点击上方“早起Python”，关注并星标公众号

和我一起玩Python

本文为玩转数据处理120题｜R语言版本
习题｜刘早起，解答｜陈熹

大家好，本文为R语言数据处理120题系列完整版本。作者精心挑选120道数据处理中相关操作以习题形式发布，一共涵盖了数据处理、计算、可视化等常用操作，并对部分题目给出了多种解法与注解。动手敲一遍代码一定会让你有所收获！

1

创建DataFrame

题目：将下面的字典创建为DataFrame

data = {"grammer":["Python","C","Java","GO",np.nan,"SQL","PHP","Python"],"score":[1,2,np.nan,4,5,6,7,10]}

难度：⭐

期望结果

R语言解法

# R中没有字典概念，故直接创建dataframe/tibble
#> 第一种
df <- data.frame("grammer" = c("Python","C","Java","GO",NA,"SQL","PHP","Python"),"score" = c(1,2,NA,4,5,6,7,10)
)
#> 第二种
library(tibble)
df <- tibble("grammer" = c("Python","C","Java","GO",NA,"SQL","PHP","Python"),"score" = c(1,2,NA,4,5,6,7,10)
)
# 也可以用tribble横向建tibble

注：1-20题均基于该数据框给出

2

数据提取

题目：提取含有字符串"Python"的行

难度：⭐⭐

期望结果

grammer  score
0 Python    1.0
7 Python   10.0

R语言解法

df[which(df$grammer == 'Python'),]

3

提取列名

题目：输出df的所有列名

难度：⭐

期望结果

Index(['grammer', 'score'], dtype='object')

R语言解法

names(df)
# [1] "grammer" "score"

4

修改列名

题目：修改第二列列名为'popularity'

难度：⭐⭐

R语言解法

df <- df %>%rename(popularity = score)

5

字符统计

题目：统计grammer列中每种编程语言出现的次数

难度：⭐⭐

R语言解法

# 神方法table
table(df$grammer)

6

缺失值处理

题目：将空值用上下值的平均值填充

难度：⭐⭐⭐

上下两数的均值
df['popularity'] = df['popularity'].fillna(df['popularity'].interpolate())

R语言解法

library(Hmisc)
index <- which(is.na(df$popularity))
df$popularity <- impute(df$popularity,(unlist(df[index-1, 2] +df[index+1, 2]))/2)

7

数据提取

题目：提取popularity列中值大于3的行

难度：⭐⭐

R语言解法

df %>%filter(popularity > 3)
# 等价于
df[df$popularity > 3,] # 这种方法跟pandas很相似

8

数据去重

题目：按照grammer列进行去重

难度：⭐⭐

R语言解法

df[!duplicated(df$grammer),]

9

数据计算

题目：计算popularity列平均值

难度：⭐⭐

R语言解法

#> 第一种
mean(df$popularity)
# [1] 4.75#> 第二种
df %>%summarise(mean = mean(popularity))
## A tibble: 1 x 1
# mean
# <dbl>
# 1 4.75

10

格式转换

题目：将grammer列转换为list

难度：⭐⭐

R解法

unlist(df$grammer)
# [1] "Python" "C" "Java" "GO" NA "SQL" "PHP" "Python"

11

数据保存

题目：将DataFrame保存为EXCEL

难度：⭐⭐

R解法

#R对EXCEL文件不太友好
#第一种方法：利用readr包转为csv再用EXCEL打开
#文件本质依然是csv
library(readr)
write_excel_csv(df,'filename.csv')#第二种方法：利用openxlsx包
openxlsx::write.xlsx(df,'filename.xlsx')#也可以用xlsx包，但需要先配置JAVA环境
#确保JAVA配置到环境变量中并命名为JAVA_HOME
Sys.getenv("JAVA_HOME")
install.packages('rJava')
install.packages("xlsxjars")
library(rJava)
library(xlsxjars)
xlsx::write.xlsx(df,'filename.xlsx')

12

数据查看

题目：查看数据行列数

难度：⭐

R解法

dim(df)
# [1] 8 2

13

数据提取

题目：提取popularity列值大于3小于7的行

难度：⭐⭐

R解法

library(dplyr)
df %>%filter(popularity > 3 & popularity <7)
# 等价于
df[(df$popularity > 3) & (df$popularity <7),]

14

位置处理

题目：交换两列位置

难度：⭐⭐⭐

R解法

df <- df %>%select(popularity,everything())

15

数据提取

题目：提取popularity列最大值所在行

难度：⭐⭐

R解法

df %>%filter(popularity == max(popularity))
# 同理也有类似pandas的方法
df[df$popularity == max(df$popularity),]

16

数据查看

题目：查看最后5行数据

难度：⭐

R解法

# R中head和tail默认是6行，可以指定数字
tail(df,5)

17

数据修改

题目：删除最后一行数据

难度：⭐

R解法

df[-dim(df)[1],]
# 等价于
df %>%filter(rownames(df) != max(rownames(df)))

18

数据修改

题目：添加一行数据['Perl',6.6]

难度：⭐⭐

R解法

row <- c(6.6,'Perl') # 需要和列的位置对应
# 或者建数据框
row <- data.frame("grammer" = c("Perl"),"popularity" = c(6.6)
)df <- rbind(df,row)

19

数据整理

题目：对数据按照"popularity"列值的大小进行排序

难度：⭐⭐

R解法

df <- df %>%arrange(popularity)

20

字符统计

题目：统计grammer列每个字符串的长度

难度：⭐⭐⭐

R解法

library(Hmisc)
library(stringr)
df$grammer <- impute(df$grammer,'R')
str_length(df$grammer)df$len_str <- str_length(df$grammer)

第二期：数据处理基础

21

数据读取

题目：读取本地EXCEL数据

难度：⭐

R解法

#R语言处理excel不友好，直接读取日期时间数据会变成实数
#openxlsx::read.xlsx中的detectDates参数只能识别纯日期
#as.Data转换该列后时间数据丢失，只有日期
#故先把excel文件转存为csv后用readr包读取
# 该方法不理想
library(openxlsx)
df <- read.xlsx('pandas120.xlsx',detectDates = T)
df$createTime <- as.Date(df$createTime,origin="1900-01-01")
# 转存csv后再读
library(readr)
df <- read_csv('pandas120.csv')

21—50部分习题与该数据相关

22

数据查看

题目：查看df数据前5行

难度：⭐

期望输出

R解法

# 默认是6行，可指定行数
head(df,5)

23

数据计算

题目：将salary列数据转换为最大值与最小值的平均值

难度：⭐⭐⭐⭐

期望输出

R解法

library(stringr)
df$salary <- df$salary %>%str_replace_all('k','') %>%str_split('-',simplify = T) %>%apply(2,as.numeric) %>%rowMeans() * 1000

24

数据分组

题目：将数据根据学历进行分组并计算平均薪资

难度：⭐⭐⭐

期望输出

education salary
不限 19600.000000
大专 10000.000000
本科 19361.344538
硕士 20642.857143

R解法

df %>%group_by(education) %>%summarise(mean = mean(salary))

25

时间转换

题目：将createTime列时间转换为月-日

难度：⭐⭐⭐

期望输出

R解法

#转化后该列属性是 字符串，R中对时间格式要求严格
df$createTime <- as.Date(df$createTime) %>%str_replace('2020-','')

26

数据查看

题目：查看索引、数据类型和内存信息

难度：⭐

期望输出

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 135 entries, 0 to 134
Data columns (total 4 columns):
createTime 135 non-null object
education 135 non-null object
salary 135 non-null int64
categories 135 non-null category
dtypes: category(1), int64(1), object(2)
memory usage: 3.5+ KB

R解法

str(df)# 内存查看需要用到其他的库
library(pryr)
object_size(df)
# 6.66 kB

27

数据查看

题目：查看数值型列的汇总统计

难度：⭐

R解法

summary(df)

28

数据整理

题目：新增一列根据salary将数据分为三组

难度：⭐⭐⭐⭐

输入

期望输出

R解法

#用ifelse也可以
#底层原理有差别但实现结果一样
df <- df %>%mutate(categories = case_when(salary >= 0 & salary < 5000 ~ '低',salary >= 5000 & salary < 20000 ~ '低',TRUE ~ '高'))

29

数据整理

题目：按照salary列对数据降序排列

难度：⭐⭐

R解法

df %>%arrange(desc(salary))

30

数据提取

题目：取出第33行数据

难度：⭐⭐

R解法

df[33,]

31

数据计算

题目：计算salary列的中位数

难度：⭐⭐

R解法

median(df$salary)
# [1] 17500

32

数据可视化

题目：绘制薪资水平频率分布直方图

难度：⭐⭐⭐

期望输出

R解法

library(ggplot2)
library(patchwork)df %>%ggplot(aes(salary)) +geom_histogram() +df %>%ggplot(aes(salary)) +geom_histogram(bins = 10) # 这个跟python的bins一致

33

数据可视化

题目：绘制薪资水平密度曲线

难度：⭐⭐⭐

期望输出

R解法

df %>%ggplot(aes(salary)) +geom_density() +xlim(c(0,70000))

34

数据删除

题目：删除最后一列categories

难度：⭐

R解法

df <- df[,-4]
# 提高可读性可采用如下代码
df <- df %>%select(-c('categories'))

35

数据处理

题目：将df的第一列与第二列合并为新的一列

难度：⭐⭐

R解法

df <- df %>%mutate(test = paste0(df$education,df$createTime))

36

数据处理

题目：将education列与salary列合并为新的一列

难度：⭐⭐⭐

备注：salary为int类型，操作与35题有所不同

R解法

df <- df %>%mutate(test1 =paste0(df$salary,df$education))

37

数据计算

题目：计算salary最大值与最小值之差

难度：⭐⭐⭐

R解法

df %>%summarise(delta = max(salary) - min(salary)) %>%unlist()
# delta
# 41500

38

数据处理

题目：将第一行与最后一行拼接

难度：⭐⭐

R解法

rbind(df[1,],df[dim(df)[1],])

39

数据处理

题目：将第8行数据添加至末尾

难度：⭐⭐

R解法

rbind(df,df[8,])

40

数据查看

题目：查看每列的数据类型

难度：⭐

期望结果

createTime object
education object
salary int64
test object
test1 object
dtype: object

R解法

str(df)
# tibble [135 x 5] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
# $ createTime: chr [1:135] "03-16" "03-16" "03-16" "03-16" ...
# $ education : chr [1:135] "本科" "本科" "不限" "本科" ...
# $ salary : num [1:135] 27500 30000 27500 16500 15000 14000 23000 12500 7000 16000 ...
# $ test : chr [1:135] "本科03-16" "本科03-16" "不限03-16" "本科03-16" ...
# $ test1 : chr [1:135] "27500本科" "30000本科" "27500不限" "16500本科" ...

41

数据处理

题目：将createTime列设置为索引

难度：⭐⭐

R解法

df %>%tibble::column_to_rownames('createTime')

42

数据创建

题目：生成一个和df长度相同的随机数dataframe

难度：⭐⭐

R解法

df1 <- sapply(135,function(n) {replicate(n,sample(1:10,1))
})
# 列名暂时不一样，下一题重命名

43

数据处理

题目：将上一题生成的dataframe与df合并

难度：⭐⭐

R解法

df <- cbind(df,df1) %>%rename(`0` = df1)
# 非常规命名需要用``包裹变量名

44

数据计算

题目：生成新的一列new为salary列减去之前生成随机数列

难度：⭐⭐

R解法

df <- df %>%mutate(new = salary - `0`)

45

缺失值处理

题目：检查数据中是否含有任何缺失值

难度：⭐⭐⭐

R解法

# 这个包的结果呈现非常有趣
library(mice)
md.pattern(df)

46

数据转换

题目：将salary列类型转换为浮点数

难度：⭐⭐⭐

R解法

as.double(df2$salary)

47

数据计算

题目：计算salary大于10000的次数

难度：⭐⭐

R解法

df %>%filter(salary > 10000) %>%dim(.) %>%.[1]

48

数据统计

题目：查看每种学历出现的次数

难度：⭐⭐⭐

期望输出

本科 119
硕士 7
不限 5
大专 4
Name: education, dtype: int64

R解法

table(df$education)

49

数据查看

题目：查看education列共有几种学历

难度：⭐⭐

R解法

length(unique(df$education))
# [1] 4

50

数据提取

题目：提取salary与new列的和大于60000的最后3行

难度：⭐⭐⭐⭐

期望输出

R解法

df[df$salary + df$new > 60000,] %>%.[nrow(.)-3+1:nrow(.),] %>%na.omit(.)

51

数据读取

题目：使用绝对路径读取本地Excel数据

难度：⭐

R解法

# 转存csv后再读
library(readr)
df <- read_csv('C:/Users/chenx/Documents/Data Analysis/Pandas51-80.csv')

备注

请将答案中路径替换为自己机器存储数据的绝对路径，51—80相关习题与该数据有关

52

数据查看

题目：查看数据前三行

难度：⭐

期望结果

R解法

head(df,3)

53

缺失值处理

题目：查看每列数据缺失值情况

难度：⭐⭐

期望结果

代码 1
简称 2
日期 2
前收盘价(元) 2
开盘价(元) 2
最高价(元) 2
最低价(元) 2
收盘价(元) 2
成交量(股) 2
成交金额(元) 2
.................

R解法

colSums(is.na(df))

54

缺失值处理

题目：提取日期列含有空值的行

难度：⭐⭐

期望结果

R解法

df[is.na(df$日期),]

55

缺失值处理

题目：输出每列缺失值具体行数

难度：⭐⭐⭐

期望结果

列名："代码", 第[327]行位置有缺失值
列名："简称", 第[327, 328]行位置有缺失值
列名："日期", 第[327, 328]行位置有缺失值
列名："前收盘价(元)", 第[327, 328]行位置有缺失值
列名："开盘价(元)", 第[327, 328]行位置有缺失值
列名："最高价(元)", 第[327, 328]行位置有缺失值
列名："最低价(元)", 第[327, 328]行位置有缺失值
列名："收盘价(元)", 第[327, 328]行位置有缺失值
................

R解法

library(glue)for (i in names(df)){if(sum(is.na(df[,'日期'])) != 0){res1 <- which(is.na(df[,i]))res2 <- paste(res1,collapse = ',')print(glue('列名："{i}", 第[{res2}]行有缺失值'))}
}

56

缺失值处理

题目：删除所有存在缺失值的行

难度：⭐⭐

Python解法

df.dropna(axis=0, how='any', inplace=True)

备注

axis：0-行操作（默认），1-列操作
how：any-只要有空值就删除（默认），all-全部为空值才删除
inplace：False-返回新的数据集（默认），True-在原数据集上操作

57

数据可视化

题目：绘制收盘价的折线图

难度：⭐⭐

期望结果

R解法

library(ggplot2)df %>%ggplot(aes(日期,`收盘价(元)`)) +geom_line()

58

数据可视化

题目：同时绘制开盘价与收盘价

难度：⭐⭐⭐

期望结果

R解法

df %>%ggplot() +geom_line(aes(日期,`收盘价(元)`), size=1.2, color='steelblue') +geom_line(aes(日期,`开盘价(元)`), size=1.2, color='orange') +ylab(c('价格(元)'))
# 这种画出来没有图例，当然可以手动添加，但为了映射方便可以用另一种方法library(tidyr)df %>%select(日期,`开盘价(元)`,`收盘价(元)`) %>%pivot_longer(c(`开盘价(元)`,`收盘价(元)`),names_to='type',values_to='price') %>%ggplot(aes(日期,price,color=type)) +geom_line(size=1.2) +scale_color_manual(values=c('steelblue','orange')) +theme_bw() +theme(panel.grid.major = element_blank(),panel.grid.minor = element_blank(),legend.title = element_blank(),legend.position = c(0.86, 0.9))

59

数据可视化

题目：绘制涨跌幅的直方图

难度：⭐⭐

期望结果

R解法

df %>%ggplot(aes(`涨跌幅(%)`)) +geom_histogram()
# 可以指定bins

60

数据可视化

题目：让直方图更细致

难度：⭐⭐

期望结果

R解法

df %>%ggplot(aes(`涨跌幅(%)`)) +geom_histogram(bins=30)

61

数据创建

题目：以data的列名创建一个dataframe

难度：⭐⭐

R解法

temp <- as_tibble(names(df))

62

异常值处理

题目：打印所有换手率不是数字的行

难度：⭐⭐⭐

期望结果

R解法

#换手率这一列属性为chr，需要先强转数值型
#如果转换失败会变成NA，判断即可
df[is.na(as.numeric(df$`换手率(%)`)),]

63

异常值处理

题目：打印所有换手率为--的行

难度：⭐⭐⭐

R解法

df %>%filter(`换手率(%)` == '--')

备注

通过上一题我们发现换手率的异常值只有--

64

数据处理

题目：重置data的行号

难度：⭐

R解法

rownames(df) <- NULL# 如果是tibble则索引始终是按顺序

备注

有时我们修改数据会导致索引混乱

65

异常值处理

题目：删除所有换手率为非数字的行

难度：⭐⭐⭐

R解法

df[!is.na(as.numeric(df$`换手率(%)`)),]
# 或者根据前几题的经验，非数字就是'--'
df <- df %>%filter(`换手率(%)` != '--')

66

数据可视化

题目：绘制换手率的密度曲线

难度：⭐⭐⭐

期望结果

R解法

df$`换手率(%)` <- as.double(df$`换手率(%)`)
ggplot(df) +geom_density(aes(`换手率(%)`))

67

数据计算

题目：计算前一天与后一天收盘价的差值

难度：⭐⭐

R解法

df %>%summarise(delta = `收盘价(元)` - lag(`收盘价(元)`))

68

数据计算

题目：计算前一天与后一天收盘价变化率

难度：⭐⭐

R解法

df %>%summarise(pct_change = (`收盘价(元)` - lag(`收盘价(元)`))/lag(`收盘价(元)`))

69

数据处理

题目：设置日期为索引

难度：⭐

R解法

df %>%column_to_rownames(var='日期')

70

指标计算

题目：以5个数据作为一个数据滑动窗口，在这个5个数据上取均值(收盘价)

难度：⭐⭐⭐

R解法

library(RcppRoll)
df %>%transmute(avg_5 = roll_mean(`收盘价(元)`,n = 5,align="right",fill = NA))

71

指标计算

题目：以5个数据作为一个数据滑动窗口，计算这五个数据总和(收盘价)

难度：⭐⭐⭐

R解法

df %>%transmute(sum_5 = roll_sum(`收盘价(元)`,n = 5,align="right",fill = NA))

72

数据可视化

题目：将收盘价5日均线、20日均线与原始数据绘制在同一个图上

难度：⭐⭐⭐

期望结果

R解法

df %>%mutate(avg_5 = roll_mean(`收盘价(元)`,n = 5,align="right",fill = NA),avg_20 = roll_mean(`收盘价(元)`,n = 20,align="right",fill = NA)) %>%ggplot() +geom_line(aes(日期,`收盘价(元)`),color = 'steelblue',size = 1.2) +geom_line(aes(日期,avg_5),color = 'orange',size = 1.2) +geom_line(aes(日期,avg_20),color = 'green',size = 1.2)

73

数据重采样

题目：按周为采样规则，取一周收盘价最大值

  难度：⭐⭐⭐

R解法

library(plyr)res <- dlply(df,.(cut(日期,"1 week")),"[")
res_max <- sapply(res,function(n)max(n$`收盘价(元)`),simplify=TRUE)
as.data.frame(res_max)

74

数据可视化

题目：绘制重采样数据与原始数据

  难度：⭐⭐⭐

  期望结果

R解法

res %>%rownames_to_column('date')
res$date <- as.Date(res$date)ggplot(df) +geom_line(aes(日期,`收盘价(元)`),color = 'steelblue',size = 1.2) +geom_line(data = res, aes(date,res_max),color = 'orange',size = 1.2)

75

数据处理

题目：将数据往后移动5天

难度：⭐⭐

R解法

lag(df,5)

76

数据处理

题目：将数据向前移动5天

难度：⭐⭐

R解法

lead(df,5)

77

数据计算

题目：使用expending函数计算开盘价的移动窗口均值

难度：⭐⭐

R解法

#R中没有expanding完全一致的函数
#考虑到expanding实际功能就是累积均值
#可以用cummean
#但cummean的功能和我预想的不同
#可能是包之间相互干扰
#最后采用cumsum/1:n的形式完成本题res <- df %>%transmute(cummean = cumsum(`开盘价(元)`)/1:dim(df)[1])

78

数据可视化

题目：绘制上一题的移动均值与原始数据折线图

难度：⭐⭐⭐

期望结果

R解法

library(tidyr)
df %>%cbind(res) %>%dplyr::rename(Opening_Price = `开盘价(元)`,Expanding_Open_Mean = cummean) %>%select(日期,Opening_Price,Expanding_Open_Mean) %>%pivot_longer(c(Opening_Price,Expanding_Open_Mean),names_to = 'type',values_to ='price') %>%ggplot(aes(日期,price,color = type)) +geom_line(size=1.2) +scale_color_manual(values=c('orange','steelblue')) +theme_bw() +theme(panel.grid.major = element_blank(),panel.grid.minor = element_blank(),legend.title = element_blank(),legend.position = c(0.9, 0.9))

79

数据计算

题目：计算布林指标

难度：⭐⭐⭐⭐

R解法

df <- df %>%mutate(avg_20 = roll_mean(`收盘价(元)`,n = 20,align="right",fill = NA),upper_bound = avg_20 + 2 * roll_sd(`收盘价(元)`,n = 20,align="right",fill = NA),lower_bound = avg_20 - 2 * roll_sd(`收盘价(元)`,n = 20,align="right",fill = NA))

80

数据可视化

题目：计算布林线并绘制

难度：⭐⭐⭐

期望结果

R解法

df %>%dplyr::rename(former_30_days_rolling_Close_mean = avg_20,Closing_Price = `收盘价(元)`) %>%select(日期,Closing_Price,former_30_days_rolling_Close_mean,upper_bound,lower_bound) %>%pivot_longer(c(Closing_Price,former_30_days_rolling_Close_mean,upper_bound,lower_bound),names_to = 'type',values_to ='price') %>%ggplot(aes(日期,price,color = type)) +geom_line(size=1.2) +scale_color_manual(values=c('steelblue','orange','red','green')) +theme_bw() +theme(panel.grid.major = element_blank(),panel.grid.minor = element_blank(),legend.title = element_blank(),legend.position = c(0.6, 0.2))

81

数据查看

题目：导入并查看pandas与numpy版本

难度：⭐

R语言解法

packageVersion("tidyverse")
# [1] ‘1.3.0’
packageVersion("dplyr")
# [1] ‘0.8.99.9002’

82

数据创建

题目：从NumPy数组创建DataFrame

难度：⭐

备注

使用numpy生成20个0-100随机数

R语言解法

df1 <- sapply(20,function(n) {replicate(n,sample(1:100,1))
}) %>%as.data.frame(.) %>%dplyr::rename(`0` = V1)

83

数据创建

题目：从NumPy数组创建DataFrame

难度：⭐

备注

使用numpy生成20个0-100固定步长的数

R语言解法

df2 <- as.data.frame(seq(0,99,5)) %>%dplyr::rename(`0` = "seq(0, 99, 5)")

84

数据创建

题目：从NumPy数组创建DataFrame

难度：⭐

备注

使用numpy生成20个指定分布(如标准正态分布)的数

R语言解法

df3 <- as.data.frame(rnorm(20,0,1)) %>%dplyr::rename(`0` = "rnorm(20, 0, 1)")

85

数据创建

题目：将df1，df2，df3按照行合并为新DataFrame

难度：⭐⭐

R语言解法

df <- rbind(df1,df2,df3)

86

数据创建

题目：将df1，df2，df3按照列合并为新DataFrame

难度：⭐⭐

期望结果

0 1 2
0 95 0 0.022492
1 22 5 -1.209494
2 3 10 0.876127
3 21 15 -0.162149
4 51 20 -0.815424
5 30 25 -0.303792
...............

R语言解法

df <- cbind(df1,df2,df3)
names(df) <- c(0,1,2)

87

数据查看

题目：查看df所有数据的最小值、25%分位数、中位数、75%分位数、最大值

难度：⭐⭐

R语言解法

summary(unlist(df))

88

数据修改

题目：修改列名为col1,col2,col3

难度：⭐

R语言解法

df <- df %>%dplyr::rename(col1 = 1,col2 = 2,col3 = 3)
# 或者用类似pandas的方法
names(df) <- c('col1','col2','col3')

89

数据提取

题目：提取第一列中不在第二列出现的数字

难度：⭐⭐⭐

R语言解法

df[!(df$col1 %in% df$col2),1]

90

数据提取

题目：提取第一列和第二列出现频率最高的三个数字

难度：⭐⭐⭐

R语言解法

count(unlist(c(df$col1,df$col2))) %>%arrange(desc(freq)) %>%filter(row_number() <= 3)

91

数据提取

题目：提取第一列中可以整除5的数字位置

难度：⭐⭐⭐

R语言解法

which(df['col1'] %% 5==0)

92

数据计算

题目：计算第一列数字前一个与后一个的差值

难度：⭐⭐

R语言解法

df %>%summarise(col1 - lag(col1)) %>%na.omit(.) # 不去NA也可以，pandas没有去除

93

数据处理

题目：将col1,col2,clo3三列顺序颠倒

难度：⭐⭐

R语言解法

df %>%select(col3,col2,everything())

94

数据提取

题目：提取第一列位置在1,10,15的数字

难度：⭐⭐

R语言解法

df[c(1,10,15) + 1,1]

95

数据查找

题目：查找第一列的局部最大值位置

难度：⭐⭐⭐⭐

备注

即比它前一个与后一个数字的都大的数字

R语言解法

res1 <- which((df$col1 - lag(df$col1) > 0))
res2 <- which((df$col1 - lead(df$col1) > 0))intersect(res1,res2)
# [1] 3 5 7 12 14 17 19# 另一种方法，类似pandas的用符号判断res <- sign(df$col1 - lag(df$col1))which(res - lag(res) == -2) - 1
# # [1] 3 5 7 12 14 17 19

96

数据计算

题目：按行计算df的每一行均值

难度：⭐⭐

R语言解法

rowMeans(df)

97

数据计算

题目：对第二列计算移动平均值

难度：⭐⭐⭐

备注

每次移动三个位置，不可以使用自定义函数

R语言解法

library(RcppRoll)df %>%summarise(avg_3 = roll_mean(col2, n=3))

98

数据修改

题目：将数据按照第三列值的大小升序排列

难度：⭐⭐

R语言解法

df <- df %>%arrange(col3)

99

数据修改

题目：将第一列大于50的数字修改为'高'

难度：⭐⭐

R语言解法

df[df$col1 > 50,1] <- '高'

100

数据计算

题目：计算第一列与第二列之间的欧式距离

难度：⭐⭐⭐

备注

不可以使用自定义函数

R语言解法

# 可以利用概念计算
res <- (df$col1 - df$col2) ^ 2
sqrt(sum(res))
# [1] 197.0102# 也可以利用dist函数，但需要形成两个不同的观测
dist(rbind(df$col1,df$col2))
# 1
# 2 197.0102

101

数据读取

题目：从CSV文件中读取指定数据

难度：⭐⭐

备注

从数据1中的前10行中读取positionName, salary两列

R语言解法

#一步读取文件的指定列用readr包或者原生函数都没办法
#如果文件特别大又不想全部再选指定列可以用如下办法
#基本思想先读取较少的数据获取列名
#给目标列以外的列打上NULL导致第二次读取文件时NULL列丢失即可res <- read.csv('数据1.csv',encoding = 'GBK',nrows = 3)
classes <- sapply(res, class)
classes[-match(c('positionName','salary'),names(classes))] <-rep('NULL', length(classes) - 2)df <- read.csv('数据1.csv',encoding = 'GBK',nrows = 10,colClasses = classes)

102

数据读取

题目：从CSV文件中读取指定数据

难度：⭐⭐

备注

从数据2中读取数据并在读取数据时将薪资大于10000的为改为高

R语言解法

library(readr)df2 <- read_csv('数据2.csv') %>%mutate('学历要求','薪资水平' = ifelse(薪资水平 > 10000,'高','低'))

103

数据计算

题目：从dataframe提取数据

难度：⭐⭐⭐

备注

从上一题数据中，对薪资水平列每隔20行进行一次抽样

期望结果

R语言解法

df2[seq(1,dim(df2)[1],20),]

104

数据处理

题目：将数据取消使用科学计数法

难度：⭐⭐

输入

df = pd.DataFrame(np.random.random(10)**10, columns=['data'])

期望结果

R语言解法

df <- tibble(data = runif(10)^10)
round(df,3)

105

数据处理

题目：将上一题的数据转换为百分数

难度：⭐⭐⭐

期望结果

R语言解法

tibble(data = str_glue('{round(df$data * 100,2)}%'))

106

数据查找

题目：查找上一题数据中第3大值的行号

难度：⭐⭐⭐

R语言解法

df %>%mutate(nrow = rownames(.)) %>%arrange(desc(data)) %>%filter(row_number() == 3) %>%select(nrow)

107

数据处理

题目：反转df的行

难度：⭐⭐

R语言解法

df %>%arrange(desc(rownames(.)))

108

数据重塑

题目：按照多列对数据进行合并

难度：⭐⭐

输入

df1= pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
'key2': ['K0', 'K1', 'K0', 'K1'],
'A': ['A0', 'A1', 'A2', 'A3'],
'B': ['B0', 'B1', 'B2', 'B3']})df2= pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
'key2': ['K0', 'K0', 'K0', 'K0'],
'C': ['C0', 'C1', 'C2', 'C3'],
'D': ['D0', 'D1', 'D2', 'D3']})

R语言解法

df1 <- data.frame("key1" = c("K0","K0","K1","K2"),"key2" = c("K0","K1","K0","K1"),"A" = paste0('A',0:3),"B" = paste0('B',0:3)
)df2 <- data.frame("key1" = c("K0","K1","K1","K2"),"key2" = paste0('K',rep(0,4)),"C" = paste0('C',0:3),"D" = paste0('D',0:3)
)full_join(df1,df2,by = c('key1','key2')) %>%na.omit(.)

109

数据重塑

题目：按照多列对数据进行合并

难度：⭐⭐

备注

只保存df1的数据

R语言解法

left_join(df1,df2,by = c('key1','key2'))

110

数据处理

题目：再次读取数据1并显示所有的列

难度：⭐⭐

备注

数据中由于列数较多中间列不显示

R语言解法

df <- read_csv('数据1.csv', locale = locale(encoding = "GBK")) %>%print(width = Inf)

111

数据查找

题目：查找secondType与thirdType值相等的行号

难度：⭐⭐

R语言解法

df %>%mutate(nrow = rownames(.)) %>%filter(secondType == thirdType) %>%select(nrow) %>%unlist()

112

数据查找

题目：查找薪资大于平均薪资的第三个数据

难度：⭐⭐⭐

R语言解法

df %>%mutate(nrow = rownames(.)) %>%filter(salary > mean(salary)) %>%select(nrow) %>%filter(row_number() == 3)
# # A tibble: 1 x 1
# nrow
# <chr>
# 1 6

113

数据计算

题目：将上一题数据的salary列开根号

难度：⭐⭐

R语言解法

df %>%summarise(salary_sqrt = sqrt(salary))

114

数据处理

题目：将上一题数据的linestaion列按_拆分

难度：⭐⭐

R语言解法

df <- df %>%mutate(split = str_split(linestaion,'_'))

115

数据查看

题目：查看上一题数据中一共有多少列

难度：⭐

R语言解法

length(df)
# [1] 54

116

数据提取

题目：提取industryField列以'数据'开头的行

难度：⭐⭐

R语言解法

df[grep("^数据", df$industryField),]

117

数据计算

题目：以salary score 和 positionID制作数据透视

难度：⭐⭐⭐

R语言解法

df <- df %>%group_by(positionId) %>%dplyr::summarise(salary = mean(salary),score = mean(score)) %>%as.data.frame(.)
rownames(df) <- NULL
tibble::column_to_rownames(df,var='positionId')

118

数据计算

题目：同时对salary、score两列进行计算

难度：⭐⭐⭐

R语言解法

res <- df %>%select(salary,score) %>%pivot_longer(c(salary,score),names_to = 'type',values_to = 'value') %>%group_by(type) %>%summarise(sum = sum(value),mean = mean(value),min = min(value))rownames(res) <- NULLres %>%column_to_rownames('type') %>%t(.)

119

数据计算

题目：对不同列执行不同的计算

难度：⭐⭐⭐

备注

对salary求平均，对score列求和

R语言解法

df %>%summarise(salary_sum = sum(salary),score_mean = mean(score))

120

数据计算

题目：计算并提取平均薪资最高的区

难度：⭐⭐⭐⭐

R语言解法

df %>%group_by(district) %>%summarise(avg = mean(salary)) %>%arrange(desc(avg)) %>%filter(row_number() == 1)

以上就是玩转数据处理120题｜R语言版全部内容，如果能坚持走到这里的读者，我想你已经掌握了处理数据的常用操作，并且在之后的数据分析中碰到相关问题，希望你能够从容的解决！

R语言解法作者介绍：陈熹，中山大学中山眼科中心博士在读，不安分的python R SQL爱好者

兴趣范围：生物信息 / 数据分析 / 网络爬虫 / 机器学习

简书：半为花间酒

Email：chenx6542@foxmail.com