2.3 动词链侦查：dplyr数据整理五连招

2.3 动词链侦查：dplyr 数据整理五连招

本节摘要：dplyr 把数据整理归纳为少数几个动词：filter 筛行、select 取列、mutate 派生、arrange 排序、group_by 加 summarize 分组汇总。本节用管道操作符把它们串成一条侦查流水线，回答乘客名单案的核心问题：谁更容易生还。

侦查流水线的思想

传统写法是一层套一层的函数嵌套，括号写到第三层就没法读。dplyr 的答案是管道：x %>% f() 读作"把 x 交给 f"。数据从左往右流动，每一步只做一件事，整条链就是一份可朗读的审讯记录。

五个动词各司其职：

library(dplyr)

passengers %>%
  filter(Sex == "female") %>%        # 筛行：只看女性乘客
  select(Pclass, Age, Survived) %>%  # 取列：只留三列证据
  mutate(died = 1 - Survived) %>%    # 派生：加一列死亡标记
  arrange(desc(Age)) %>%             # 排序：年长者在前
  head(5)                            # 抽看前五条
​

结案统计：生还率排查

名单案的核心问题，用 group_by 加 summarize 两招就能给出答案：

passengers %>%
  group_by(Sex, Pclass) %>%
  summarize(
    n = n(),
    survival_rate = mean(Survived),
    .groups = "drop"
  )
​

典型结果一目了然：头等舱女性生还率超过九成，三等舱男性不到两成——舱位与性别构成生还的两大主因素。再加一招派生，把连续年龄切成波段，还能看到"儿童优先"的痕迹：

passengers %>%
  mutate(age_band = cut(Age, breaks = c(0, 12, 18, 60, Inf),
                        labels = c("儿童", "青少年", "成人", "老年"))) %>%
  group_by(age_band) %>%
  summarize(survival_rate = mean(Survived), .groups = "drop")
​

一次结案统计的证据流

侦查流水线结构

基础包与 dplyr 对照

两套都合法。我的建议：新项目一律 dplyr——链式结构在多人协作和复查时优势太明显；读老代码时要认得 subset、tapply，不必重写。

💡 关键直觉：summarize 之后默认还带着分组结构，.groups = "drop" 把它放掉，避免后续操作"每组各来一份"的隐性意外。链尾随手加这一参数，是老手的肌肉记忆。

进阶演练：一题多解与性能对比

同一个问题——各舱位的生还人数、死亡人数与生还率——用三种写法各解一遍，体会 dplyr 的表达力：

# 写法一：summarize 多指标一次出
passengers %>%
  group_by(Pclass) %>%
  summarize(生还 = sum(Survived), 死亡 = sum(1 - Survived),
            生还率 = mean(Survived), .groups = "drop")

# 写法二：count 加比例（更适合快速清点）
passengers %>% count(Pclass, Survived) %>%
  group_by(Pclass) %>% mutate(占比 = n / sum(n)) %>% ungroup()

# 写法三：across 批量汇总——对多个数值列一次算均值
passengers %>%
  group_by(Pclass) %>%
  summarise(across(c(Age, Fare), \(x) mean(x, na.rm = TRUE)),
            .groups = "drop")
​

三段输出各有用途：写法一进报告，写法二做核对，写法三在列多时省力气。\() 是 R 4.1 起的匿名函数简写，读作"定义一个临时的 x 到……"。

条件派生与合成证据

真实排查常需要"多条证据合成一条判断"。case_when 是 dplyr 的分案工具：

passengers <- passengers %>%
  mutate(优先群体 = case_when(
    Sex == "female"           ~ "妇女",
    Age < 12                   ~ "儿童",
    Sex == "male" & Pclass == 1 ~ "头等男性",
    TRUE                       ~ "其余男性"
  ))

passengers %>%
  group_by(优先群体) %>%
  summarize(人数 = n(), 生还率 = mean(Survived), .groups = "drop") %>%
  arrange(desc(生还率))
​

典型输出把名单案的结论排成一行判决：妇女最高、儿童次之、头等男性居中、其余男性垫底。case_when 从上往下匹配、TRUE 兜底，相当于一张查表——比层层嵌套的 ifelse 可读得多。

⚠️ 排错实录一：filter 里写单个与符号 Sex == "female" & Pclass == 1 合法，但漏写引号成 Sex == female 会报错 object not found——R 把 female 当变量名去找。字符串比较必须带引号。

⚠️ 排错实录二：summarize 里用了 n() 却忘了 group_by，得到整表一行、n 等于总人数——逻辑没错但结论错位。链尾核对行数是廉价的自检。

概念辨析：管道三兄弟

三者可以混用但同一段脚本里保持统一。原生管道在匿名函数占位上尚有局限，涉及 .x 占位的旧代码继续用 %>% 最稳。

本节要点回顾

• 管道是可朗读的笔录：数据从左向右流，一步一动作
• 五连招分工：筛行、取列、派生、排序、分组汇总
• group_by 配 summarize：分类排查的标准组合
• cut 切波段：把连续证据离散化，暴露非线性规律
• .groups 参数：汇总后放掉分组结构，防隐性分组