R语言数据加工厂——plyr包使用

plyr包是Hadley Wickham大神为解决split – apply – combine问题而写的一个包，其动机在与提供超越for循环和内置的apply函数族的一个一揽子解决方案。使用plyr包可以针对不同的数据类型，在一个函数内同时完成split – apply – combine三个步骤。plyr 的功能已经远远超出数据整容的范围，Hadley在plyr中应用了split-apply-combine的数据处理哲学，即：先将数据分离，然后应用某些处理函数，最后将结果重新组合成所需的形式返回。某些人士喜欢用“揉”来表述这样的数据处理；“揉”，把数据当面团捣来捣去，很哲，砖家们的砖头落下来，拍死人绝不偿命。

一、plyr包函数命名规则

二、plyr包函数命名规则

apply族函数是R语言中很有特色的一类函数，包括了apply、sapply、lapply、tapply、aggregate等等。这一类函数本质上是将数据进行分割、计算和整合。它们在数据分析的各个阶段都有很好的用处。例如在数据准备阶段，我们可以按某个标准将数据分组，然后获得各组的统计描述。或是在建模阶段，为不同组的数据建立模型并比较建模结果。apply族函数与Google提出的mapreduce策略有着一致的思路。因为mapreduce的思路也是将数据进行分割、计算和整合。只不过它是将分割后的数据分发给多个处理核心进行运算。如果你熟悉了apply族函数，那么将数据转为并行运算是轻而易举的事情。plyr包则可看作是apply族函数的扩展，使之更容易运用，功能更为强大。
plyr包的主函数是**ply形式的，其中首字母可以是(d、l、a)，第二个字母可以是(d、l、a、_)，不同的字母表示不同的数据格式，d表示数据框格式，l表示列表，a表示数组，_则表示没有输出。第一个字母表示输入的待处理的数据格式，第二个字母表示输出的数据格式。例如ddply函数，即表示输入一个数据框，输出也是一个数据框。

3.1 命名规则

plyr的基本函数集

	array	data frame	list	nothing
array	aaply	adply	alply	a_ply
data frame	daply	ddply	dlply	d_ply
list	laply	ldply	llply	l_ply
n replicates	raply	rdply	rlply	r_ply
function arguments	maply	mdply	mlply	m_ply

plyr 与 R-Base基本函数对应表

	array	data frame	list	nothing
array	apply	adply	alply	a_ply
data frame	daply	aggregate	by	d_ply
list	sapply	ldply	lapply	l_ply
n replicates	replicate	rdply	replicate	r_ply
function arguments	mapply	mdply	mapply	m_ply

命名规则：前三行是基本类型。
  根据输入类型和输出类型：a=array，d=data frame，l=list，_ 表示输出放弃。第一个字母表示输入，第2个字母表示输出。后两行是对应apply族的replicates和mapply这两个函数，分别表示n次重复和多元函数参数的情况，第2个字母还是表示输出类型。从命名特点来看，我们不需要列出每个函数的情况了，只要从输入和输出两方面分别讨论即可。

3.2 参数说明

a*ply(.data, .margins, .fun, ..., .progress = "none")；d*ply(.data, .variables, .fun, ..., .progress = "none")；l*ply(.data, .fun, ..., .progress = "none")

这些函数有两到三个主要的参数，依赖于输入的类型：
.data是我们要用来分片-计算-合并的；参数.margins或者.variables****.fun表示用来处理的函数，其它更多的参数（...）是传递给处理函数的；参数.progress用来控制显示一个进度条。

输入

输入类型有三种，每一种类型给出了如何进行分片的不同方法。
   a*ply( )：数组（包括矩阵和向量）按维数分为低维的片。
   d*ply( )：数据框被变量组合分成子集。
   l*ply( )：列表的每个元素就是一个分片。
  因此，对输入数据集的分片，不是取决于数据的结构，而是取决于所采用的方法。
三种类型各自的特点：
  （a）： 输入数组（ a*ply ）
  a*ply的分片特点在于.margins参数，它和apply很相似。对于2维数组， .margins 可以取1，2，或者c(1:2)，对应2维数组的3种分片方式。
.margins = 1: Slice up intorows. • .margins = 2: Slice up intocolumns. • .margins = c( 1, 2): Slice up intoindividual cells.
  对于2维数组，则有3种分片方式：

  对于3维数组，则有7种分片方式：

  .margins对应更高维的情况，可能会面临一种爆发式的组合。
  （b）输入数据框（ d*ply ）
  使用d*ply时，需要特别指定分组所用的变量或变量函数，它们会被首先计算，然后才是整个数据框。
有下面几种指定方式：
.(var1)。按照变量var1的值来对数据框分组 • 多重变量 .(a,b, c)。将按照三个变量的交互值来分组。

这种形式输出的时候，有点复杂。如果输出为数组，则数组会有三个维度，分别以 a,b,c 的值作为维数名。如果输出为数据框，将会包含 a,b,c 取值的三个额外的列。如果输出为列表，则列表元素名为按周期分割的 a,b,c 的值。
作为列名的字符向量： c( "var1", "var2")。 • 公式~ var1 + var2。
  (c) 输入列表（ l*ply ）
   l * ply 不需要描述如何分片的函数，因为列表本身就是按照元素的分划。使用l * ply相当于a*ply作用于一维数组的效果。

三、plyr包应用

这里使用plyr包来进行数据处理，重点在于plyr包的应用，而不是深入地探讨数据的分析。此例来源于 Wickham 的论文[Hadley Wickham ：The Split-Apply-Combine Strategy for Data Analysis Journal of Statistical Software，April 2011, Volume 40, Issue 1.],布拉德.皮特在《点球成金》里用数据方法发掘棒球运动员的价值。plyr包的baseball数据集包括了1887-2007年间1228位美国职业棒球运动员15年以上的击球记录。

library(plyr) > data(baseball)> dim(baseball) [ 1] 2169922id：运动员的身份； year：纪录的年份； rbi：跑垒得分，运动员在赛季内的跑动数目； ad：轮到击球或者面对投手的次数。

对某一位运动员：

baberuth <- subset(baseball, id== "ruthba01") > # 在baberuth里加入cyear > baberuth <- transform(baberuth, cyear = year - min(year) + 1)

对所有的运动员：

baseball <- ddply( baseball, .( id), transform, cyear = year - min( year) + 1)

先看看Babe Ruth这位运动员的模式，画rbi/ab（每次击球的跑动）的时间序列图：

library(ggplot2) > cyear <- baberuth\(cyear > ra <- (baberuth\)rbi)/(baberuth$ab) > a <- data.frame(cyear,ra)> p <- ggplot(a,aes(cyear,ra)) > p + geom_line > # 或者（画图代码） > # qplot(cyear, rbi / ab, data= baberuth, geom = "line")

参考文献

（R语言中plyr包 ）[https://i.cnblogs.com/posts/edit]

标签：语言,ply,plyr,加工厂,分片,apply,数据,函数
来源： https://www.cnblogs.com/haohai9309/p/16373314.html