第 2 章 R函数避坑指南

2.1 读取文件

2.1.1 如何避免readr对列格式自作主张

默认情况下，readr包读取文件函数会自动猜测数据列的格式，体现在col_types里。

如下所示，我们使用参数col_types = cols(.default = "c")，就可以强制读取所有列为character格式。

full_name <- c("id", "name", "parent_id", "initial", "initials",
               "pinyin", "extra", "suffix", "code", "area_code", "order")
url_csv <- "https://raw.githubusercontent.com/eduosi/district/master/district-full.csv"
district <- readr::read_delim(url(url_csv), 
                              col_types = cols(.default = "c"),
                              col_names = F, delim = "\t") %>%
  as_tibble() %>%
  rename_all(., ~all_of(full_name))

knitr::kable(head(district), caption = "地区区号信息")

2.1.2 如何读取sav数据格式

读取spss文件。为了避免出现编码错误（中文等多字节问题），建议使用foreign::read.spss()函数，而不宜使用haven::read_sav()函数

tryCatch(df_computer <- haven::read_sav("data/case-3.6-computer-sales.sav",encoding = "UTF-8", .name_repair = "unique"),
         warning = function(c) "warning")

# 此时会有报错。

df_computer<- foreign::read.spss("data/case-3.6-computer-sales.sav", to.data.frame=TRUE)

# 此时，正常读取和显示。
knitr::kable(head(df_computer), caption = "sale of computers")

表 2.1: sale of computers
月份	北京	长春	南京	郑州	武汉	广州	成都	昆明	兰州	西安
1	49	70	76	57	77	72	79	65	51	67
2	41	68	71	57	75	80	83	65	41	67
3	47	50	77	68	81	80	81	58	49	74
4	50	39	72	67	75	84	79	61	46	70
5	55	56	68	63	71	83	75	58	41	58
6	57	54	73	57	74	87	82	72	43	42

2.1.3 如何正确读取json

需要用到的R包：

require(tidyverse)
library("jsonlite")
library("tidyjson")

参看资料：

关键操作步骤在于：

使用map_if()函数转换为list
多次使用unnest()函数。当然，考虑到列变量名的处理问题，可以使用names_repair = tidyr_legacy进行设定。

#download.file("http://arxiv.org/pdf/1403.2805.pdf", "data-raw/pdf/1403.2805.pdf", mode = "wb")

# Table of contents
toc <-pdftools::pdf_toc("data-raw/pdf/1403.2805.pdf")

# Show as JSON
text_json<- jsonlite::toJSON(toc, auto_unbox = TRUE, pretty = TRUE) 

# json style
y_list <- jsonlite::fromJSON(text_json)  

# pure list
y_list_new <- map_if(y_list, is.data.frame, list) 

# flatten tibble
y_df_new <- as_tibble(y_list_new) %>%
  unnest(title,names_repair = tidyr_legacy) %>%
  unnest(children, names_repair = tidyr_legacy) %>%
  unnest(children,  names_repair = tidyr_legacy)  %>%
  mutate(children = map(children, as_tibble))%>%
  unnest(children,  names_repair = tidyr_legacy,
         keep_empty = T)  %>%
  select(tidyselect::matches("title\\d{1}", perl =T))

DT::datatable(y_df_new,options = list(dom = "tip",
                                      pageLength = 10))

2.2 操作日期对象

2.2.1 数值转日期{number-to-date}

经验法则：日期格式转换时，要注意不同环境下的默认初始日期origin =。Stata软件默认初始日期为origin = 1960-01-01；而R环境默认初始日期为origin = 1970-01-01。

首先我们看如下一段常见的日期对象代码操作：

library(lubridate)

start_d <- lubridate::as_date("1989-01-01")
end_d <- as_date("2006-12-31")

tot_d <- lubridate::as.duration(interval(start_d,end_d)) %/%
  as.duration(days(1)) +1

tot_y <- as.duration(interval(start_d,end_d)) %/%
  as.duration(years(1)) +1

上述结果得到：

观测站点运作至少持续tot_y= 18年，且中间不能终端运行超过2个月。

总共观测天数长tot_d= 6 574，从start_d= 1989-01-01开始到end_d= 2006-12-31结束。

下面再来看，数值型数据的日期格式转换：

# random select 10 start dates
start_dates <- c(12274, 12614, 12717, 
                 12804, 13061, 13344, 
                 13712, 14471, 14910, 
                 15678)

## default origin specification 
### origin ="1970-01-01"
start_dates1 <- lubridate::as_date(
  start_dates,
  origin =lubridate::origin) #

## custom origin specification
start_dates2 <- lubridate::as_date(
  start_dates,
  origin ="1960-01-01")

我们将看到不同的结果：

默认情形下（R环境）start_dates1的日期（第一个）为2003-08-10

指定情形下（STATA环境）start_dates2的日期（第一个）为1993-08-09

进一步地：

# option 1
lubridate::as_date(0,origin = lubridate::origin) # "1970-01-01"

[1] "1970-01-01"

# option 2
lubridate::as_date(0,origin = "1960-01-01")

[1] "1960-01-01"

同时，我们还要注意到如下的差异性（并非四舍五入进位！而是相当于ceiling()形式的进位）：

# note the difference
lubridate::as_date(10593+4*365,origin ="1960-01-01")

[1] "1992-12-31"

lubridate::as_date(10593+4*365+0.6,origin ="1960-01-01")

[1] "1992-12-31"

lubridate::as_date(10593+4*365+0.4,origin ="1960-01-01")

[1] "1992-12-31"

最后，R读取stata格式的数据文件，如果.dta文件包含了日期

file_url <- "D:/ProgramData/AER20090377_FinalData.dta"
df_raw <- foreign::read.dta(file_url,
                            convert.dates = T)

此时，函数foreign::read.dta会按照stata的默认起始日期origin = "1960-01-01"进行日期格式转换，而不会按照R环境下默认起始日期origin = "1970-01-01"。

参考资料：

2.2.2 日期转星期几和周次

经验法则：国别文化差异在此体现。lubridate::wday()的默认起始日为周日(week_start = 7)，对于东方文化周一才是第一天，因此要记得设定(week_start = 1)。

# some sunday
one_sunday <- as.Date("2022-06-12")

# weekday of today
# week_start: 1 = Monday, while default 7=Sunday

## show weekday label
lubridate::wday(one_sunday, label = T)

[1] 周日
7 Levels: 周日 < 周一 < 周二 < 周三 < ... < 周六

## show weekday number with `week_start = 1`
lubridate::wday(one_sunday,week_start = 1)

[1] 7

## show weekday number with `week_start = 7`
lubridate::wday(one_sunday,week_start = 7)

[1] 1

这种区别也同样体现在日期（date）转周次（week）的计算上。

check_dates <- as.Date(
  c("2022-04-10", "2022-04-11", 
    "2022-05-21", "2022-05-22", 
    "2022-06-12", 
    "2022-06-19" 
    )
  ) 

tbl_date <- tibble(dates = check_dates ) %>%
  mutate(weekday_lable = lubridate::wday(dates, label = T),
         weekday_us = lubridate::wday(dates),
         weekday_iso = lubridate::wday(dates, week_start =1),
         ) %>%
  mutate(weeks_us = week(dates),
         weeks_iso = isoweek(dates))

2.2.3 日期转字符

time_initor <- lubridate::as_datetime("2022-12-16 13:30:00",tz = "Asia/Shanghai")

duration <- 30 # minutes
time_start <- strftime(time_initor,format="%H:%M")

time_end <- strftime(time_initor +60*duration,format="%H:%M")

cat(paste0("initiate time (CST): ",time_initor, 
           "\n duration: ", duration, " minutes.",
           "\n start hm: ",time_start, 
           "\n end hm: ",time_end))

initiate time (CST): 2022-12-16 13:30:00
 duration: 30 minutes.
 start hm: 13:30
 end hm: 14:00

2.3 数据框操作

2.3.1 `setNames`动态赋予名称

(demo_vct <- c(1, 2))

[1] 1 2

(demo_vct <- setNames(demo_vct, paste0("V", 1:2)))

V1 V2 
 1  2

(demo_list <- list("a", "b", "c"))

[[1]]
[1] "a"

[[2]]
[1] "b"

[[3]]
[1] "c"

(demo_list <- setNames(demo_list, paste0("X", 1:3)))

$X1
[1] "a"

$X2
[1] "b"

$X3
[1] "c"

2.3.2 `rename_with()`批量重命名列变量

分析场景：对于多列数据框dataframe（见下图2.1），我们希望进行批量化列重名，实现指定的重命名模式要求（见图2.2）。

方法要点：需要使用函数参数为rename_with(.,.fn = ~paste0(., to_app), .cols = all_of(cols))。

tbl_demo <- iris %>% 
  select(Petal.Length:Species) %>%
  head(10)

DT::datatable(tbl_demo)

图 2.1: demo iris table

cols <- c("Petal.Length", "Petal.Width")
to_app <- "_xxx"

tbl_demo %>%
  rename_with(
    ., .fn = ~paste0(., to_app), 
    .cols = all_of(cols) 
    ) %>%
  DT::datatable()

图 2.2: rename table

参考资源：

队长问答：How to rename selected columns using dplyr with new column names as strings（参看链接）

2.3.3 `unnest()`/`nest()`操作下前缀或后缀列变量名操作

分析场景：对于list类型的复合dataframe（见下图2.3），希望把它unnest，同时还保持母list命名与子dataframe的命名关系，期望的最终命名效果见图2.4。

方法要点：需要使用函数参数为unnest(., names_sep = "_")。

library(dplyr, warn.conflicts = FALSE)

msd_c <- function(x) c(mn = mean(x), sd = sd(x))
msd_df <- function(x) bind_rows(c(mn = mean(x), sd = sd(x)))

tbl_demo <- iris %>% 
  select(Petal.Length:Species) %>% 
  group_by(Species) %>% 
  tidyr::nest() %>% 
  mutate(
    Petal.Length = purrr::map(data, ~ msd_df(.$Petal.Length)),
    Petal.Width = purrr::map(data, ~ msd_df(.$Petal.Width))
  ) %>% 
  select(-data) 

DT::datatable(tbl_demo)

图 2.3: list of dataframe

tbl_unnest <- tbl_demo %>% 
  tidyr::unnest(c(Petal.Length, Petal.Width), names_sep = "_")

DT::datatable(tbl_unnest) %>%
  formatRound(., columns = 2:5,  digits = 4)

图 2.4: unnest with designed columns name format

参考资源：

队长问答：tidyr unnest, prefix column names with nested name during unnesting（参看链接）

2.3.4 `pivot_longer()`操作中直接使用前缀或后缀列变量名

分析场景：对于有规律列命名（前缀名或后缀名）的数据库dataframe（见前节的图2.4），我们希望把它pivot_longer，并利用这些前缀名或后缀名关系，期望的效果见图2.5。

方法要点：需要使用函数参数为pivot_longer(., names_to = c(".value", "stat"), names_sep = "_")。

tbl_pivot <- tbl_unnest  %>%
  pivot_longer(
    cols = starts_with('Petal'), 
    names_to = c(".value", "stat"), 
    names_sep = "_")

tbl_pivot %>%
  DT::datatable() %>%
  formatRound(columns = 3:4, digits = 4)

图 2.5: pivot with prefix name sep

参考资源：

队长问答：How to pivot_longer a set of multiple columns? and How to go back from that long format to original wide?（参看链接）

2.4 数据清洗

2.4.1 如何正确生成重复数据rep()

分析场景：生成指定的重复数据，要求指定被重复的vector("char vec")，以及指定各自重复的次数vector("times vec")。

踩坑函数1：直接rep()。

require(magrittr)
brand<- c("果汁","矿泉水","绿茶","其他","碳酸饮料")
reps <- c(6L, 10L,11L, 8L,15L)

rep(brand, reps)

 [1] "果汁"     "果汁"     "果汁"     "果汁"    
 [5] "果汁"     "果汁"     "矿泉水"   "矿泉水"  
 [9] "矿泉水"   "矿泉水"   "矿泉水"   "矿泉水"  
[13] "矿泉水"   "矿泉水"   "矿泉水"   "矿泉水"  
[17] "绿茶"     "绿茶"     "绿茶"     "绿茶"    
[21] "绿茶"     "绿茶"     "绿茶"     "绿茶"    
[25] "绿茶"     "绿茶"     "绿茶"     "其他"    
[29] "其他"     "其他"     "其他"     "其他"    
[33] "其他"     "其他"     "其他"     "碳酸饮料"
[37] "碳酸饮料" "碳酸饮料" "碳酸饮料" "碳酸饮料"
[41] "碳酸饮料" "碳酸饮料" "碳酸饮料" "碳酸饮料"
[45] "碳酸饮料" "碳酸饮料" "碳酸饮料" "碳酸饮料"
[49] "碳酸饮料" "碳酸饮料"

踩坑函数2：mapply() + rep()。这个要复杂一点。

 [1] "果汁"     "果汁"     "果汁"     "果汁"    
 [5] "果汁"     "果汁"     "矿泉水"   "矿泉水"  
 [9] "矿泉水"   "矿泉水"   "矿泉水"   "矿泉水"  
[13] "矿泉水"   "矿泉水"   "矿泉水"   "矿泉水"  
[17] "绿茶"     "绿茶"     "绿茶"     "绿茶"    
[21] "绿茶"     "绿茶"     "绿茶"     "绿茶"    
[25] "绿茶"     "绿茶"     "绿茶"     "其他"    
[29] "其他"     "其他"     "其他"     "其他"    
[33] "其他"     "其他"     "其他"     "碳酸饮料"
[37] "碳酸饮料" "碳酸饮料" "碳酸饮料" "碳酸饮料"
[41] "碳酸饮料" "碳酸饮料" "碳酸饮料" "碳酸饮料"
[45] "碳酸饮料" "碳酸饮料" "碳酸饮料" "碳酸饮料"
[49] "碳酸饮料" "碳酸饮料"

2.4.2 如何探查样本数据集是否缺失

问题：lm(formula = lm.mod, data = lm.dt)回归提示warning。表明数据集lm.dt中存在缺失值。

12 observation deleted due to missingness

处理：采用函数stats::complete.cases(lm.dt)来使用无缺失的数据集。或者查看存在缺失数据的行which(!stats::complete.cases(lm.dt))。
参考Observation deleted due to missingness in R

2.4.3 如何处理的不可见unicode元素

在文本数据清洗过程中，我们经常要处理一些不可见的unicode元素，例如tab符、换行符、中文空格符等。事实上，这些看不见的unicode元素要比我们想象到的要多得多（参看）。

U+0009 CHARACTER TABULATION # Tab空格符
U+0020 SPACE
U+00A0 NO-BREAK SPACE (not matched by \s) # 中文空格
U+1680 OGHAM SPACE MARK
U+2000 EN QUAD
U+2001 EM QUAD
U+2002 EN SPACE
U+2003 EM SPACE
U+2004 THREE-PER-EM SPACE
U+2005 FOUR-PER-EM SPACE
U+2006 SIX-PER-EM SPACE
U+2007 FIGURE SPACE
U+2008 PUNCTUATION SPACE
U+2009 THIN SPACE
U+200A HAIR SPACE
U+202F NARROW NO-BREAK SPACE
U+205F MEDIUM MATHEMATICAL SPACE
U+3000 IDEOGRAPHIC SPACE

此时，我们需要识别待处理字符串中的不可见元素都是何种unicode编码，这时需要用到icove()函数进行转换。

mystr <- "这是一个\u00a0不可见的中文空格符" 
cat("这是一个\u00a0不可见的中文空格符")

这是一个 不可见的中文空格符

# not working
str_replace(mystr, " ","")

[1] "这是一个 不可见的中文空格符"

# detect
iconv(mystr, 
      from = "UTF-8", to = "ASCII",
      sub =  "Unicode") # ! important

[1] "<U+8FD9><U+662F><U+4E00><U+4E2A><U+00A0><U+4E0D><U+53EF><U+89C1><U+7684><U+4E2D><U+6587><U+7A7A><U+683C><U+7B26>"

# now it works
str_replace(mystr, "\u00a0","")

[1] "这是一个不可见的中文空格符"

2.4.4 字符串拆分

使用情景：拆分一段字符串（或文本段落），但是保留分隔符。其中，分隔符具有某些信息和价值，可以供后续分析使用。

具体实现的要点：

正确使用正则表达式regex。R环境下一般有两类正则表达式，一类为默认的扩展正则表达式；另一类为Perl形式的正则表达式（perl = TRUE）。当然，R环境下也还有一类文学化正则表达式（fixed = TRUE`）。
使用基础包函数base::strsplit()

下面为代码示例：目标是根据美元符号拆分整个文本段落，并保留分隔符（\$）。

# minimal example
txt <- "One way to interpret the CEF $m(x)=\\mathbb{E}[Y \\mid X=x]$ is in terms of how marginal changes in the regressors $X$ imply changes in the conditional expectation of the response variable $Y$."
txt

[1] "One way to interpret the CEF $m(x)=\\mathbb{E}[Y \\mid X=x]$ is in terms of how marginal changes in the regressors $X$ imply changes in the conditional expectation of the response variable $Y$."

下列代码的正则表达式中，我们使用了前向搜索表达式（lookahead）。

# split paragraph
split_raw <- strsplit(
  txt,
  split = "(?=[\\$])",
  perl = TRUE
  ) %>% 
  unlist()

split_raw

 [1] "One way to interpret the CEF "                                          
 [2] "$"                                                                      
 [3] "m(x)=\\mathbb{E}[Y \\mid X=x]"                                          
 [4] "$"                                                                      
 [5] " is in terms of how marginal changes in the regressors "                
 [6] "$"                                                                      
 [7] "X"                                                                      
 [8] "$"                                                                      
 [9] " imply changes in the conditional expectation of the response variable "
[10] "$"                                                                      
[11] "Y"                                                                      
[12] "$"                                                                      
[13] "."

需要注意的是使用stringr::str_split()则达不到上述效果：

stringr::str_split(string = txt, 
                   pattern = "(?=[\\$])")

[[1]]
[1] "One way to interpret the CEF "                                           
[2] "$m(x)=\\mathbb{E}[Y \\mid X=x]"                                          
[3] "$ is in terms of how marginal changes in the regressors "                
[4] "$X"                                                                      
[5] "$ imply changes in the conditional expectation of the response variable "
[6] "$Y"                                                                      
[7] "$."

2.4.5 奇偶数位置

使用情景：在文本处理中，数学公式往往以成对的双美元符号定义公式环境（math environment，$$math environment$$），或者以成对的单美元符号定义公式环境（math environment， $math inline$ ）出现。上述成对定位符号，意味着奇数为位置起始，偶数位置为结束。因此，确定奇数/偶数定位符位置是字符串处理的一项重要工作内容。

方法要点：

base::seq_len()
取模运算符%%2

我们继续使用前述的文本案例（见节@ref(#string-split)：字符串拆分）。

 [1] "One way to interpret the CEF "                                          
 [2] "$"                                                                      
 [3] "m(x)=\\mathbb{E}[Y \\mid X=x]"                                          
 [4] "$"                                                                      
 [5] " is in terms of how marginal changes in the regressors "                
 [6] "$"                                                                      
 [7] "X"                                                                      
 [8] "$"                                                                      
 [9] " imply changes in the conditional expectation of the response variable "
[10] "$"                                                                      
[11] "Y"                                                                      
[12] "$"                                                                      
[13] "."

[1]  2  4  6  8 10 12

# modal divide
(row_mod <- seq_len(length(lines))%%2 )

[1] 1 0 1 0 1 0

# start row (indexing odd position)
(lines_star <- lines[row_mod==1])

[1]  2  6 10

# end row (indexing even position)
(lines_end <- lines[row_mod==0]  )

[1]  4  8 12

当然我们也可以自己设计定制化函数：

odd <- function(x) x%%2 != 0

even <- function(x) x%%2 == 0

evenb <- function(x) !odd(x)

# odd position
odd(1:10)

 [1]  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE
 [9]  TRUE FALSE

# even position
even(1:10)

 [1] FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE
 [9] FALSE  TRUE

参看资料：

odd, even indices of a vector （链接）
Select Odd & Even Rows & Columns from Data Frame in R （链接）

2.5 数据变换

2.5.1 小数位取整与小数位呈现

经验法则：a.你需要在读者的“眼睛”看到的结果与数据“真实”结果之间做出权衡。取整操作round()会简化视觉效果，但是必然会损失数据信息。b.大多数情况下，我们都应该慎用取整操作round()，而采用小数位呈现操作formatC()。

如下是一份常用的表格输出结果（取整数）。

df_test %>%
  mutate(year =as.character(year)) %>%
  janitor::adorn_totals() %>%
  kable(align = "r", 
        caption = "kable with row sum")

表 2.2: kable with row sum
region_pro	year	vars	value
非旱区	2019	教育	19674
非旱区	2019	科学技术	4372
非旱区	2019	农林水	11655
Total			35700

眼尖的话，可以看到上表中value列的加总数35700，并不等于各行数的直接加总19674+4372+11655 = 35701。（从出版社编辑的角度来看，这是一个错误！）

我们马上会想到是“真实数据”经过了“四舍五入”，才会出现上述小状况。

下面我们把“真实数据”的小数位展示出来：

df_test %>%
  mutate(year =as.character(year)) %>%
  janitor::adorn_totals() %>%
  mutate(value = formatC(value, format='f',digits =2)) %>%
  kable(align = "r",
        caption = "kable with row sum by format")

表 2.3: kable with row sum by format
region_pro	year	vars	value
非旱区	2019	教育	19673.74
非旱区	2019	科学技术	4371.65
非旱区	2019	农林水	11655.07
Total			35700.46

显然，这样加总后的结果完全“符合常识”认知！

那么，在正式发表报告之前，我们到底该如何操作，以“正常地”呈现小数位结果呢？

直接显示两位小数。

# formatC with digits 2
formatC(df_test$value, format="f", digits=2)

[1] "19673.74" "4371.65"  "11655.07"

1位小数取整（四舍五入），然后显示两位小数。（请注意观察后两个数的变化差别！！）

# formatC after round function
formatC(round(df_test$value,1), format="f", digits=2)

[1] "19673.70" "4371.60"  "11655.10"

2位小数取整（四舍五入），再加总，然后显示两位小数。

# formatC function
formatC(sum(round(df_test$value,2)), format="f", digits=2)

[1] "35700.46"

1位小数取整（四舍五入），再加总，然后显示两位小数。

# formatC function
formatC(sum(round(df_test$value,1)), format="f", digits=2)

[1] "35700.40"

取整（四舍五入），再加总，然后显示两位小数。

# formatC function
formatC(sum(round(df_test$value,0)), format="f", digits=2)

[1] "35701.00"

因此，为了对付“眼尖和刁钻”的出版社编辑或读者们，我们需要先取整，再加总。当然，这番“神操作”之后，你就必然需要面对它带了的一个“副作用”——在连续多轮次取整加总，最后与“真实”浮点数值（float numerical）的差值会越来越大。

df_test %>%
  mutate(year =as.character(year)) %>%
  mutate(value = round(value)) %>%
  janitor::adorn_totals() %>%
  #mutate(value = formatC(value, format='f',digits =2)) %>%
  kable(align = "r", 
        caption = "kable seems much normal!")

表 2.4: kable seems much normal!
region_pro	year	vars	value
非旱区	2019	教育	19674
非旱区	2019	科学技术	4372
非旱区	2019	农林水	11655
Total			35701

2.5.2 正确进行滞后变量操作

经验法则：lag()滞后变换操作时，要注意缺失值的设定，其默认为default = NA。在需要对滞后变量进行进一步计算变换时，默认缺失值NA可能会带来一些附带效应。例如4 - NA = NA。

## default origin specification 
### origin ="1970-01-01"
start_dates <- lubridate::as_date(
  12274:12279,
  origin =lubridate::origin)

set.seed(123)
df_demo <- tibble(date = start_dates,
                  value = rnorm(n = length(start_dates),5,2),
                  cat = rep(c("A","B"),each =3))

kable(df_demo, caption = "模拟的数据")

表 2.5: 模拟的数据
date	value	cat
2003-08-10	3.9	A
2003-08-11	4.5	A
2003-08-12	8.1	A
2003-08-13	5.1	B
2003-08-14	5.3	B
2003-08-15	8.4	B

df_lag <- df_demo %>%
  arrange(cat, date) %>%
  #group_by(cat) %>%
  mutate(cat_lag1 = lag(cat),
         cat_lag2 = lag(cat, default = "xx") ) %>%
  mutate(detect1 = ifelse(cat != cat_lag1, 1, 0),
         detect2  = ifelse(cat != cat_lag2, 1, 0))

# print NA
options(knitr.kable.NA = NA)

df_lag %>%
  kable(caption = "lag函数默认缺失值的设定", digits = 2)

表 2.6: lag函数默认缺失值的设定
date	value	cat	cat_lag1	cat_lag2	detect1	detect2
2003-08-10	3.9	A	NA	xx	NA	1
2003-08-11	4.5	A	A	A	0	0
2003-08-12	8.1	A	A	A	0	0
2003-08-13	5.1	B	A	A	1	1
2003-08-14	5.3	B	B	B	0	0
2003-08-15	8.4	B	B	B	0	0

# not print NA
options(knitr.kable.NA = '')

2.5.3 构造多项式列变量

R包stats::poly()可以构造出matrix格式的多项式变量（指定p阶），但是这里要基于dplyr的mutate管道流（pipe flow），因此要用到少见的!!!函数。

use !!! to splice the columns (turning each element of a list/data.frame into it’s own argument).

data("mtcars")

df_test<- mtcars %>%
mutate(
  !!!as.data.frame(
    stats::poly(x = .$wt, 
         degree = 3, 
         raw = TRUE)
    )
  ) %>%
  rename_at(all_of(as.character(1:3)),
            ~all_of(paste0("wt_p",1:3)))

df_test %>%
  select(starts_with("wt")) %>%
  DT::datatable(caption = "wt的多项式构造（p=3）",
                options = list(dom = "tip", pageLength = 10)) %>%
  formatRound(c(1:4), digits = 2)

参考资料：

dplyr: Using poly function to generate polynomial coefficients (见队长问答)

2.6 数据计算

2.6.1 统计次数

经验法则：如果使用dplyr::summarise()结合across()来进行多列次数的统计，则应该使用sum(!is.na())，而不应该是n()。

参考资料：

How to Use na.rm=TRUE with n() While Using Dplyr’s Group_by and Summarise_at 队长问答
Why I love dplyr’s across 博文

data(mtcars)

options(knitr.kable.NA = 'NA')

df_fake <- mtcars %>%
  mutate(carb = ifelse(carb %in% c(3,8), NA, carb)) 

df_fake$gear[c(3,6,9)] <- NA

kable(df_fake, caption = "fake data with NA")

表 2.7: fake data with NA
	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
Mazda RX4	21	6	160	110	3.9	2.6	16	0	1	4	4
Mazda RX4 Wag	21	6	160	110	3.9	2.9	17	0	1	4	4
Datsun 710	23	4	108	93	3.8	2.3	19	1	1	NA	1
Hornet 4 Drive	21	6	258	110	3.1	3.2	19	1	0	3	1
Hornet Sportabout	19	8	360	175	3.1	3.4	17	0	0	3	2
Valiant	18	6	225	105	2.8	3.5	20	1	0	NA	1
Duster 360	14	8	360	245	3.2	3.6	16	0	0	3	4
Merc 240D	24	4	147	62	3.7	3.2	20	1	0	4	2
Merc 230	23	4	141	95	3.9	3.1	23	1	0	NA	2
Merc 280	19	6	168	123	3.9	3.4	18	1	0	4	4
Merc 280C	18	6	168	123	3.9	3.4	19	1	0	4	4
Merc 450SE	16	8	276	180	3.1	4.1	17	0	0	3	NA
Merc 450SL	17	8	276	180	3.1	3.7	18	0	0	3	NA
Merc 450SLC	15	8	276	180	3.1	3.8	18	0	0	3	NA
Cadillac Fleetwood	10	8	472	205	2.9	5.2	18	0	0	3	4
Lincoln Continental	10	8	460	215	3.0	5.4	18	0	0	3	4
Chrysler Imperial	15	8	440	230	3.2	5.3	17	0	0	3	4
Fiat 128	32	4	79	66	4.1	2.2	19	1	1	4	1
Honda Civic	30	4	76	52	4.9	1.6	19	1	1	4	2
Toyota Corolla	34	4	71	65	4.2	1.8	20	1	1	4	1
Toyota Corona	22	4	120	97	3.7	2.5	20	1	0	3	1
Dodge Challenger	16	8	318	150	2.8	3.5	17	0	0	3	2
AMC Javelin	15	8	304	150	3.1	3.4	17	0	0	3	2
Camaro Z28	13	8	350	245	3.7	3.8	15	0	0	3	4
Pontiac Firebird	19	8	400	175	3.1	3.8	17	0	0	3	2
Fiat X1-9	27	4	79	66	4.1	1.9	19	1	1	4	1
Porsche 914-2	26	4	120	91	4.4	2.1	17	0	1	5	2
Lotus Europa	30	4	95	113	3.8	1.5	17	1	1	5	2
Ford Pantera L	16	8	351	264	4.2	3.2	14	0	1	5	4
Ferrari Dino	20	6	145	175	3.6	2.8	16	0	1	5	6
Maserati Bora	15	8	301	335	3.5	3.6	15	0	1	5	NA
Volvo 142E	21	4	121	109	4.1	2.8	19	1	1	4	2

df_fake %>%
  group_by(carb) %>%
  dplyr::summarise(n_carb = n()) %>%
  kable(caption = "summarise with `n()`")

表 2.8: summarise with `n()`
carb	n_carb
1	7
2	10
4	10
6	1
NA	4

library(dplyr)
#  Helper function
summarizer <- function(data, numeric_cols = NULL,  ...) {
  data %>%
    group_by(...) %>%
    dplyr::summarise(
      across({{numeric_cols}}, 
             list(
               count = ~sum(!is.na(.)) # ! do not use `n()`), 
             ),
             .names = "{col}_{fn}"))
}

df_fake %>%
  summarizer(., 
             numeric_cols =all_of( c("gear", "cyl")),
             carb) %>%
  kable(caption = "summarise with `sum()`")

表 2.9: summarise with `sum()`
carb	gear_count	cyl_count
1	5	7
2	9	10
4	10	10
6	1	1
NA	4	4

options(knitr.kable.NA = 'NA')

2.6.2 描述性统计

经验法则：在对数据的指定多个列进行描述性统计分析时，dplyr::summarise()结合across()可以大大提升分析效率。

参考资料：

Why I love dplyr’s across 博文
第 40 章 tidyverse中的across()之美1 bookdown’s

library(dplyr)
#  Helper function
summarizer <- function(data, numeric_cols = NULL,  ...) {
  data %>%
    group_by(...) %>%
    dplyr::summarise(
      across({{numeric_cols}}, 
             list(
               count = ~sum(!is.na(.)), # ! do not use `n()`
               mean = ~mean(.x, na.rm = TRUE),
               sd = ~sd(.x, na.rm = TRUE),
               min = ~min(.x, na.rm = TRUE),
               max = ~max(.x, na.rm = TRUE)
               ), 
             .names = "{col}_{fn}"))
}

var_quanty <- names(df_fake)

smry_eda <- df_fake %>%
  summarizer(., numeric_cols = all_of(var_quanty)) %>%
  pivot_longer(., contains('_'),
               names_to = "variables",
               values_to = "value") %>%
  separate(., col =variables, 
           into = c("var", "measure"),
           sep = "_" ) %>%
  pivot_wider(., names_from = measure, values_from = value) %>%
  select(var, count, mean, sd, min, max)

表 2.10: 描述性统计表
var	count	mean	sd	min	max
mpg	32	20.09	6.03	10.4	33.9
cyl	32	6.19	1.79	4.0	8.0
disp	32	230.72	123.94	71.1	472.0
hp	32	146.69	68.56	52.0	335.0
drat	32	3.60	0.53	2.8	4.9
wt	32	3.22	0.98	1.5	5.4
qsec	32	17.85	1.79	14.5	22.9
vs	32	0.44	0.50	0.0	1.0
am	32	0.41	0.50	0.0	1.0
gear	29	3.69	0.76	3.0	5.0
carb	28	2.61	1.40	1.0	6.0

2.7 定制化函数

2.7.1 字符串作为变量名

在开发定制化函数过程中，我们可能会用到动态定义变量名，也即将特定字符串（string）定义为动态变量名（variable），然后tidyverse语境下的mutate()操作应用。

下面提供了若干动态变量名操作的方法：

df <- tibble(
  province = c("陕西","山东","湖南"),
  value = rnorm(3),
  cat = LETTERS[1:3]
)

表 2.11: 演示数据
province	value	cat
陕西	0.46	A
山东	-1.27	B
湖南	-0.69	C

方法1：利用dplyr包（version >1.0，结合了glue包的参数调用），结合{{}}、:=和get()。缺点是函数会显得可读性较差！（参看队长问答）

col_tar <- "province"
col_media <- paste0(col_tar,"_raw")
n<-3
col_num <- "value"
# this will work
out1 <- df %>%
  # duplicate new named columns
  mutate({{col_media}} := get(col_tar)) %>%
  mutate("{col_media}.{3}" := value*n) %>%
  mutate("mean of {col_num}" := mean(get(col_num)))

# NOTE: this will work in another way unintended
out2 <- df %>%
    # duplicate new named columns
    mutate({{col_media}} := {{col_tar}})

表 2.12: 可行1：{{}}结合:=以及get()
province	value	cat	province_raw	province_raw.3	mean of value
陕西	0.46	A	陕西	1.4	-0.5
山东	-1.27	B	山东	-3.8	-0.5
湖南	-0.69	C	湖南	-2.1	-0.5

表 2.13: 不可行2：{{}}结合:=
province	value	cat	province_raw
陕西	0.46	A	province
山东	-1.27	B	province
湖南	-0.69	C	province

方法2：结合使用!!rlang::sym()和:=。缺点是代码比较繁琐。

# this will work
out3 <- df %>%
    # duplicate new named columns
    mutate(!! rlang::sym(col_media) := !! rlang::sym(col_tar))

表 2.14: 可行3：结合!!rlang::sym()以及:=
province	value	cat	province_raw
陕西	0.46	A	陕西
山东	-1.27	B	山东
湖南	-0.69	C	湖南

2.7.2 计数counter

task_counter <- function() {
  i <- 0
  function() {
    i <<- i + 1
    i
  }
}

n_task <- task_counter()

# firt
n_task()

[1] 1

# second
n_task()

[1] 2

# clean the counter
n_task <- task_counter()
# firt
n_task()

[1] 1

参考资料：

Hadley “Advanced R”一书中，提到Mutable state
R-blogger 博文 A Little R Counter

2.7.3 排列组合

对于组合数的计算，要区分可重复还是不重复两类情形：

可重复组合数的计算公式为$n^k$
不可重复组合数的计算公式为：$\left(\begin{array}{l}n \\ k\end{array}\right)=\frac{n !}{k !(n-k) !}$

排列组合问题的R计算可以参看：Learning R: Permutations and Combinations with base R

# combination function
## combinations without repetitions
n1 <- length(combn(1:151,2))/2
n2 <- choose(151,2)

# permutation function
perm <- function(v) {
  n <- length(v)
  if (n == 1) v
  else {
    X <- NULL
    for (i in 1:n) X <- rbind(X, cbind(v[i], perm(v[-i])))
    X
  }
}

# nrow(perm(1:2))

2.8 R包janitor

2.8.1 统计制表 vs janitor::tabyl

tabyls: a tidy, fully-featured approach to counting things. see link

优点：
- 方便统计频次和频率
- 方便添加行合计
- 方便调整数据格式（百分数等）
- 可以结合knitr::kable()输出
不足：
- janitor::tabyl()仅适合处理原始数据，并且是data.frame或vector。

2.8.2 注意函数使用次序

特别需要注意系列janitor::adorn_xx()函数的使用先后顺序关系。概括起来需要小心的是：

先计算汇总，再设置格式。其核心要点在于，数据列格式的变换，会导致数据列类型（type）的改变，比如numeric类型会变为character类型。例如，需要先adorn_total("rows")进行行汇总，再adorn_pct_formatting()把比率转换为百分数。
没有被汇总的adorn_total()，也不会被进一步调整格式adorn_pct_formatting()。这意味着手动计算的占比列（小数如0.32），不能够使用adorn_pct_formatting()调整为百分数（如32%）。
添加汇总计算adorn_total()，结果将不再保持为标准数据表（tidy data table）。因此需要额外处理不适合汇总的列或行。例如累积百分比和累积次数，就不应该有汇总（Total）值。

2.8.3 指定列进行汇总或调整格式

首先，指定列进行汇总或调整格式需要满足前述函数使用的先后次序关系。
其次，指定列进行汇总或调整格式需要完整使用janitor::adorn_xx()函数的所有参数设置。这一点非常不人性。
最后，指定列进行汇总或调整格式需要使用dplyr包的select语法，如all_of(contains(“p”))`。

require(DT)
require(janitor)
char <-c("非常不满意","不满意","一般","满意","非常满意")
reps <- c(24L, 108L,93L, 45L,30L) 

sat_list <- rep(char, reps)

sat <- data.frame(groups=LETTERS[1:5],
                  satisfication = sat_list,
                  row.names=NULL) %>%
  mutate(satisfication = factor(satisfication, levels = char))

cum_calc <- sat %>%
  janitor::tabyl(satisfication) %>%
  mutate(min_cum_n = cumsum(n),
         min_cum_p = cumsum(percent), #<<
         max_cum_n =rev( cumsum(rev(n))), #<<
         max_cum_p =rev( cumsum(rev(percent)))) 
  
cum_format<-  cum_calc %>%
  mutate(min_cum_p = scales::percent(min_cum_p,accuracy = 0.1), #<<
         max_cum_p = scales::percent(max_cum_p,accuracy = 0.1)) %>%
  janitor::adorn_totals(.,where = "row",fill = "-",na.rm = TRUE, #<<
                        name = "Total", all_of(c("n","percent"))) %>%
  janitor::adorn_pct_formatting(.,digits = 1, #<<
                                rounding ="half to even",
                                affix_sign = TRUE,
                                all_of(c("percent"))) #<<

2.8.4 相关系数与回归系数

[1] "province"   "year"       "chn_block4" "value"     
[5] "units"      "variables"


Call:
lm(formula = v7_sctj_nyhf_df ~ 0 + v7_sctj_nyhf_lf, data = df)

Coefficients:
v7_sctj_nyhf_lf  
           2.81

月份	北京	长春	南京	郑州	武汉	广州	成都	昆明	兰州	西安
1	49	70	76	57	77	72	79	65	51	67
2	41	68	71	57	75	80	83	65	41	67
3	47	50	77	68	81	80	81	58	49	74
4	50	39	72	67	75	84	79	61	46	70
5	55	56	68	63	71	83	75	58	41	58
6	57	54	73	57	74	87	82	72	43	42

月份	北京	长春	南京	郑州	武汉	广州	成都	昆明	兰州	西安
1	49	70	76	57	77	72	79	65	51	67
2	41	68	71	57	75	80	83	65	41	67
3	47	50	77	68	81	80	81	58	49	74
4	50	39	72	67	75	84	79	61	46	70
5	55	56	68	63	71	83	75	58	41	58
6	57	54	73	57	74	87	82	72	43	42

第 2 章 R函数避坑指南

2.1 读取文件

2.1.1 如何避免readr对列格式自作主张

2.1.2 如何读取sav数据格式

2.1.3 如何正确读取json

2.2 操作日期对象

2.2.1 数值转日期{number-to-date}

2.2.2 日期转星期几和周次

2.2.3 日期转字符

2.3 数据框操作

2.3.1 setNames动态赋予名称

2.3.2 rename_with()批量重命名列变量

2.3.3 unnest()/nest()操作下前缀或后缀列变量名操作

2.3.4 pivot_longer()操作中直接使用前缀或后缀列变量名

2.4 数据清洗

2.4.1 如何正确生成重复数据rep()

2.4.2 如何探查样本数据集是否缺失

2.4.3 如何处理的不可见unicode元素

2.4.4 字符串拆分

2.4.5 奇偶数位置

2.5 数据变换

2.5.1 小数位取整与小数位呈现

2.5.2 正确进行滞后变量操作

2.5.3 构造多项式列变量

2.6 数据计算

2.6.1 统计次数

2.6.2 描述性统计

2.7 定制化函数

2.7.1 字符串作为变量名

2.7.2 计数counter

2.7.3 排列组合

2.8 R包janitor

2.8.1 统计制表 vs janitor::tabyl

2.8.2 注意函数使用次序

2.8.3 指定列进行汇总或调整格式

2.8.4 相关系数与回归系数

2.3.1 `setNames`动态赋予名称

2.3.2 `rename_with()`批量重命名列变量

2.3.3 `unnest()`/`nest()`操作下前缀或后缀列变量名操作

2.3.4 `pivot_longer()`操作中直接使用前缀或后缀列变量名

月份	北京	长春	南京	郑州	武汉	广州	成都	昆明	兰州	西安
1	49	70	76	57	77	72	79	65	51	67
2	41	68	71	57	75	80	83	65	41	67
3	47	50	77	68	81	80	81	58	49	74
4	50	39	72	67	75	84	79	61	46	70
5	55	56	68	63	71	83	75	58	41	58
6	57	54	73	57	74	87	82	72	43	42