这期内容当中小编将会给大家带来有关怎么在R语言中使用dplyr包对数据进行处理，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
数据筛选函数：
#可使用filter()函数筛选/查找特定条件的行或者样本
#filter(.data=,condition_1,condition_2)#将返回相匹配的数据
#同时可以多条件匹配multiple condition，当采用多条件匹配时可直接condition1，condition2或者condition1&condition2
#其他逻辑表达还有：==，>,>=等，&，|，！，xor（），is.na，between，near
#filter延展的相关函数filter_all()、filter_if()、filter_at()
#以iris数据集为例：
filter(.data=iris,Sepal.Length>3,Sepal.Width<3.5) filter(.data=iris,Sepal.Length>3,Species=="virginica")输出情况： 输出情况：
#要使用filter_all()、filter_if()、filter_at()需要先去掉Species列（非数值型列）
iris_data<-iris%>% select(-Species)#筛选所有属性小于6的行
iris_data%>% filter_all(all_vars(.<6))部分输出情况：
#筛选任意一个属性大于3的行
iris_data%>% filter_all(any_vars(.>3))#筛选以sep开头的属性任一大于3的行
iris_data%>% filter_at(vars(starts_with("Sep")), any_vars(. >3))#R中自带数据集mtcars，筛选任意一个属性大于150的行
filter_all(mtcars, any_vars(. > 150))#筛选以d开头的属性任一可被2整除的行
filter_at(mtcars, vars(starts_with("d")), any_vars((. %% 2) == 0))2、数据分组、汇总函数group_by、summarise
其他延展函数 group_by_all、group_by_if、group_by_at（将在后续文章中解析）
group_by函数按照某个变量分组，对于数据集本身并不会发生什么变化，只有在与mutate(), arrange() 和 summarise() 函数结合应用的时候会体现出它的优越性，将会对这些 tbl 类数据执行分组操作 (R语言泛型函数的优越性).
mtcars_cyl <- mtcars %>% group_by(cyl) mtcars_cyl %>% summarise(disp = mean(disp),hp = mean(hp))
mtcars_vs_am <- mtcars %>% group_by(vs, am) mtcars_vs <- mtcars_vs_am %>% summarise(n = n())
3、新增列函数mutate，在数据集的基础上新增列，不对原数据作更改
可用的相关参数、逻辑：
• +, - 等等
• log()
• lead(), lag()
• dense_rank(), min_rank(), percent_rank(), row_number(), cume_dist(), ntile()
• cumsum(), cummean(), cummin(), cummax(), cumany(), cumall()
• na_if(), coalesce()
• if_else(), recode(), case_when()
相关延展函数：transmute、mutate_all、mutate_if、mutate_at（后期文章分享）
mtcars %>% as_tibble() %>% mutate(cyl2 = cyl*3,cyl4 = cyl2+2)
上述就是小编为大家分享的怎么在R语言中使用dplyr包对数据进行处理了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注编程网行业资讯频道。
