专栏首页早起Python玩转数据处理120题|R语言版本

玩转数据处理120题|R语言版本

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) <- NULL

res %>%
  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!

本文分享自微信公众号 - 早起Python(zaoqi-python),作者:刘早起、陈熹

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-04-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 玩转数据处理120题|Pandas&R

    本文精心挑选在数据处理中常见的120种操作并整理成习题发布。并且每一题同时给出Pandas与R语言解法,同时针对部分习题给出了多种方法与注解。本系列一共涵盖了数...

    刘早起
  • Pandas进阶修炼120题|第二期

    大家好,Pandas进阶修炼120题系列旨在用刷题的方式彻底玩转pandas中各种操作,本期为第二期,我们开始吧~

    刘早起
  • Pandas进阶修炼120题|完整版

    『Pandas进阶修炼120题』系列现已完结,我们对Pandas中常用的操作以习题的形式发布。从读取数据到高级操作全部包含,希望可以通过刷题的方式来完整学习pa...

    刘早起
  • 举一反三-Pandas实现Hive中的窗口函数

    1、Hive窗口函数 我们先来介绍一下Hive中几个常见的窗口函数,row_number(),lag()和lead()。 row_number() 该函数的格式...

    石晓文
  • Python代码|Python做数据可视化的代码

    从代码中学习Python知识和Python与数据相关的知识,是一个有效的方法。例如:想了解Python做数据可视化的工作。我们可以从互联网找一些Python做数...

    陆勤_数据人网
  • 【MathorCup】2020年 A题 无车承运人平台线路定价问题,特征间的相关性分析

    问题 1:通过定量分析的方法,研究影响无车承运人平台进行货运线路定价的主要因素有哪些,并说明理由。 问题 2:根据附件 1 数据,通过建立数学模型,对已经成交...

    不太灵光的程序员
  • Pandas入门操作

    俺也想起舞
  • Pandas进阶修炼120题,给你深度和广度的船新体验

    本文为你介绍Pandas基础、Pandas数据处理、金融数据处理等方面的一些习题。

    数据派THU
  • Day05| 第四期-电商数据分析

    疫情期间,想必我们会增加网上购物,人们的生活越来越数字化。当我们消费时,无论是线上和线下都会产生大量的交易数据,对于商家来说数字化的运营方式非常必要,从大量的交...

    DataScience
  • 我就不用AI、ML模型预测股价,来点不一样的!

    你是否注意到MaxHigh,MaxLow和MaxClose列? 他们是关键! 我们将使用这些列计算概率。

    量化投资与机器学习微信公众号

扫码关注云+社区

领取腾讯云代金券