盘一盘Tidyverse| 筛行选列之select，玩转列操作

原文链接：https://mp.weixin.qq.com/s/ldO0rm3UM_rqlFnU3euYaA

2020年，开封 《R 数据科学》R for data science，系统学习R 数据处理。

 

在一个典型的数据科学项目中，需要的工具模型大体如下图所示。 ---R for Data Science

数据导入和数据整理较乏味和无聊，很容易从入门到放弃！从数据转换和可视化开始，容易看到成果，保持学习的动力。

之前的推文讲了一些生信常见图形的绘制（后续会一直补充），现在开始主要依据《R数据科学》一书逐渐介绍数据分析的过程。

本次根据 msleep数据集，盘一盘“列”的操作。

 

一 载入数据和R包

#载入R包
#install.packages("tidyverse")
library("tidyverse")
#查看内置数据集
head(msleep,2)

# A tibble: 6 x 11
  name  genus vore  order conservation sleep_total sleep_rem sleep_cycle awake
  <chr> <chr> <chr> <chr> <chr>              <dbl>     <dbl>       <dbl> <dbl>
1 Chee~ Acin~ carni Carn~ lc                  12.1      NA        NA      11.9
2 Owl ~ Aotus omni  Prim~ NA                  17         1.8      NA       7  
# ... with 2 more variables: brainwt <dbl>, bodywt <dbl>

上述数据集有11列（变量），而生信中的临床信息，实验室检验指标经常上百，基因（突变，表达）信息更是成千上万。此时可以基于变量名，使用select() 函数快速生成一个有用的变量子集。

 

二 以列之名

2.1 选择对应名称列

使用select()直接选择列名称所对应的列。

#选择name, sleep_total ,awake三列，使awake在中间
msleep %>%
  select(name, awake, sleep_total) %>% head()

彩蛋：添加顺序即为输出顺序。

 

2.2 选择若干连序列

使用start_col:end_col语法选择若干的连续列。

msleep %>%
  select(name:vore, sleep_total:awake) %>% head(2)

# A tibble: 6 x 7
  name                       genus      vore  sleep_total sleep_rem sleep_cycle awake
  <chr>                      <chr>      <chr>       <dbl>     <dbl>       <dbl> <dbl>
1 Cheetah                    Acinonyx   carni        12.1      NA        NA      11.9
2 Owl monkey                 Aotus      omni         17         1.8      NA       7  

与基本语法类似，：用来选择连续的列。

2.3 根据部分列名称选择列

如果列名结构相似，可使用starts_with()，ends_with()， contains()完成部分匹配。

1）starts_with()选择以“XX”开头的所有列

msleep %>%
  select(name, starts_with("sleep")) %>% head(2)
# A tibble: 2 x 4
  name       sleep_total sleep_rem sleep_cycle
  <chr>            <dbl>     <dbl>       <dbl>
1 Cheetah           12.1      NA            NA
2 Owl monkey        17         1.8          NA

2）ends_with()选择以“XX”结尾的所有列

msleep %>%
  select(ends_with("e")) %>% head(2)
# A tibble: 2 x 4
  name       vore  sleep_cycle awake
  <chr>      <chr>       <dbl> <dbl>
1 Cheetah    carni          NA  11.9
2 Owl monkey omni           NA   7 

3） contains()选择包含“XX”的所有列

msleep %>%
  select(contains("leep")) %>% head(2)
# A tibble: 2 x 3
  sleep_total sleep_rem sleep_cycle
        <dbl>     <dbl>       <dbl>
1        12.1      NA            NA
2        17         1.8          NA

4）matches() 选择基于正则的列

如果列名模式不相似，使用matches()选择对应正则表达式的列。

#选择任何包含“a”，后跟一个或多个其他字母和“e”的列
msleep %>%
  select(matches("a.+e")) %>% head(2)
# A tibble: 2 x 2
  name       awake
  <chr>      <dbl>
1 Cheetah     11.9
2 Owl monkey   7  

 

三 逻辑之名

3.1 基于数据类型选择列

使用select_if()选择所有数值列select_if(is.numeric)，此外还可用is.numeric， is.integer，is.double，is.logical，is.factor。

msleep %>%
  select_if(is.numeric) %>% head(2)
# A tibble: 2 x 6
  sleep_total sleep_rem sleep_cycle awake brainwt bodywt
        <dbl>     <dbl>       <dbl> <dbl>   <dbl>  <dbl>
1        12.1      NA            NA  11.9 NA       50   
2        17         1.8          NA   7    0.0155   0.48

3.2 基于逻辑表达式选择列

msleep %>%
  select_if(is.numeric) %>% 
  select_if(~mean(., na.rm=TRUE) > 10) %>% head(2)
# A tibble: 2 x 3
  sleep_total awake bodywt
        <dbl> <dbl>  <dbl>
1        12.1  11.9  50   
2        17     7     0.48

注：select_all / if 函数要求将函数作为参数传递。因为mean > 10 本身不是函数，所以需要前面添加“~”表示匿名函数；或者使用funs()先将函数包装。

more_than_10 <- function(x) {
  mean(x,na.rm=TRUE) > 10
}
msleep %>% select_if(is.numeric) %>% select_if(more_than_10) %>% head(2)
# A tibble: 2 x 3
  sleep_total awake bodywt
        <dbl> <dbl>  <dbl>
1        12.1  11.9  50   
2        17     7     0.48

结果同上。

msleep %>%
  select_if(~is.numeric(.) & mean(., na.rm=TRUE) > 10) %>% head(2)

结果同上！

 

3.3 选择唯一值数目符合条件的列

结合 n_distinct()选择具有不少于20个不同答案的列。

msleep %>%
  select_if(~n_distinct(.) >= 20) %>% head(2)
# A tibble: 2 x 8
  name       genus    sleep_total sleep_rem sleep_cycle awake brainwt bodywt
  <chr>      <chr>          <dbl>     <dbl>       <dbl> <dbl>   <dbl>  <dbl>
1 Cheetah    Acinonyx        12.1      NA            NA  11.9 NA       50   
2 Owl monkey Aotus           17         1.8          NA   7    0.0155   0.48

 

四 调整列顺序

4.1 选择列名称时候直接调整

#选择name, sleep_total ,awake三列，使awake在中间
msleep %>%
  select(name, awake, sleep_total) %>% head(2)

4.2 everything() 返回未被选择的所有列

当只是将几列移到最前面，后面的可使用everything()，节省大量输入时间。

msleep %>%
  select(conservation, everything()) %>% head(2)
# A tibble: 2 x 11
  conservation name  genus vore  order sleep_total sleep_rem sleep_cycle awake
  <chr>        <chr> <chr> <chr> <chr>       <dbl>     <dbl>       <dbl> <dbl>
1 lc           Chee~ Acin~ carni Carn~        12.1      NA            NA  11.9
2 NA           Owl ~ Aotus omni  Prim~        17         1.8          NA   7  
# ... with 2 more variables: brainwt <dbl>, bodywt <dbl>

 

五 更改列名字

5.1 select更改列名

msleep %>%
  select(animal = name, sleep_total) %>% head(2)
# A tibble: 2 x 2
  animal     sleep_total
  <chr>            <dbl>
1 Cheetah           12.1
2 Owl monkey        17  

注：select语句中更改，只留下select的列。

5.2 rename更改列名

msleep %>% 
  rename(animal = name) %>% head(2)
# A tibble: 2 x 11
  animal genus vore  order conservation sleep_total sleep_rem sleep_cycle awake
  <chr>  <chr> <chr> <chr> <chr>              <dbl>     <dbl>       <dbl> <dbl>
1 Cheet~ Acin~ carni Carn~ lc                  12.1      NA            NA  11.9
2 Owl m~ Aotus omni  Prim~ NA                  17         1.8          NA   7  
# ... with 2 more variables: brainwt <dbl>, bodywt <dbl>

以上两种方式注意区分！

5.3 重新格式化所有列名

1）select_all()函数允许更改所有列，并以一个函数作为参数。

msleep %>%
  select_all(toupper) %>% head(2)
# A tibble: 2 x 11
  NAME  GENUS VORE  ORDER CONSERVATION SLEEP_TOTAL SLEEP_REM SLEEP_CYCLE AWAKE
  <chr> <chr> <chr> <chr> <chr>              <dbl>     <dbl>       <dbl> <dbl>
1 Chee~ Acin~ carni Carn~ lc                  12.1      NA            NA  11.9
2 Owl ~ Aotus omni  Prim~ NA                  17         1.8          NA   7  
# ... with 2 more variables: BRAINWT <dbl>, BODYWT <dbl>

toupper()使所有列名变成大写形式，tolower()变成小写。

 

2）创建函数替换

如果输入文件的列名较混乱，根据需求逐步替换。

msleep2 <- select(msleep, name, sleep_total, brainwt)
colnames(msleep2) <- c("Q1 name", "Q2 sleep total", "Q3 brain weight")
msleep2[1:3,]
# A tibble: 3 x 3
  `Q1 name`       `Q2 sleep total` `Q3 brain weight`
  <chr>                      <dbl>             <dbl>
1 Cheetah                     12.1           NA     
2 Owl monkey                  17              0.0155
3 Mountain beaver             14.4           NA  

目的把列名中的"Q1 name"改为"name"，"Q2 sleep total"改为"sleep_total" ...

A：去掉前面的Q1，Q2，Q3 ；

B：去掉Q1，Q2，Q3 与名称的空格；

C：sleep total之间的空格使用下划线替换。

msleep2 %>%
    select_all(~str_replace(., "Q[0-9]+", "")) %>%  #去掉Q1
    select_all(~str_replace(., "^ ", "")) %>% #去掉名称前面的空格
    select_all(~str_replace(., " ", "_")) #下划线替换sleep total之间的空格 
# A tibble: 83 x 3
   name                       sleep_total brain_weight
   <chr>                            <dbl>        <dbl>
 1 Cheetah                           12.1     NA      
 2 Owl monkey                        17        0.0155 

搞定！

 

六 满五赠二

6.1 删除某些列

选择的列前用“-”即可，函数用法与选择一致。

 msleep %>%
   select(-(name:genus), -conservation,-(ends_with("e"))) %>% head(2)
# A tibble: 2 x 5
  order     sleep_total sleep_rem brainwt bodywt
  <chr>           <dbl>     <dbl>   <dbl>  <dbl>
1 Carnivora        12.1      NA   NA       50   
2 Primates         17         1.8  0.0155   0.48

6.2 行名称改为第一列

某些数据框的行名并不是列，例如mtcars数据集：

 mtcars %>% head(2)
​
##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4

使用 rownames_to_column()函数，行名改为列，且可指定列名称。

mtcars %>% 
    tibble::rownames_to_column("car_name") %>% head(2)
       car_name mpg cyl disp  hp drat    wt  qsec vs am gear carb
1     Mazda RX4  21   6  160 110  3.9 2.620 16.46  0  1    4    4
2 Mazda RX4 Wag  21   6  160 110  3.9 2.875 17.02  0  1    4    4

相信我，后面做数据链接（join）的时候，你会很希望行名是具体列的。

 

参考资料

《R数据科学》

https://r4ds.had.co.nz/introduction.html

https://suzanbaert.netlify.com/2018/01/dplyr-tutorial-1/

 

数据处理确实不如可视化“好玩”，但是可视化的数据大多都需要前期处理，这个“槛”一起慢慢跨过去！

 

◆ ◆ ◆ ◆ ◆

【觉得不错，右下角点个“在看”，期待您的转发，谢谢！】