dplyr1.0.0 重点内容 across()、slice_*()、nest_by()、mutate(.keep, .names, .before, .after)、rowwise()、rel...

title: "dplyr1.0.0 重点内容"
author: "qliu"
date: "2020/6/5"
output: html_document

加载包和数据

# install.packages("AmesHousing")
library(AmesHousing)
library(tidyverse)

ames_data <- make_ames() %>%
  janitor::clean_names() %>%
  select(sale_price, bsmt_fin_sf_1, first_flr_sf, 
         total_bsmt_sf, neighborhood, gr_liv_area)

head(ames_data)

across()

所有 *_if()、 *_at()、 *_all() 变体函数都已经被 across() 函数所取代，使得所有列进行相同操作更为便捷。

# 构造函数

feet_to_yards <- function(x) {x / 9}

# 之前版本的 mutate_at() 函数

ames_data %>%
  mutate_at(.vars = vars(contains("_sf") | contains("area")) , .funs = feet_to_yards)


# across() 函数实现
ames_data %>%
  mutate(across(.cols = c(contains("_sf") | contains("area")) , .funs = feet_to_yards)) %>%
  head()

`across(where())` 取代 `mutate_if()`

ames_data %>% 
  mutate_if(is.numeric, log)

ames_data %>% 
  mutate(across(where(is.numeric), log)) %>%
  head()

`across(where())` 与 `summarise()` 函数

summarise() 函数中参数 .names = "mean_{col}" 可以指定新增的列名，比如这里为函数 mean + 原本列名

ames_data %>%
  group_by(neighborhood) %>%
  summarise(across(where(is.numeric), mean, .names = "mean_{col}")) %>%
  head()

ames_data %>%
  mutate(across(where(is.integer) & ends_with("_sf"), as.double))

我们可以看到非 integer 且不是以 _sf 结尾的列，并没有转变为 double 数据类型，比如：gr_liv_area 列虽然为 integer 但是处理后仍为 double。

across(everything()) 取代 `mutate_all()`

... 等等

slice()

top_n()、 sample_n()、 sample_frac() 这三个函数已经被 slice 新增的子函数所替代

不推荐继续使用这三个函数的原因

top_n()：有一个令人困惑的名称，可以合理地认为它过滤了最小或最大的行。比如，我们有田径赛记录圈数的数据。我们可以合理地假设 top_n() 返回的时间是最快的，但实际上它们返回的时间是最长的。top_n() 已被 slice_min() 和 slice_max() 取代。
sample_n() 和 sample_frac()：被整合到函数 slice_sample() 一个中，分别被参数 slice_sample(n=4) 和 slice_sample(prop = 0.002) 取代，更容易记住。

此外，slice_head() 和 slice_tail() 可以提取数据第一行和最后一行

ames_data %>% 
  top_n(n = 5, wt = sale_price)
#->
ames_data %>% 
  slice_max(sale_price, n = 5)
#->
ames_data %>% 
  slice_min(sale_price, n = 5)

#########################################
ames_data %>% 
  sample_n(4)
# ->
ames_data %>% 
  slice_sample(n = 4)

#########################################
ames_data %>% 
  sample_frac(0.002)
#->
ames_data %>% 
  slice_sample(prop = 0.002)

nest_by()

nest_by() 与函数 group_by() 类似，只是 nest_by() 分组后每一组存储为一个 list 文件。

`group_by()` + `summarise()`

ames_data %>%
  group_by(neighborhood) %>%
  summarise(avg_sale_price = mean(sale_price)) %>%
  ungroup() %>%
  head()

summarise() 常常与 group_by() 连用，特别是在统计函数的输出是单个数值的情况下。但是如果我们想对分组的行执行更复杂的操作呢? 比如线性模型。为此，我们可以使用 nest_by()，它将分组的数据存储为名为 data 的新列中的列表，而不是元数据。

nested_ames <- ames_data %>%
  nest_by(neighborhood) 

head(nested_ames)

我们可以看到，与 group_by() 函数不同，nest_by() 是改变了原来数据得数据结构。当我们希望将模型应用于嵌套数据的每一行时，此功能非常有用。

nested_ames_with_model <- nested_ames %>%
  mutate(linear_model = list(lm(sale_price ~ gr_liv_area, data = data)))

head(nested_ames_with_model)

需要注意的是，模型必须向量化，这是使用 list() 执行的转换。

north_ames_model <- nested_ames_with_model %>%
  filter(neighborhood == "North_Ames") %>%
  pull(linear_model)

north_ames_model

该模型显示，每增加一平方英尺，位于埃姆斯北部社区的一套房子预计将多卖 54.61 美元。

`mutate()` 函数中新增的参数

.keep

可以看到输出结果中，仅保存了所有到的列，而非之前输出所有列，有点类似与 tranmute() 函数

ames_data %>% 
  mutate(sale_price_euro = sale_price / 1.1, .keep = "used") %>% 
  head()

.before 和 .after

控制新增列的排放位置

ames_data %>% 
  mutate(
    sale_price_euro = sale_price / 1.1, .keep = "used", .before = sale_price
  ) %>% 
  head()

总结：

两个主要的变化是添加了 across() 和 slice()，它们取代了旧的功能。使用 across() 可以很容易地以更直观、更一致的方式改变特定的列或行。slice() 对数据采样方法进行了类似的改进。新的 nest_by() 功能使得一些统计建模函数更加方便。另外此文这里没有列出的 rowwise() 函数结合 c_across() 可以使我们在 R 中对数据行水平层次进行操作更加方便，relocate() 函数能够使我们更加方便的控制感兴趣的列的顺序的调整，rename() 函数新增使用函数重新命名列名，总之这一次更新对于在 R 中进行数据更方便，看代码更为简明易懂。