# Filter to get all "female" rows
passengers %>%
filter(Sex =="female")## PassengerId Survived Pclass## 1 2 1 1## 2 3 1 3## 3 4 1 1## 4 9 1 3## 5 10 1 2## 6 11 1 3## Name Sex Age SibSp## 1 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1## 2 Heikkinen, Miss. Laina female 26 0## 3 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1## 4 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27 0## 5 Nasser, Mrs. Nicholas (Adele Achem) female 14 1## 6 Sandstrom, Miss. Marguerite Rut female 4 1## Parch Ticket Fare Cabin Embarked## 1 0 PC 17599 71.2833 C85 C## 2 0 STON/O2. 3101282 7.9250 S## 3 0 113803 53.1000 C123 S## 4 2 347742 11.1333 S## 5 0 237736 30.0708 C## 6 1 PP 9549 16.7000 G6 S技术支持
从直观上看，女性似乎更有可能在泰坦尼克号灾难中幸存。
在探索数据时，您应尽可能提出并回答自己感兴趣的问题！现在，您可能想按 Fare 从低到高来 arrange() 观测，看看能否发现一些趋势。可使用 arrange() 动词实现：
# Arrange by increasing Fare
passengers %>%
arrange(Fare)## PassengerId Survived Pclass Name Sex Age## 1 180 0 3 Leonard, Mr. Lionel male 36## 2 264 0 1 Harrison, Mr. William male 40## 3 272 1 3 Tornquist, Mr. William Henry male 25## 4 278 0 2 Parkes, Mr. Francis "Frank" male NA## 5 303 0 3 Johnson, Mr. William Cahoone Jr male 19## 6 414 0 2 Cunningham, Mr. Alfred Fleming male NA## SibSp Parch Ticket Fare Cabin Embarked## 1 0 0 LINE 0 S## 2 0 0 112059 0 B94 S## 3 0 0 LINE 0 S## 4 0 0 239853 0 S## 5 0 0 LINE 0 S## 6 0 0 239853 0 S技术支持
许多付费较少的人没有幸存。仅通过重新排序数据，您就发现了一个有趣的现象！
您也可以按 Fare 从高到低 arrange：
# Arrange by decreasing Fare
passengers %>%
arrange(desc(Fare))## PassengerId Survived Pclass Name Sex## 1 259 1 1 Ward, Miss. Anna female## 2 680 1 1 Cardeza, Mr. Thomas Drake Martinez male## 3 738 1 1 Lesurer, Mr. Gustave J male## 4 28 0 1 Fortune, Mr. Charles Alexander male## 5 89 1 1 Fortune, Miss. Mabel Helen female## 6 342 1 1 Fortune, Miss. Alice Elizabeth female## Age SibSp Parch Ticket Fare Cabin Embarked## 1 35 0 0 PC 17755 512.3292 C## 2 36 0 1 PC 17755 512.3292 B51 B53 B55 C## 3 35 0 0 PC 17755 512.3292 B101 C## 4 19 3 2 19950 263.0000 C23 C25 C27 S## 5 23 3 2 19950 263.0000 C23 C25 C27 S## 6 24 3 2 19950 263.0000 C23 C25 C27 S技术支持
# Create new column FamSize (size of family)# Arrange by decreasing FamSize
passengers %>%
mutate(FamSize = Parch + SibSp)%>%
arrange(desc(FamSize))## PassengerId Survived Pclass Name Sex Age## 1 160 0 3 Sage, Master. Thomas Henry male NA## 2 181 0 3 Sage, Miss. Constance Gladys female NA## 3 202 0 3 Sage, Mr. Frederick male NA## 4 325 0 3 Sage, Mr. George John Jr male NA## 5 793 0 3 Sage, Miss. Stella Anna female NA## 6 847 0 3 Sage, Mr. Douglas Bullen male NA## SibSp Parch Ticket Fare Cabin Embarked FamSize## 1 8 2 CA. 2343 69.55 S 10## 2 8 2 CA. 2343 69.55 S 10## 3 8 2 CA. 2343 69.55 S 10## 4 8 2 CA. 2343 69.55 S 10## 5 8 2 CA. 2343 69.55 S 10## 6 8 2 CA. 2343 69.55 S 10技术支持
排在最前的大家庭成员无一幸存！这可能具有启发性：也许大家庭更难及时从泰坦尼克号撤离。
不过，0 和 1 往往不够直观，不如将 Survived 变量的数值变换为字符串 No 和 Yes（并创建新数据框！）：
# Turn numerical values of Survived column to "No" & "Yes" (new data frame)
passengers1 <- passengers %>%
mutate(Survived = ifelse(Survived ==0,"No","Yes"))
passengers1
## PassengerId Survived Pclass## 1 1 No 3## 2 2 Yes 1## 3 3 Yes 3## 4 4 Yes 1## 5 5 No 3## 6 6 No 3## Name Sex Age SibSp## 1 Braund, Mr. Owen Harris male 22 1## 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1## 3 Heikkinen, Miss. Laina female 26 0## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1## 5 Allen, Mr. William Henry male 35 0## 6 Moran, Mr. James male NA 0## Parch Ticket Fare Cabin Embarked## 1 0 A/5 21171 7.2500 S## 2 0 PC 17599 71.2833 C85 C## 3 0 STON/O2. 3101282 7.9250 S## 4 0 113803 53.1000 C123 S## 5 0 373450 8.0500 S## 6 0 330877 8.4583 Q技术支持
绘制数据图表
使用 ggplot2 作图时，您需要指定三件事：
您的数据
您的映射（例如，x 轴显示什么）
您的图层（例如，条形图、散点图）
首先，绘制 Sex 的条形图，看看泰坦尼克号上记录的男性与女性数量：
# Plot barplot of passenger Sex
ggplot(passengers, aes(x = Sex))+
geom_bar()技术支持
从上图可以看出，RMS 泰坦尼克号上大约有 600 名男性和 300 名女性。
注意，aes() 函数用于将图形的 美学属性映射到数据中的变量。更多内容参见 Chester Ismay 与 Albert Y. Kim 的Modern Dive。
接下来是散点图。任一乘客的 Age 是否与其支付的 Fare 有相关性？
# Scatter plot of Age vs Fare
ggplot(passengers, aes(x = Age, y = Fare))+
geom_point()## Warning: Removed 177 rows containing missing values (geom_point).技术支持
您可以像读句子一样阅读 ggplot2 代码，与上面的 dplyr 代码相同：“取 titanic 数据，将 Age 映射到 x 轴，将 Fare 映射到 y 轴，并添加点作为图层。”
我们在前图的基础上，按 Sex 给每个点着色，看看 Sex、Age 与 Fare 之间是否存在相关性：
# Scatter plot of Age vs Fare colored by Sex
ggplot(passengers %>% drop_na(), aes(x = Age, y = Fare, color = Sex))+
geom_point()技术支持
您会看到，底部付费较少的多为男性。图中上方还有一簇女性，她们年龄稍大，并且为登船支付了更高票价。
在一张图上可视化三个变量（两个数值变量 Age 与 Fare，以及一个分类型变量 Sex）已经很酷了，但如果想把 Survived 也纳入其中，看看是否出现明显趋势呢？可以使用分面（faceting），它可以同时生成多个图：
# Scatter plot of Age vs Fare colored by Sex faceted by Survived
ggplot(passengers1, aes(x = Age, y = Fare, color = Sex))+
geom_point()+
facet_grid(~Survived)## Warning: Removed 177 rows containing missing values (geom_point).技术支持
# Plot barplot of passenger Sex & fill according to Survival
ggplot(passengers1, aes(x = Sex, fill = Survived))+
geom_bar()技术支持
可以看到，绝大多数男性未能幸存，而女性中有超过三分之二幸存！
汇总与分组数据
使用 summarise() 动词求出平均票价：
# Check out mean Fare
passengers %>%
summarise(meanFare = mean(Fare))## meanFare## 1 32.20421技术支持
使用 summarise() 动词求出票价中位数：
# Check out mean Fare
passengers %>%
summarise(medianFare = median(Fare))## medianFare## 1 14.4542技术支持
您也可以结合使用 filter() 与 summarise() 求出男性的平均票价：
# Check out mean Fare for men
passengers %>%
filter(Sex =="male")%>%
summarise(meanFare = mean(Fare))## meanFare## 1 25.52389技术支持
使用 filter() 与 summarise() 求出女性的平均票价：
# Check out mean Fare for women
passengers %>%
filter(Sex =="female")%>%
summarise(meanFare = mean(Fare))## meanFare## 1 44.47982技术支持
使用 filter() 与 summarise() 求出女性的平均票价以及女性幸存人数：
# Check out mean Fare & number of survivors for women
passengers %>%
filter(Sex =="female")%>%
summarise(meanFare = mean(Fare), numSurv = sum(Survived))## meanFare numSurv## 1 44.47982 233技术支持
使用 group_by() 与 summarise() 求出按性别分组的平均票价与幸存人数：
# Check out mean Fare & number of survivors grouped by Sex
passengers %>%
group_by(Sex)%>%
summarise(meanFare = mean(Fare), numSurv = sum(Survived))## # A tibble: 2 x 3## Sex meanFare numSurv## <fct> <dbl> <int>## 1 female 44.5 233## 2 male 25.5 109技术支持
使用 group_by() 与 summarise() 求出按性别分组的平均票价与幸存者比例：
# Check out mean Fare & proportion of survivors grouped by Sex
passengers %>%
group_by(Sex)%>%
summarise(meanFare = mean(Fare), numSurv = sum(Survived)/n())## # A tibble: 2 x 3## Sex meanFare numSurv## <fct> <dbl> <dbl>## 1 female 44.5 0.742## 2 male 25.5 0.189技术支持
结语
在本教程中，您从零到一掌握了使用 tidyverse 和整洁工具进行数据分析的基础。您学习了如何用 dplyr 和 ggplot2 对数据进行 filter()、arrange()、mutate()、绘图与 summarise()，并以符合您思考和表达方式的代码来完成。恭喜您。建议您继续学习 David Robinson 的 Introduction to Tidyverse 课程，并将这些工具应用到您感兴趣的其他数据集上。欢迎在推特上与我们分享您的分析：@DataCamp 和 @hugobowne。感谢阅读。
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
本教程整理自我们一周前进行的一场 Facebook Live 活动。主题为“Introduction to the Tidyverse（Tidyverse 入门）”，本教程将带您回顾我们在跟码环节中覆盖的全部内容！
您可以在此观看第一部分：
第二部分在这里：
注意，您可以在此仓库中找到本次课程的所有代码。
核心 tidyverse 包含您在日常数据分析中最常用的包，例如用于数据可视化的
ggplot2和用于数据整理的dplyr。本教程将重点介绍这两个包。请记住，包本质上是一组用于处理数据的工具。如果您想进一步了解 R 中的包，请查看这篇教程。
想进一步了解 Tidyverse，请查看 David Robinson 在 DataCamp 开设的Introduction to Tidyverse 课程以及Learn the Tidyverse 资源。
开始上手
首先，如果您尚未安装 tidyverse，请先安装：
安装好 tidyverse 后，就该加载数据并先看看一些观测值了。
在本教程中，您将探索 泰坦尼克号数据集，其中每条观测对应一名乘客，每个变量是一项特征，例如
Name、Age和Survived（是否幸存）。像这样加载您的数据：
注意，您传给
read.csv()的路径可能因环境不同而变化。如果您想保持相同的文件路径，可以在我们的 GitHub 仓库中查看本项目的文件夹结构，地址见这里。另外，如果您想了解执行
passengers后出现的所有变量含义，可以查看数据集说明。要快速了解数据概况，您可以使用
summary()函数：现在用 管道
%>%来做同样的事，它是 tidyverse 中最顺手的工具之一：提示：如果您想深入了解 R 中管道操作符的用法，请查看这篇教程。
在丢弃缺失值观测后再做一次。同样给您个提示：可以串接多个管道！
您可能已经注意到上面代码的风格一致性。这是因为您遵循了风格指南。在数据科学以及更广泛的编程/编码中，尽快养成遵循风格指南的习惯很重要。正如 Hadley Wickham 在tidyverse 风格指南中所说，
下一节，您将使用
dplyr进行数据整理，过滤数据、排序，并通过对旧变量进行变换来创建新特征。整理数据
现在是探索数据并获得初步洞见的时候。您将使用
dplyr的动词，如filter()、arrange()和mutate()，它们都名副其实。假设您想选择一组特定观测，例如“Sex”为“female”的那些。
dplyr允许我们以直观的方式，并用与您思考和讨论数据相契合的语言来实现。filter动词会挑选出满足条件的观测。如下所示：从上述结果看，许多男性没有在 RMS 泰坦尼克号沉没中幸存。这很有意思，稍后我们将在本教程中更严谨地探索这一点！
注意，您可以像读句子一样阅读
dplyr代码：取数据，然后（%>%）按“性别为男性”的条件进行过滤。上述代码并未修改原始数据框。filter(Sex = "male")是一个常见错误（Hugo 也犯过同样的错！）；这里有一份很棒的tidyverse 错误指南。从直观上看，女性似乎更有可能在泰坦尼克号灾难中幸存。
在探索数据时，您应尽可能提出并回答自己感兴趣的问题！现在，您可能想按
Fare从低到高来arrange()观测，看看能否发现一些趋势。可使用arrange()动词实现：许多付费较少的人没有幸存。仅通过重新排序数据，您就发现了一个有趣的现象！
您也可以按
Fare从高到低arrange：确实在高价一端有更多幸存者！
有时您可能需要创建新变量。您知道
Parch表示父母与子女的数量，SibSp表示兄弟姐妹与配偶的数量。您可以将它们相加得到新变量FamSize。这属于特征工程，而特征工程在机器学习中经常占很大比重！现在，要创建新变量，您可以将原变量
mutate()成新变量。注意，
mutate()既可用于创建新列，也可用于修改已有列，有点类似生物学意义上的“突变”。这并不完全贴切，但有助于理解这个动词的命名。有了这个额外变量，您可以继续发问，例如：“大家庭是否更不容易幸存？”
为检验该假设，如上所示将
Parch与SibSp相加创建新变量FamSize，然后按FamSize从高到低排序：排在最前的大家庭成员无一幸存！这可能具有启发性：也许大家庭更难及时从泰坦尼克号撤离。
不过，0 和 1 往往不够直观，不如将
Survived变量的数值变换为字符串No和Yes（并创建新数据框！）：绘制数据图表
使用
ggplot2作图时，您需要指定三件事：首先，绘制
Sex的条形图，看看泰坦尼克号上记录的男性与女性数量：从上图可以看出，RMS 泰坦尼克号上大约有 600 名男性和 300 名女性。
注意，
aes()函数用于将图形的美学属性映射到数据中的变量。更多内容参见 Chester Ismay 与 Albert Y. Kim 的Modern Dive。接下来是散点图。任一乘客的
Age是否与其支付的Fare有相关性？仅从这一个图中，您就获得了许多洞见！您会看到，许多支付更高票价的人年龄也更大。票价可能会随年龄增加……此外，图中上方有两个离群点，值得进一步调查！
您可以像读句子一样阅读
ggplot2代码，与上面的dplyr代码相同：“取 titanic 数据，将Age映射到 x 轴，将Fare映射到 y 轴，并添加点作为图层。”我们在前图的基础上，按
Sex给每个点着色，看看Sex、Age与Fare之间是否存在相关性：您会看到，底部付费较少的多为男性。图中上方还有一簇女性，她们年龄稍大，并且为登船支付了更高票价。
在一张图上可视化三个变量（两个数值变量
Age与Fare，以及一个分类型变量Sex）已经很酷了，但如果想把Survived也纳入其中，看看是否出现明显趋势呢？可以使用分面（faceting），它可以同时生成多个图：您会突然发现，前一个图中那些位于上方的许多女性都幸存了，而未幸存者大多支付的票价低于 50 单位。提示：试着自己查一查货币的单位！
现在我们重做按乘客
Sex的条形图，这次按Survived填充条形：可以看到，绝大多数男性未能幸存，而女性中有超过三分之二幸存！
汇总与分组数据
使用
summarise()动词求出平均票价：使用
summarise()动词求出票价中位数：您也可以结合使用
filter()与summarise()求出男性的平均票价：使用
filter()与summarise()求出女性的平均票价：使用
filter()与summarise()求出女性的平均票价以及女性幸存人数：使用
group_by()与summarise()求出按性别分组的平均票价与幸存人数：使用
group_by()与summarise()求出按性别分组的平均票价与幸存者比例：结语
在本教程中，您从零到一掌握了使用 tidyverse 和整洁工具进行数据分析的基础。您学习了如何用
dplyr和ggplot2对数据进行filter()、arrange()、mutate()、绘图与summarise()，并以符合您思考和表达方式的代码来完成。恭喜您。建议您继续学习 David Robinson 的 Introduction to Tidyverse 课程，并将这些工具应用到您感兴趣的其他数据集上。欢迎在推特上与我们分享您的分析：@DataCamp 和 @hugobowne。感谢阅读。