R语言：排序、筛选以及分类汇总操作

OStack程序员社区-中国程序员成长平台 › 门户 › 编程› R语言›R语言教程

原作者: [db:作者] 来自: [db:来源] 收藏邀请

　　在Excel中我们可以很方便的对数据进行排序、筛选、分类汇总等基本操作，R语言中没有这种傻瓜式的一键操作，如何才能完成这种操作？

一、排序

1、单变量序列排序

　　单变量序列的排序常用到rank、sort和order函数。

　　给一个例子：




> a <- c(3, 1, 5)





> rank(a)



[1] 2 1 3



> sort(a)



[1] 1 3 5



> order(a)



[1] 2 1 3

　　下面简单解释一下：rank用来计算序列中每个元素的秩，这里的“秩”可以理解为该元素在序列中由小到大排列的次序，上面例子给出的序列[3, 1, 5]中，1最小，5最大，3居中，于是1的秩为1，3的秩为2，5的秩为3，[3, 1, 5]对应的秩的结果就是[2,1, 3]；sort函数给出的是排序后的结果，比方说序列[3,1, 5]使用sort按升序规则排序后的结果是[1, 3, 5]；而order函数给出的是排序后的序列中各元素在原始序列中的位置，序列[3, 1, 5]按升序规则排序后的结果是[1, 3, 5] ，其中[1, 3, 5]在原始序列中的位置是[2, 1, 3]。

　　接下来介绍一下这三个函数的参数：

　　rank(x,na.last = TRUE,

　　　ties.method = c("average","first", "last", "random", "max","min"))

　　order(...,na.last = TRUE, decreasing = FALSE,

　　　method = c("auto","shell", "radix"))

　　sort(x,decreasing = FALSE, na.last = NA, ...)

　　x或... ：要进行排序的序列；

　　na.last：表示对缺失值的处理办法，若为TRUE则将缺失值排在最后，若为FALSE则排在最前，若为NA则排序时先将缺失值剔除；

　　ties.method：表示对序列有“结”（即序列中存在相同的元素）时的处理方法，可以有"average","first", "last", "random", "max","min"等选择；

　　decreasing ：默认为FALSE表示按升序排列，若为TRUE则按降序排列；

　　method：表示排序使用的算法，可以有"auto","shell", "radix"等选择。

2、数据表（矩阵）排序

如何像Excel中那样将数据表按某列升序或降序排列？我们可以使用order函数巧妙的完成这个操作，以R语言自带的鸢尾花（iris）数据集为例：




> 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

　　可以看到，该数据集有Sepal.Length、Sepal.Width、Petal.Length、Petal.Width和Species五个变量，下面我们按照花萼宽度（Sepal.Width）进行升降序排列：




## 升序



iris[order(iris$Sepal.Width), ]



## 降序



iris[order(iris$Sepal.Width, decreasing= T), ]

　　升序：

　　降序：

　　除此之外，升降序排列还可以使用dplyr包的arrange函数。arrange函数用法简单，使用形式为arrange(数据表名，变量名)，如果是降序排列则可以arrange(数据表名，-变量名)或arrange(数据表名，desc(变量名))。特别值得一提的是，arrange函数还有arrange(数据表名，变量名1，变量名2，...)这种形式的用法，表示如果数据在“变量1”的值相同时按照“变量2”排序。




library(dplyr)



## Sepal.Width升序



arrange(iris, Sepal.Width)



## Sepal.Width降序



arrange(iris, desc(Sepal.Width))



## Sepal.Width升序，当Sepal.Width相同时按Petal.Length降序



arrange(iris, Sepal.Width,-Petal.Length)

　　通过对比可以看到，使用arrange进行排序后，数据表的行号重新从1开始排列了，而使用order的方式中排序后的数据表的行号仍然使用原始数据表的行号。

二、筛选

　　许多筛选工作都可以使用which函数完成，例如：

　　挑选出iris数据集中Sepal.Width为2的数据：




>iris[which(iris$Sepal.Width == 2), ]



   Sepal.Length Sepal.Width Petal.LengthPetal.Width    Species



61            5           2          3.5           1 versicolor

　　挑选出iris数据集中Sepal.Width大于4的数据：




>iris[which(iris$Sepal.Width > 4), ]



   Sepal.Length Sepal.Width Petal.LengthPetal.Width Species



16          5.7         4.4          1.5         0.4 setosa



33          5.2         4.1          1.5         0.1 setosa



34          5.5         4.2          1.4         0.2 setosa

　　挑选出iris数据集中Species为setosa的数据：

iris[which(iris$Species== 'setosa'), ]

　　如果挑选Species为setosa或virginica的数据呢，当然我们可以用“或”的运算符“|”来构建：

iris[which((iris$Species== 'setosa') | (iris$Species == 'virginica')), ]

　　但是我们推荐使用 %in% 操作符，a %in% b 将生成一个与a长度相同的logical序列，依次判断a中的元素是否被包含在b中。因此，上面的筛选问题可以使用 %in% 操作符解决：

iris[which(iris$Species%in% c('setosa', 'virginica')), ]

　　当然，不使用which，直接使用which内的判别式作为索引因也可以达到相同的筛选目的：




iris[iris$Sepal.Width== 2, ]



iris[iris$Sepal.Width> 4, ]



iris[iris$Species== 'setosa', ]



iris[(iris$Species== 'setosa') | (iris$Species == 'virginica'), ]



iris[iris$Species%in% c('setosa', 'virginica'), ]

　　同样，dplyr包也可以进行筛选操作，需使用filter函数。




filter(iris,Sepal.Width == 2)



filter(iris,Sepal.Width > 4)



filter(iris,Species == 'setosa')



filter(iris,Species %in% c('setosa', 'virginica'))

三、分类汇总

　　假如我们要对iris数据集进行分类汇总，比方说计算不同Species中Sepal.Width的平均值。

　　第一种思路是使用split函数和sapply函数，首先将序列Sepal.Width按照Species划分成子集，然后对每个子集求平均：




>a <- split(iris$Sepal.Width, iris$Species)





>sapply(a, mean)



    setosa versicolor  virginica



     3.428     2.770      2.974

　　split(x, f,drop = FALSE, ...)

　　x 要进行划分的数据

　　f 划分的依据，可以是list，表示按list中各变量的Level组合来划分

　　drop 默认为FALSE，若为TRUE，当f为list时，各变量的Level组合为空时自动舍弃这一分组

　　第二种思路是使用aggregate函数：

　　aggregate(x,by, FUN, ..., simplify = TRUE, drop = TRUE)

　　x 要分类汇总的数据，可以是各种形式，包括公式形式

　　by 分类依据，必须是list形式

　　FUN 汇总使用的函数

　　simplify 默认为TRUE，表示汇总结果以简化形式表现

　　drop 默认为TRUE，表示不存在的Level组合自动舍弃




> aggregate(x = iris$Sepal.Width, by= list(iris$Species), FUN = mean)



    Group.1     x



1    setosa 3.428



2 versicolor 2.770



3 virginica 2.974



> aggregate(x = iris[, 1:2], by =list(iris$Species), FUN = mean)



    Group.1 Sepal.Length Sepal.Width



1    setosa        5.006       3.428



2 versicolor        5.936       2.770



3 virginica        6.588       2.974