data1[-8,] #删除第8行
rat.data1[-c(1,2),] #删除1，2行
## rats glu.d1 glu.d7
## 3 3 27.34 25.56
## 4 4 23.97 23.97
## 5 5 6.79 5.79
## 6 6 5.19 6.19
## 7 1 11.97 12.97
## 9 3 27.34 25.56
## 10 4 23.97 23.97
## 11 5 6.79 5.79
## 12 6 5.19 6.19
10. 数据框的排序
基于单列进行排序
排序所用的函数为sort()和order()
sort()是对元素直接进行排序，而order()则是反回排序后的元素在原来列中的位置，现在以内置的CO2数据为例说明，只取CO2的前10行：
raw_data <- CO2[1:10,]
raw_data
## Plant Type Treatment conc uptake
## 1 Qn1 Quebec nonchilled 95 16.0
## 2 Qn1 Quebec nonchilled 175 30.4
## 3 Qn1 Quebec nonchilled 250 34.8
## 4 Qn1 Quebec nonchilled 350 37.2
## 5 Qn1 Quebec nonchilled 500 35.3
## 6 Qn1 Quebec nonchilled 675 39.2
## 7 Qn1 Quebec nonchilled 1000 39.7
## 8 Qn2 Quebec nonchilled 95 13.6
## 9 Qn2 Quebec nonchilled 175 27.3
## 10 Qn2 Quebec nonchilled 250 37.1
sort(raw_data$uptake) #对uptake进行排序，默认为升序
## [1] 13.6 16.0 27.3 30.4 34.8 35.3 37.1 37.2 39.2 39.7
sort(raw_data$uptake,decreasing = TRUE) # decreasing为T时，为降序
## [1] 39.7 39.2 37.2 37.1 35.3 34.8 30.4 27.3 16.0 13.6
order.raw_data <- order(raw_data$uptake);order.raw_data
## [1] 8 1 9 2 3 5 10 4 6 7
# order的结果是说，在排序后的数据中，第1个元素位于原来的第8个位置
raw_data$uptake[order.raw_data] #这个结果与sort(raw_data$uptake)是一样的
## [1] 13.6 16.0 27.3 30.4 34.8 35.3 37.1 37.2 39.2 39.7
raw_data[order.raw_data,] #按照uptake的升序对数据框进行排序
## Plant Type Treatment conc uptake
## 8 Qn2 Quebec nonchilled 95 13.6
## 1 Qn1 Quebec nonchilled 95 16.0
## 9 Qn2 Quebec nonchilled 175 27.3
## 2 Qn1 Quebec nonchilled 175 30.4
## 3 Qn1 Quebec nonchilled 250 34.8
## 5 Qn1 Quebec nonchilled 500 35.3
## 10 Qn2 Quebec nonchilled 250 37.1
## 4 Qn1 Quebec nonchilled 350 37.2
## 6 Qn1 Quebec nonchilled 675 39.2
## 7 Qn1 Quebec nonchilled 1000 39.7
基于多列的排序
在第1种排序中， with(raw_data,order(conc,uptake))，先以conc进行排序，如果order相同，则按照uptake进行排序；在第2种排序中，with(raw_data,order(uptake,conc))，先以uptake进行排序，如果uptake相同，则按conc进行排序。
order.raw_data2<-with(raw_data,order(conc,uptake))
raw_data[order.raw_data2,]
## Plant Type Treatment conc uptake
## 8 Qn2 Quebec nonchilled 95 13.6
## 1 Qn1 Quebec nonchilled 95 16.0
## 9 Qn2 Quebec nonchilled 175 27.3
## 2 Qn1 Quebec nonchilled 175 30.4
## 3 Qn1 Quebec nonchilled 250 34.8
## 10 Qn2 Quebec nonchilled 250 37.1
## 4 Qn1 Quebec nonchilled 350 37.2
## 5 Qn1 Quebec nonchilled 500 35.3
## 6 Qn1 Quebec nonchilled 675 39.2
## 7 Qn1 Quebec nonchilled 1000 39.7
order.raw_data3 <- with(raw_data,order(uptake,conc))
raw_data[order.raw_data3,]
## Plant Type Treatment conc uptake
## 8 Qn2 Quebec nonchilled 95 13.6
## 1 Qn1 Quebec nonchilled 95 16.0
## 9 Qn2 Quebec nonchilled 175 27.3
## 2 Qn1 Quebec nonchilled 175 30.4
## 3 Qn1 Quebec nonchilled 250 34.8
## 5 Qn1 Quebec nonchilled 500 35.3
## 10 Qn2 Quebec nonchilled 250 37.1
## 4 Qn1 Quebec nonchilled 350 37.2
## 6 Qn1 Quebec nonchilled 675 39.2
## 7 Qn1 Quebec nonchilled 1000 39.7
r1=iris[order(iris[,1],iris[,3]),] ##第一列和第三列升序（第一列优先）
head(r1)
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 14 4.3 3.0 1.1 0.1 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 23 4.6 3.6 1.0 0.2 setosa
混和排序
混合排序是指某一列是升序，某一列为降序，所用到的函数是xtfrm()，其中在需要降序的列前加上减号，在升序的列前加正号
先
r2=iris[order(iris[,1],-iris[,3]),]
head(r2) ## 第一列升序，第三列降序（第一列优先）
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 14 4.3 3.0 1.1 0.1 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 4 4.6 3.1 1.5 0.2 setosa
order.raw_data4<-order(-xtfrm(raw_data$conc),+raw_data$uptake)
raw_data[order.raw_data4,]
## Plant Type Treatment conc uptake
## 7 Qn1 Quebec nonchilled 1000 39.7
## 6 Qn1 Quebec nonchilled 675 39.2
## 5 Qn1 Quebec nonchilled 500 35.3
## 4 Qn1 Quebec nonchilled 350 37.2
## 3 Qn1 Quebec nonchilled 250 34.8
## 10 Qn2 Quebec nonchilled 250 37.1
## 9 Qn2 Quebec nonchilled 175 27.3
## 2 Qn1 Quebec nonchilled 175 30.4
## 8 Qn2 Quebec nonchilled 95 13.6
## 1 Qn1 Quebec nonchilled 95 16.0
使用dplyr的arrange
# 多条件排序：使用dplyr::arrange
library(dplyr)
data("iris")
head(iris)
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
# 第一列升序，然后是第三列升序
head(arrange(iris,iris[,1],iris[,3]))
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 4.3 3.0 1.1 0.1 setosa
## 2 4.4 3.0 1.3 0.2 setosa
## 3 4.4 3.2 1.3 0.2 setosa
## 4 4.4 2.9 1.4 0.2 setosa
## 5 4.5 2.3 1.3 0.3 setosa
## 6 4.6 3.6 1.0 0.2 setosa
# 第一列升序，然后是第三列降序
head(arrange(iris,iris[,1],-iris[,3]))
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 4.3 3.0 1.1 0.1 setosa
## 2 4.4 2.9 1.4 0.2 setosa
## 3 4.4 3.0 1.3 0.2 setosa
## 4 4.4 3.2 1.3 0.2 setosa
## 5 4.5 2.3 1.3 0.3 setosa
## 6 4.6 3.1 1.5 0.2 setosa
# arrange可以直接输入列名，进行排序
head(arrange(iris,Sepal.Length, -Petal.Length))
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 4.3 3.0 1.1 0.1 setosa
## 2 4.4 2.9 1.4 0.2 setosa
## 3 4.4 3.0 1.3 0.2 setosa
## 4 4.4 3.2 1.3 0.2 setosa
## 5 4.5 2.3 1.3 0.3 setosa
## 6 4.6 3.1 1.5 0.2 setosa
笔记参考1：R语言基础--数据类型之数据框
笔记参考2：RVDSD
笔记参考3：R语言中 数据框排序 多条件排序
