作者：黃天元，復旦大學博士在讀，目前研究涉及文本挖掘、社交網絡分析和機器學習等。希望與大家分享學習經驗，推廣並加深R語言在業界的應用。
郵箱：huang.tian-yuan@qq.com
前言
本章節介紹如何根據條件對表格進行過濾，主要使用filter函數進行實現。
首先加載需要的包和數據，我們會用到R語言自帶的mtcars數據集。首先我們把行的名稱轉化為一列數據，名為rownams。然後，把資料庫轉化為tibble格式，存在mtcars1變量中。
1library(tidyverse)
2
3mtcars %>%
4 rownames_to_column() %>%
5 as_tibble() -> mtcars1
6
7mtcars1
8## # A tibble: 32 x 12
9## rowname mpg cyl disp hp drat wt qsec vs am gear
10## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
11## 1 Mazda ~ 21 6 160 110 3.9 2.62 16.5 0 1 4
12## 2 Mazda ~ 21 6 160 110 3.9 2.88 17.0 0 1 4
13## 3 Datsun~ 22.8 4 108 93 3.85 2.32 18.6 1 1 4
14## 4 Hornet~ 21.4 6 258 110 3.08 3.22 19.4 1 0 3
15## 5 Hornet~ 18.7 8 360 175 3.15 3.44 17.0 0 0 3
16## 6 Valiant 18.1 6 225 105 2.76 3.46 20.2 1 0 3
17## 7 Duster~ 14.3 8 360 245 3.21 3.57 15.8 0 0 3
18## 8 Merc 2~ 24.4 4 147. 62 3.69 3.19 20 1 0 4
19## 9 Merc 2~ 22.8 4 141. 95 3.92 3.15 22.9 1 0 4
20## 10 Merc 2~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4
21## # ... with 22 more rows, and 1 more variable: carb <dbl>
實際工作中，經常會需要用到把一定條件的記錄調出來的情況。比如，如果我是超市的數據分析師，我需要查看單次消費超過500元的購物清單，就需要用到條件過濾。在我們的例子中，比如我們需要提取cyl為4的記錄（cyl代表汽車氣缸的數量），就可以這麼操作：
1mtcars1 %>%
2 filter(cyl == 4)
3## # A tibble: 11 x 12
4## rowname mpg cyl disp hp drat wt qsec vs am gear
5## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
6## 1 Datsun~ 22.8 4 108 93 3.85 2.32 18.6 1 1 4
7## 2 Merc 2~ 24.4 4 147. 62 3.69 3.19 20 1 0 4
8## 3 Merc 2~ 22.8 4 141. 95 3.92 3.15 22.9 1 0 4
9## 4 Fiat 1~ 32.4 4 78.7 66 4.08 2.2 19.5 1 1 4
10## 5 Honda ~ 30.4 4 75.7 52 4.93 1.62 18.5 1 1 4
11## 6 Toyota~ 33.9 4 71.1 65 4.22 1.84 19.9 1 1 4
12## 7 Toyota~ 21.5 4 120. 97 3.7 2.46 20.0 1 0 3
13## 8 Fiat X~ 27.3 4 79 66 4.08 1.94 18.9 1 1 4
14## 9 Porsch~ 26 4 120. 91 4.43 2.14 16.7 0 1 5
15## 10 Lotus ~ 30.4 4 95.1 113 3.77 1.51 16.9 1 1 5
16## 11 Volvo ~ 21.4 4 121 109 4.11 2.78 18.6 1 1 4
17## # ... with 1 more variable: carb <dbl>
結果中我們可以看到，氣缸數量為4的記錄都被我們調出來了。相關SQL代碼如下
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE (`cyl` = 4.0)
什麼是條件？很簡單，是或不是。比如上面的例子，如果cyl等於4，就符合條件，否則不符合條件。因此只要我們的語句能夠返回一個邏輯值（也就是計算機能夠讀懂的TURE或者FALSE），那麼就能夠構成一個條件。基本的條件操作符如下所示：
下面我們再舉一個實際例子，比如我們需要除了4個氣缸以外的數據，可以這麼寫:
1mtcars1 %>%
2 filter(cyl != 4)
3## # A tibble: 21 x 12
4## rowname mpg cyl disp hp drat wt qsec vs am gear
5## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
6## 1 Mazda ~ 21 6 160 110 3.9 2.62 16.5 0 1 4
7## 2 Mazda ~ 21 6 160 110 3.9 2.88 17.0 0 1 4
8## 3 Hornet~ 21.4 6 258 110 3.08 3.22 19.4 1 0 3
9## 4 Hornet~ 18.7 8 360 175 3.15 3.44 17.0 0 0 3
10## 5 Valiant 18.1 6 225 105 2.76 3.46 20.2 1 0 3
11## 6 Duster~ 14.3 8 360 245 3.21 3.57 15.8 0 0 3
12## 7 Merc 2~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4
13## 8 Merc 2~ 17.8 6 168. 123 3.92 3.44 18.9 1 0 4
14## 9 Merc 4~ 16.4 8 276. 180 3.07 4.07 17.4 0 0 3
15## 10 Merc 4~ 17.3 8 276. 180 3.07 3.73 17.6 0 0 3
16## # ... with 11 more rows, and 1 more variable: carb <dbl>
SQL代碼如下：
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE (`cyl` != 4.0)
現實生產或商務活動中，總會有一些數據採集不到，這時候就會出現缺失值。作分析的時候，如果有缺失值，就無法進行正確計算，比如計算均值的時候，就不容許數據中包含缺失值。如何去除掉缺失值呢？這裡我們可以使用drop_na函數。
下面我們先構造一個3*2的數據框，並在裡面設置缺失值。例子如下：
1df <- tibble(x = c(1, 2, NA), y = c("a", NA, "b"))
2df #原始數據框
3## # A tibble: 3 x 2
4## x y
5## <dbl> <chr>
6## 1 1 a
7## 2 2 <NA>
8## 3 NA b
9df %>% drop_na() #去掉含有缺失值的行
10## # A tibble: 1 x 2
11## x y
12## <dbl> <chr>
13## 1 1 a
14df %>% drop_na(x) #去掉x列含有缺失值的行
15## # A tibble: 2 x 2
16## x y
17## <dbl> <chr>
18## 1 1 a
19## 2 2 <NA>
我們可以看到，使用drop_na函數，我們可以輕鬆地去掉包含缺失值的行，而且還可以指定去除某列中含有缺失值的行。那麼，我們怎麼找到這些具有缺失值的行呢？非常簡單，利用is.na函數即可，例子如下：
1df %>%
2 filter(is.na(x))
3## # A tibble: 1 x 2
4## x y
5## <dbl> <chr>
6## 1 NA b
SQL代碼如下：
1<SQL> SELECT *
2FROM `df`
3WHERE (((`x`) IS NULL))
如果只有一個條件，也許非常簡單。但是條件很多的時候，我們就需要使用邏輯操作符來把條件組合起來，一起進行過濾。經典的邏輯操作符包括&（與）、|（或）、!（非），有的程式語言會用英語AND/OR/NOT來表示這些邏輯關係，但是在邏輯層面上表達是一致的。下面通過一個例子來說明這些邏輯關係：
&：如果顧客最近一周買了東西且（&）買的東西超過100元，那麼我們把這些顧客的交易記錄調出來；
|：如果顧客最近一周買了東西或者（|）購買東西的頻率維持在一周一次，那麼我們把這些顧客的交易記錄調出來；
!：我們只考慮女性客戶，因此男性客戶都剔除（!）掉。
我們想要篩選氣缸（cyl）為4，而且馬力（hp）大於100的汽車。
1mtcars1 %>%
2 filter(cyl == 4 & hp > 100)
3## # A tibble: 2 x 12
4## rowna~ mpg cyl disp hp drat wt qsec vs am gear carb
5## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
6## 1 Lotus~ 30.4 4 95.1 113 3.77 1.51 16.9 1 1 5 2
7## 2 Volvo~ 21.4 4 121 109 4.11 2.78 18.6 1 1 4 2
8#等價於
9mtcars1 %>%
10 filter(cyl == 4,hp > 100)
11## # A tibble: 2 x 12
12## rowna~ mpg cyl disp hp drat wt qsec vs am gear carb
13## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
14## 1 Lotus~ 30.4 4 95.1 113 3.77 1.51 16.9 1 1 5 2
15## 2 Volvo~ 21.4 4 121 109 4.11 2.78 18.6 1 1 4 2
SQL代碼如下：
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE ((`cyl` = 4.0) AND (`hp` > 100.0))
我們想要篩選氣缸（cyl）為4，或者馬力（hp）大於100的汽車。
1mtcars1 %>%
2 filter(cyl == 4 | hp > 100)
3## # A tibble: 32 x 12
4## rowname mpg cyl disp hp drat wt qsec vs am gear
5## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
6## 1 Mazda ~ 21 6 160 110 3.9 2.62 16.5 0 1 4
7## 2 Mazda ~ 21 6 160 110 3.9 2.88 17.0 0 1 4
8## 3 Datsun~ 22.8 4 108 93 3.85 2.32 18.6 1 1 4
9## 4 Hornet~ 21.4 6 258 110 3.08 3.22 19.4 1 0 3
10## 5 Hornet~ 18.7 8 360 175 3.15 3.44 17.0 0 0 3
11## 6 Valiant 18.1 6 225 105 2.76 3.46 20.2 1 0 3
12## 7 Duster~ 14.3 8 360 245 3.21 3.57 15.8 0 0 3
13## 8 Merc 2~ 24.4 4 147. 62 3.69 3.19 20 1 0 4
14## 9 Merc 2~ 22.8 4 141. 95 3.92 3.15 22.9 1 0 4
15## 10 Merc 2~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4
16## # ... with 22 more rows, and 1 more variable: carb <dbl>
SQL代碼如下：
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE (`cyl` = 4.0 OR `hp` > 100.0)
1mtcars1 %>%
2 filter(!cyl == 4)
3## # A tibble: 21 x 12
4## rowname mpg cyl disp hp drat wt qsec vs am gear
5## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
6## 1 Mazda ~ 21 6 160 110 3.9 2.62 16.5 0 1 4
7## 2 Mazda ~ 21 6 160 110 3.9 2.88 17.0 0 1 4
8## 3 Hornet~ 21.4 6 258 110 3.08 3.22 19.4 1 0 3
9## 4 Hornet~ 18.7 8 360 175 3.15 3.44 17.0 0 0 3
10## 5 Valiant 18.1 6 225 105 2.76 3.46 20.2 1 0 3
11## 6 Duster~ 14.3 8 360 245 3.21 3.57 15.8 0 0 3
12## 7 Merc 2~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4
13## 8 Merc 2~ 17.8 6 168. 123 3.92 3.44 18.9 1 0 4
14## 9 Merc 4~ 16.4 8 276. 180 3.07 4.07 17.4 0 0 3
15## 10 Merc 4~ 17.3 8 276. 180 3.07 3.73 17.6 0 0 3
16## # ... with 11 more rows, and 1 more variable: carb <dbl>
17#等價於
18mtcars1 %>%
19 filter(cyl != 4)
20## # A tibble: 21 x 12
21## rowname mpg cyl disp hp drat wt qsec vs am gear
22## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
23## 1 Mazda ~ 21 6 160 110 3.9 2.62 16.5 0 1 4
24## 2 Mazda ~ 21 6 160 110 3.9 2.88 17.0 0 1 4
25## 3 Hornet~ 21.4 6 258 110 3.08 3.22 19.4 1 0 3
26## 4 Hornet~ 18.7 8 360 175 3.15 3.44 17.0 0 0 3
27## 5 Valiant 18.1 6 225 105 2.76 3.46 20.2 1 0 3
28## 6 Duster~ 14.3 8 360 245 3.21 3.57 15.8 0 0 3
29## 7 Merc 2~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4
30## 8 Merc 2~ 17.8 6 168. 123 3.92 3.44 18.9 1 0 4
31## 9 Merc 4~ 16.4 8 276. 180 3.07 4.07 17.4 0 0 3
32## 10 Merc 4~ 17.3 8 276. 180 3.07 3.73 17.6 0 0 3
33## # ... with 11 more rows, and 1 more variable: carb <dbl>
SQL代碼如下：
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE (NOT(`cyl` = 4.0))
數據表中的數據不都是數值型的，有的是字符串格式存在的文本。在我們的例子中，比如我們想了解Merc這個型號的車，那麼我們就要從rowname列中個提取包含「Merc」的行。
R語言tidyverse包中，包含了stringr包，可以對字符串進行識別、替換、提取等高級操作。如果我們要根據字符串進行過濾，就需要用到str_detect函數，例子如下：
1#提取rowname中包含「Merc」的記錄
2
3mtcars1 %>%
4 filter(str_detect(rowname,pattern = "Merc"))
5## # A tibble: 7 x 12
6## rowna~ mpg cyl disp hp drat wt qsec vs am gear carb
7## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
8## 1 Merc ~ 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
9## 2 Merc ~ 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
10## 3 Merc ~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4
11## 4 Merc ~ 17.8 6 168. 123 3.92 3.44 18.9 1 0 4 4
12## 5 Merc ~ 16.4 8 276. 180 3.07 4.07 17.4 0 0 3 3
13## 6 Merc ~ 17.3 8 276. 180 3.07 3.73 17.6 0 0 3 3
14## 7 Merc ~ 15.2 8 276. 180 3.07 3.78 18 0 0 3 3
SQL代碼為：
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE (INSTR(
我們看到pattern參數中，我們賦予了「Merc」模式。事實上，pattern可以接受正則表達式的內容，比如我們要搜索以M開頭的車型，那麼就可以把pattern改為「^M」：
1mtcars1 %>%
2 filter(str_detect(rowname,pattern = "^M"))
3## # A tibble: 10 x 12
4## rowname mpg cyl disp hp drat wt qsec vs am gear
5## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
6## 1 Mazda ~ 21 6 160 110 3.9 2.62 16.5 0 1 4
7## 2 Mazda ~ 21 6 160 110 3.9 2.88 17.0 0 1 4
8## 3 Merc 2~ 24.4 4 147. 62 3.69 3.19 20 1 0 4
9## 4 Merc 2~ 22.8 4 141. 95 3.92 3.15 22.9 1 0 4
10## 5 Merc 2~ 19.2 6 168. 123 3.92 3.44 18.3 1 0 4
11## 6 Merc 2~ 17.8 6 168. 123 3.92 3.44 18.9 1 0 4
12## 7 Merc 4~ 16.4 8 276. 180 3.07 4.07 17.4 0 0 3
13## 8 Merc 4~ 17.3 8 276. 180 3.07 3.73 17.6 0 0 3
14## 9 Merc 4~ 15.2 8 276. 180 3.07 3.78 18 0 0 3
15## 10 Masera~ 15 8 301 335 3.54 3.57 14.6 0 1 5
16## # ... with 1 more variable: carb <dbl>
SQL代碼為：
1<SQL> SELECT *
2FROM `mtcars1`
3WHERE (INSTR(
正則表達式是一個很有用的工具，如果能夠寫出高效的正則表達式，就能夠對字符串進行更加高級的篩選。不過正則表達式超出了本系列的範圍，因此不進行更多的介紹。
本章介紹了如何用filter函數完成過濾，我們了解了如何通過構造條件來對數據表的記錄進行篩選。此外，我們能夠去掉表格中含有缺失值的數據，還能把這些缺失的記錄單獨提取出來。最後，我們學會了如何通過構造組合過濾來進行複雜的表格數據篩選，並知道如何利用str_detect函數對文本格式的數據進行篩選。
往期精彩：
公眾號後臺回復關鍵字即可學習
回復 爬蟲 爬蟲三大案例實戰
回復 Python 1小時破冰入門
回復 數據挖掘 R語言入門及數據挖掘
回復 人工智慧 三個月入門人工智慧
回復 數據分析師 數據分析師成長之路
回復 機器學習 機器學習的商業應用
回復 數據科學 數據科學實戰
回復 常用算法 常用數據挖掘算法