R 语言数据整理全攻略：从导入到转换的实战指南

目录

一、数据导入与导出：快速读写数据

1. 基础包数据读写：read.table与write.table

2. 高效数据读取：data.table::fread

3. Excel 文件读取：readxl包

4. 批量读取文件：list.files

二、数据清洗：筛选、转换与分组

1. 数据框操作：dplyr包核心函数

2. 分组汇总：group_by与summarise

3. 管道操作：%>%简化代码

三、数据合并：多表连接与整合

1. 数据框连接：dplyr连接函数

2. 列合并与行合并

四、数据重塑：列拆分、合并与长宽转换

1. 列拆分与合并：tidyr包

2. 长宽数据转换：pivot_longer与pivot_wider

五、冲突管理与包依赖

1. 函数冲突解决：conflicted包

2. 常用包依赖关系

六、实战建议

一、数据导入与导出：快速读写数据

1. 基础包数据读写：read.table与write.table

install.packages("tidyverse")
library(tidyverse)

# CSV文件导入（交互式选择文件）
rawdata <- read.table(file.choose(), header = TRUE, sep = ",") 
# header=TRUE: 将首行作为列名
# sep=",": 分隔符为逗号（适用于CSV格式）

# 查看数据前4行
head(rawdata, n=4)  
# 查看数据后10行
tail(rawdata, n=10)  
# 提取95-100行
rawdata[95:100, ]    
# 查看数据结构
str(rawdata)         

# 数据导出为CSV（不保留行号）
write.table(rawdata, "test.csv", sep = ",", row.names = FALSE)

2. 高效数据读取：data.table::fread

# 安装data.table包（读取速度比read.table快10-100倍）
install.packages("data.table")
library(data.table)

# 快速读取CSV
rawdata_fast <- fread(file.choose()) 

3. Excel 文件读取：readxl包

install.packages("readxl")
library(readxl)

# 交互式读取Excel文件（支持.xlsx/.xls）
exc <- read_excel(file.choose()) 

4. 批量读取文件：list.files

# 获取当前目录下所有CSV文件
files <- list.files(path = "./data", pattern = ".csv$", full.names = TRUE) 
# path: 指定目录路径
# pattern: 正则表达式筛选文件（如".csv$"表示以.csv结尾）
# full.names: 返回完整路径

# 批量读取并合并
all_data <- lapply(files, read.csv) %>% bind_rows()

二、数据清洗：筛选、转换与分组

1. 数据框操作：dplyr包核心函数

install.packages("dplyr")
library(dplyr)

# 示例数据集：ToothGrowth（豚鼠牙齿生长数据）
data(ToothGrowth)
head(ToothGrowth)

# 1. 新增变量与变量转换
tooth2 <- mutate(ToothGrowth,
                 Ten = len^2,          # 平方值
                 nv = 1:nrow(ToothGrowth), # 行号
                 nv2 = ifelse(nv > median(nv), "H", "L") # 中位数分组
)

# 2. 筛选行（filter）
tooth3 <- filter(tooth2, 
                 nv %in% 1:50,       # nv在1-50之间
                 nv2 == "H"          # 分组为H
)

# 3. 筛选列（select）
tooth4 <- select(tooth3, supp, dose) # 选择supp和dose列
tooth4 <- select(tooth3, 2:4)        # 选择第2-4列

2. 分组汇总：group_by与summarise

# 全局汇总
summarise(ToothGrowth, 
          len_max = max(len),    # 最大值
          len_min = min(len)     # 最小值
)

# 按supp分组汇总
ToothGrowth %>% 
  group_by(supp) %>%        # 按supp分组
  summarise(len_mean = mean(len)) # 计算每组均值

# 多变量分组（dose+supp）
ToothGrowth %>% 
  group_by(dose, supp) %>% 
  summarise(
    len_max = max(len),
    n = n()  # 计数
  )

3. 管道操作：%>%简化代码

# 传统写法
step1 <- filter(ToothGrowth, dose > 0.5)
step2 <- group_by(step1, supp)
step3 <- summarise(step2, mean_len = mean(len))

# 管道写法（更简洁）
result <- ToothGrowth %>% 
  filter(dose > 0.5) %>% 
  group_by(supp) %>% 
  summarise(mean_len = mean(len))

三、数据合并：多表连接与整合

1. 数据框连接：dplyr连接函数

# 创建示例数据框
df1 <- data.frame(c1 = 2:5, c2 = letters[2:5])  # c2: b,c,d,e
df2 <- data.frame(c3 = c("b", "c", "t", "u", "v", "w"), 
                  c4 = sample(1:100, 6))

# 1. 左连接（保留左表所有行）
df1 %>% left_join(df2, by = c("c2" = "c3")) 
# by: 指定连接键（左表列=右表列）

# 2. 右连接（保留右表所有行）
df1 %>% right_join(df2, by = "c2") 

# 3. 内连接（仅保留匹配行）
df1 %>% inner_join(df2, by = "c2") 

# 4. 全连接（保留所有行，缺失值填NA）
df1 %>% full_join(df2, by = "c2") 

2. 列合并与行合并

# 列合并（按行对齐，需行数相同）
cbind(df1, df2) 

# 行合并（按列对齐，需列名相同）
rbind(df1, df1) 

四、数据重塑：列拆分、合并与长宽转换

1. 列拆分与合并：tidyr包

install.packages("tidyr")
library(tidyr)

# 示例数据框
df1 <- data.frame(
  c1 = c("a-1", "b-2", "c-3"),
  c2 = c("d.4", "e.5", "f.6")
)

# 1. 列拆分（separate）
df2 <- df1 %>% 
  separate(col = c1, sep = "-", into = c("char", "num")) %>%  # 按-拆分
  separate(col = c2, sep = "\\.", into = c("letter", "number"))  # 按.拆分

# 2. 列合并（unite）
df2 %>% 
  unite(col = "combined", char, letter, sep = "_") %>%  # 合并为combined列
  unite(col = "all", num, number, sep = "")  # 合并为all列（无分隔符）

2. 长宽数据转换：pivot_longer与pivot_wider

# 示例宽数据
df_wide <- data.frame(
  id = 1:2,
  week1 = c(80, 90),
  week2 = c(85, 95)
)

# 宽转长（收集列）
df_long <- df_wide %>% 
  pivot_longer(cols = -id,           # 排除id列
               names_to = "week",     # 列名转为week列
               values_to = "score")   # 数值转为score列

# 长转宽（展开列）
df_long %>% 
  pivot_wider(names_from = week,     # week值作为列名
              values_from = score)   # score值填充列

五、冲突管理与包依赖

1. 函数冲突解决：conflicted包

install.packages("conflicted")
library(conflicted)

# 解决dplyr与stats的filter冲突
conflict_prefer("filter", "dplyr") 

2. 常用包依赖关系

六、实战建议

1. 数据导入最佳实践：
   • 大文件优先用data.table::fread
   • 多文件批量处理用list.files+lapply
2. 管道操作原则：每个管道步骤只做一件事（筛选→分组→汇总）
3. 长宽转换场景：
   • 宽转长：用于机器学习输入（特征列统一）
   • 长转宽：用于报表展示（指标横向对比）

通过掌握这些数据整理技巧，可大幅提升 R 语言数据处理效率，为后续分析建模奠定坚实基础！