.. #>..$萼片宽度:num[1:50]3.3 2.7 3 2.9 3 2.5 2.9 2.5 3.6。。。 #>..$Petal.长度:num[1:50]6 5.1 5.9 5.6 5.8 6.6 4.5 6.3 5.8 6.1。。。 #>..$Petal.Width:num[1:50]2.51.92.111.82.22.111.71.81.81.81.82.5。。。 #>..$物种:系数w/3级“刚毛”、“花色”、..:3。。。 #如果要使用未按组应用的函数 示例n(df_b%>%ungroup(),10) #>#A tible:10 x 5 #>萼片。长萼片。宽花瓣。长花瓣。宽种 #> #>1 7.7 3.8 6.7 2.2弗吉尼亚州 #>2.6.1 2.9 4.7 1.4彩色 #>3 5 3 1.6 0.2刚毛 #>4 7.2 3.6 6.1 2.5弗吉尼亚州 #>5.6.8 2.8 4.8 1.4彩色 #>6.5.8 2.7 4.1 1彩色 #>7.6.3 4.4 1.4彩色 #>8 7.7 2.8 6.7 2弗吉尼亚州 #>9.5.1 3.5 1.4 0.2刚毛 #>10 5 3.4 1.5 0.2刚毛
来自该集团的文档,其中写道: 大多数数据操作是在由变量定义的组上完成的。group_by()接受现有tbl并将其转换为分组tbl,在分组tbl中,“按组”执行操作。ungroup()删除分组 因此,即使它看起来像相同的TIBLE,您也必须将其视为.. #>..$萼片宽度:num[1:50]3.3 2.7 3 2.9 3 2.5 2.9 2.5 3.6。。。 #>..$Petal.长度:num[1:50]6 5.1 5.9 5.6 5.8 6.6 4.5 6.3 5.8 6.1。。。 #>..$Petal.Width:num[1:50]2.51.92.111.82.22.111.71.81.81.81.82.5。。。 #>..$物种:系数w/3级“刚毛”、“花色”、..:3。。。 #如果要使用未按组应用的函数 示例n(df_b%>%ungroup(),10) #>#A tible:10 x 5 #>萼片。长萼片。宽花瓣。长花瓣。宽种 #> #>1 7.7 3.8 6.7 2.2弗吉尼亚州 #>2.6.1 2.9 4.7 1.4彩色 #>3 5 3 1.6 0.2刚毛 #>4 7.2 3.6 6.1 2.5弗吉尼亚州 #>5.6.8 2.8 4.8 1.4彩色 #>6.5.8 2.7 4.1 1彩色 #>7.6.3 4.4 1.4彩色 #>8 7.7 2.8 6.7 2弗吉尼亚州 #>9.5.1 3.5 1.4 0.2刚毛 #>10 5 3.4 1.5 0.2刚毛,r,random,R,Random,来自该集团的文档,其中写道: 大多数数据操作是在由变量定义的组上完成的。group_by()接受现有tbl并将其转换为分组tbl,在分组tbl中,“按组”执行操作。ungroup()删除分组 因此,即使它看起来像相同的TIBLE,您也必须将其视为split(iris,iris$Species)中的base 库(dplyr,quietly=TRUE,warn.conflications=FALSE) df_b% 分组(物种) 属性(df_b) #>$names #>[1]“萼片长”“萼片宽”“花瓣
split(iris,iris$Species)
中的base
库(dplyr,quietly=TRUE,warn.conflications=FALSE)
df_b%
分组(物种)
属性(df_b)
#>$names
#>[1]“萼片长”“萼片宽”“花瓣长”“花瓣宽”
#>[5]“物种”
#>
#>美元级
#>[1]“分组数据”tbl\U df“tbl”数据帧
#>
#>$row.name
#> [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
#> [18] 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
#> [35] 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
#> [52] 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
#> [69] 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
#> [86] 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102
#> [103] 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119
#> [120] 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136
#> [137] 137 138 139 140 141 142 143 144 145 146 147 148 149 150
#>
#>$组
#>#tibble:3 x 2
#>种类。行
#>
#>1刚毛
#>2花色
#>3弗吉尼亚州
#以R为基准的等效值为:
str(分裂(虹膜,虹膜$物种))
#>3人名单
#>$setosa:'data.frame':50 obs。共有5个变量:
#>..$萼片长度:num[1:50]5.14.944.744.655.444.654.944.9。。。
#>..$萼片宽度:num[1:50]3.5 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1。。。
#>..$Petal.长度:num[1:50]1.41.41.31.51.41.71.71.41.51.51.41.41.41.51.51.5。。。
#>..$Petal.宽度:num[1:50]0.20.20.20.20.20.20.40.40.30.20.20.20.1。。。
#>..$物种:系数w/3级“刚毛”、“花色”、..:1。。。
#>$versicolor:'data.frame':50 obs。共有5个变量:
#>..$萼片长度:num[1:50]76.46.95.56.55.76.34.96.65.65。。。
#>..$萼片宽度:num[1:50]3.23.23.12.32.82.82.83.32.42.92.7。。。
#>..$Petal.长度:num[1:50]4.74.544.944.644.544.544.734.633.634.633.9。。。
#>..$Petal.宽度:num[1:50]1.41.51.51.31.51.51.31.31.61.31.31.31.4。。。
#>..$物种:系数w/3级“刚毛”、“花色”..:2。。。
#>$virginica:'data.frame':50 obs。共有5个变量:
#>..$萼片长度:num[1:50]6.3 5.8 7.1 6.3 6.5 7.6 4.9 7.3 6.7 7.2。。。
#>..$萼片宽度:num[1:50]3.3 2.7 3 2.9 3 2.5 2.9 2.5 3.6。。。
#>..$Petal.长度:num[1:50]6 5.1 5.9 5.6 5.8 6.6 4.5 6.3 5.8 6.1。。。
#>..$Petal.Width:num[1:50]2.51.92.111.82.22.111.71.81.81.81.82.5。。。
#>..$物种:系数w/3级“刚毛”、“花色”、..:3。。。
#如果要使用未按组应用的函数
示例n(df_b%>%ungroup(),10)
#>#A tible:10 x 5
#>萼片。长萼片。宽花瓣。长花瓣。宽种
#>
#>1 7.7 3.8 6.7 2.2弗吉尼亚州
#>2.6.1 2.9 4.7 1.4彩色
#>3 5 3 1.6 0.2刚毛
#>4 7.2 3.6 6.1 2.5弗吉尼亚州
#>5.6.8 2.8 4.8 1.4彩色
#>6.5.8 2.7 4.1 1彩色
#>7.6.3 4.4 1.4彩色
#>8 7.7 2.8 6.7 2弗吉尼亚州
#>9.5.1 3.5 1.4 0.2刚毛
#>10 5 3.4 1.5 0.2刚毛
library(dplyr)
iris %>%
group_by(Species) %>%
summarise(mean_petal_length = mean(Petal.Length)) %>%
mutate(n = n())
# A tibble: 3 x 3
# Species mean_petal_length n
# <fct> <dbl> <int>
#1 setosa 1.46 3
#2 versicolor 4.26 3
#3 virginica 5.55 3
iris %>%
group_by(Species) %>%
mutate(Petal.Length = mean(Petal.Length)) %>%
mutate(n = n())
# A tibble: 150 x 6
# Groups: Species [3]
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species n
# <dbl> <dbl> <dbl> <dbl> <fct> <int>
# 1 5.1 3.5 1.46 0.2 setosa 50
# 2 4.9 3 1.46 0.2 setosa 50
# 3 4.7 3.2 1.46 0.2 setosa 50
# 4 4.6 3.1 1.46 0.2 setosa 50
# 5 5 3.6 1.46 0.2 setosa 50
# 6 5.4 3.9 1.46 0.4 setosa 50
# 7 4.6 3.4 1.46 0.3 setosa 50
# 8 5 3.4 1.46 0.2 setosa 50
# 9 4.4 2.9 1.46 0.2 setosa 50
#10 4.9 3.1 1.46 0.1 setosa 50
# … with 140 more rows
mtcars %>%
group_by(cyl, am) %>%
summarise(mean = mean(mpg))
# A tibble: 6 x 3
# Groups: cyl [3]
# cyl am mean
# <dbl> <dbl> <dbl>
#1 4 0 22.9
#2 4 1 28.1
#3 6 0 19.1
#4 6 1 20.6
#5 8 0 15.0
#6 8 1 15.4