最近学习的知识点总结如下：

3.1 去掉多余的数据

1）去掉不需要的行：

使用sqldf包中的sqldf()函数使用sql语句进行操作

library(sqldf)
sqldf("select* from mtcars where am=1 and vs=1") 

运行结果如下：

与上面语句相同结果的语句如下：

subset(mtcars,am==1&vs==1) 

运行结果如下：

这是由于sqdf()函数的默认参数row.names=FALSE，需要修改为TRUE。然后结果就一致，比较结果是否一致用的函数是：

identical()函数

identical(sqldf("select* from mtcars where am=1 and vs=1",row.names=TRUE),
+ subset(mtcars,am==1&vs==1)
+ )

2）去掉不需要的列

 subset(mtcars,am==1&vs==1,select=hp:wt)

3.1.1 快速去掉多余数据

library(hflights)
library(sqldf)
system.time(sqldf("SELECT * from hflights where Dest == 'BNA'",row.names=TRUE)) #计算时间
system.time(subset(hflights,Dest=='BNA'))

library(dplyr)                            #dplyr包可以处理
system.time(filter(hflights,Dest=='BNA'))

从效果上来看dplyr包可以更快的处理数据，但是不会保存行名称，需要先保存下来

mtcars$rownames<-rownames(mtcars)
 select(filter(mtcars,hp>300),c(rownames,hp))

3.1.2 快速去掉多余数据的其他方法

install.packages("data.table")
library(data.table)
hflights_dt<-data.table(hflights)
hflights_dt[,rownames:=rownames(hflights)]
system.time(hflights_dt[Dest=='BNA'])

这里用到的是data.table包的方法，下面显示的是如何用data.table语法来选择列：

str(hflights_dt[Dest=='BNA',list(DepTime,ArrTime)])

3.2 聚集

1）利用stats包中的aggregate函数：通过分组变量将数据划分成不同的子集，并分别对这些子集进行统计汇总。

library(hflights)
   library(stats)
   aggregate(hflights$Diverted,by=list(hflights$DayOfWeek),FUN=mean)         #利用dayofweek求航班延误的均值

2） 另外一种实现上面结果的函数是with()函数

 with(hflights,aggregate(Diverted,by=list(DayOfWeek),FUN=mean))

3.2.1 使用基础的R命令实现快速聚集

tapply(hflights$Diverted,hflights$DayOfWeek,mean)

返回结果是一个array对象，然后将结果增加合适的列名转换为data.frame是可行的。

修改上面输出结果的第二列的名称

3.2.4 使用data.table完成聚集

library(data.table)
hflights_dt<-data.table(hflights)
hflights_dt[,mean(Diverted),by=DayOfWeek]

hflights_dt[,list('mean(Diverted)'=mean(Diverted),by=DayOfWeek)]

3.3 汇总函数

统计hflights数据集的分组样例数目

4.1 矩阵转置

4.2 基于字符串匹配实现数据筛选

#筛选以delay结尾的数据

library(dplyr)
library(hflights)
str(select(hflights,ends_with("delay",ignore.case=FALSE)))     #也可以换成starts_with

str(select(hflights,contains("T",ignore.case=FALSE)))    #ignore.case=FALSE 是否考虑大小写


str(select(hflights,matches("^[[:alpha:]]{5,6}$")))  #match 函数使用表达式作为参数，可以一次性
                                                      #处理所有列名的匹配检测

table(nchar(names(hflights)))                        #计算出数据的列名长度
names(select(hflights,-matches("^[[:alpha:]]{7,8}$")))   #去掉列名长度为7或8的列，显示处理后的列名

4.3 数据重排序

自动导入的magrittr包提供的管道操作命令操作符调用上面三个表达式，将R对象作为其后R表达式的第一个参数

hflights %>% arrange(ActualElapsedTime) %>% str

下面语句，找到除了austin以外，距离最近的机场

hflights %>% 
              arrange(ActualElapsedTime) %>% 
              select(ActualElapsedTime,Dest)  %>% 
              subset(Dest !='AUS') %>% 
              head %>%
str

str(head(data.table(hflights,key='ActualElapsedTime')[Dest!='AUS',c('ActualElapsedTime','Dest'),with=FALSE]))  #但是处理后的数据有缺失值

str(head(na.omit(data.table(hflights,key='ActualElapsedTime'))[Dest!='AUS',list(ActualElapsedTime,Dest)]))

比较一下上面两种方法system.time():

4.5 创建新变量

hflights_dt<-data.table(hflights)
hflights_dt[,DistanceKMs:=Distance/0.62137]


system.time(hflights_dt$DistanceKMs<-hflights_dt$Distance/0.62137)

system.time(hflights_dt[,DistanceKMs:=Distance/0.62137])

使用pyyr包，我们可以更好地了解一些辅助函数对内存的使用过程：

library(pryr)
hflights_dt<-data.table(hflights)

第一种方法重新分配了地址，第二种没有分配新的地址，所以第二种速度要更快一些

4.5.2 同时创建多个变量

hflights_dt[,c('DistanceKMs','DistanceFeets'):=list(Distance/0.62137,Distance*5280)]

carriers<-unique(hflights_dt$UniqueCarrier)
hflights_dt[,paste('carrier',carriers,sep='_') 
:=lapply(carriers,function(x) as.numeric(UniqueCarrier==x))]

str(hflights_dt[,grep('^carrier',names(hflights_dt)),with=FALSE])

library(dplyr)
hflignts<-hflights %>% mutate(DistanceKMs=Distance/0.62137)  

str(hflights)

#和以下运行结果是一样的

hflights<-mutate(hflights,DistanceKMs=Distance/0.62137)

str(hflights)

数据框溶解是指将表格数据根据给定标识变量转换为键-值对类型

library(reshape)
head(melt(hflights))
system.time(head(melt(hflights)))

library(reshape2)
system.time(head(melt(hflights)))

 hflights_melted<-melt(hflights,id.vars=0,measure.vars=c('ActualElapsedTime','AirTime'))
 str(hflights_melted)

library(ggplot2)
ggplot(hflights_melted,aes(x=variable,y=value))+geom_boxplot()