15 tidyverse简介

tidyverse是R语言里面的一个R包（或者叫多个R包），前面我们已经给大家演示了如何安装这个R包，下面给大家单独简单介绍下这个R包，为什么要单独要单独介绍它呢？因为它有一些独特的特性，和基础的R使用方法不太一样。

15.1 tidyverse简介

tidyverse是专门为数据科学（数据整理、数据清洗、数据读取和保存、数据可视化等）而设计的系列R包。加载它即可加载以下R包：

tidyverse::tidyverse_packages()
##  [1] "broom"         "conflicted"    "cli"           "dbplyr"       
##  [5] "dplyr"         "dtplyr"        "forcats"       "ggplot2"      
##  [9] "googledrive"   "googlesheets4" "haven"         "hms"          
## [13] "httr"          "jsonlite"      "lubridate"     "magrittr"     
## [17] "modelr"        "pillar"        "purrr"         "ragg"         
## [21] "readr"         "readxl"        "reprex"        "rlang"        
## [25] "rstudioapi"    "rvest"         "stringr"       "tibble"       
## [29] "tidyr"         "xml2"          "tidyverse"

其中比较重要的有：

tibble
tidyr
dplyr
ggplot2
forcats
stringr
lubridate
purrr

这些包共享高级设计理念和低级语法以及数据结构，因此学习一个包就可以更轻松地学习下一个包。

tidyverse聚焦于设计可以被广泛使用和轻松理解的R包和函数。无论是过去还是现在，很大一部分R用户都不是软件或工具创建者，而只是使用工具的人。因此R用户通常没有（或需要）计算机科学背景，并且许多人对编写自己的R包不感兴趣。

在函数命名方面，tidyverse的解决方法是使用描述性和显式的函数名称，而不是那些简短的和隐式的函数名称。常见方法通过单个动词实现，动词-名词组合式命名也非常有效。比如：

filter：筛选行
arrange：排列行
select：选择列
mutate：新建列
rename：重命名列

15.2 管道符简介

tidyverse另一个比较特殊的特性是管道符（%>%）的使用。管道符可以把多个操作连接起来，像一个管道一样让数据流通。

使用ggplot2自带的数据进行说明，这是一个不同汽车的耗油量数据。

library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
mpg
## # A tibble: 234 × 11
##    manufacturer model      displ  year   cyl trans drv     cty   hwy fl    class
##    <chr>        <chr>      <dbl> <int> <int> <chr> <chr> <int> <int> <chr> <chr>
##  1 audi         a4           1.8  1999     4 auto… f        18    29 p     comp…
##  2 audi         a4           1.8  1999     4 manu… f        21    29 p     comp…
##  3 audi         a4           2    2008     4 manu… f        20    31 p     comp…
##  4 audi         a4           2    2008     4 auto… f        21    30 p     comp…
##  5 audi         a4           2.8  1999     6 auto… f        16    26 p     comp…
##  6 audi         a4           2.8  1999     6 manu… f        18    26 p     comp…
##  7 audi         a4           3.1  2008     6 auto… f        18    27 p     comp…
##  8 audi         a4 quattro   1.8  1999     4 manu… 4        18    26 p     comp…
##  9 audi         a4 quattro   1.8  1999     4 auto… 4        16    25 p     comp…
## 10 audi         a4 quattro   2    2008     4 manu… 4        20    28 p     comp…
## # ℹ 224 more rows

cty：城市
hwy：耗油量
displ：发动机排量
drv：驱动系统，前驱、后驱、四驱
model：车辆型号，共38种车型
cyl：发动机缸数
class：车辆类型，双座、SUV、小型汽车等

假如我们要进行以下操作：

1.选择”manufacturer”,“cyl”,“drv”,“hwy”这4列； 2.筛选manufacturer是”audi”的行； 3.将manufacturer重命名为manuf; 4.按照drv进行分组，计算每组的hwy的平均值

如果是在R语言基础语法中，可以像下面这样写：

tmp <- mpg[mpg$manufacturer == "audi",c("manufacturer","cyl","drv","hwy")]
colnames(tmp)[1] <- "manuf"
tapply(tmp$hwy, tmp$drv, mean)
##        4        f 
## 25.27273 28.28571

这样做没什么问题，但是中间步骤需要不停地取名字（如果步骤很多的话就要取很多名字），而且使用的语法和函数形式也不够统一，不够“优雅”。

但是使用tidyverse和管道符，可以像下面这样写：

# tidyverse中变量的名字不用加引号，
# 但是如果变量名字中有中文或者空格，建议用``引起来
mpg %>% 
  select(manufacturer, cyl, drv, hwy) %>%       # 选择列
  filter(manufacturer == "audi") %>%            # 筛选行
  rename(manuf = manufacturer) %>%              # 重命名
  group_by(drv) %>%                             # 分组
  summarise(mm = mean(hwy))                     # 分组汇总
## # A tibble: 2 × 2
##   drv      mm
##   <chr> <dbl>
## 1 4      25.3
## 2 f      28.3

所有函数使用%>%连接起来，中间不需要取名字，各个函数的名字也十分形象，代码很容易看懂。管道符左侧函数的结果可以作为右侧函数的输入。

我们一步一步的分解看一下：

# 第一步
select(mpg, manufacturer, cyl, drv, hwy)
## # A tibble: 234 × 4
##    manufacturer   cyl drv     hwy
##    <chr>        <int> <chr> <int>
##  1 audi             4 f        29
##  2 audi             4 f        29
##  3 audi             4 f        31
##  4 audi             4 f        30
##  5 audi             6 f        26
##  6 audi             6 f        26
##  7 audi             6 f        27
##  8 audi             4 4        26
##  9 audi             4 4        25
## 10 audi             4 4        28
## # ℹ 224 more rows

# 第二步
filter(select(mpg, manufacturer, cyl, drv, hwy),
       manufacturer == "audi")
## # A tibble: 18 × 4
##    manufacturer   cyl drv     hwy
##    <chr>        <int> <chr> <int>
##  1 audi             4 f        29
##  2 audi             4 f        29
##  3 audi             4 f        31
##  4 audi             4 f        30
##  5 audi             6 f        26
##  6 audi             6 f        26
##  7 audi             6 f        27
##  8 audi             4 4        26
##  9 audi             4 4        25
## 10 audi             4 4        28
## 11 audi             4 4        27
## 12 audi             6 4        25
## 13 audi             6 4        25
## 14 audi             6 4        25
## 15 audi             6 4        25
## 16 audi             6 4        24
## 17 audi             6 4        25
## 18 audi             8 4        23

# 第三步
rename(filter(select(mpg, manufacturer, cyl, drv, hwy),
              manufacturer == "audi"),
       manuf = manufacturer)
## # A tibble: 18 × 4
##    manuf   cyl drv     hwy
##    <chr> <int> <chr> <int>
##  1 audi      4 f        29
##  2 audi      4 f        29
##  3 audi      4 f        31
##  4 audi      4 f        30
##  5 audi      6 f        26
##  6 audi      6 f        26
##  7 audi      6 f        27
##  8 audi      4 4        26
##  9 audi      4 4        25
## 10 audi      4 4        28
## 11 audi      4 4        27
## 12 audi      6 4        25
## 13 audi      6 4        25
## 14 audi      6 4        25
## 15 audi      6 4        25
## 16 audi      6 4        24
## 17 audi      6 4        25
## 18 audi      8 4        23

# 第四步
group_by(rename(filter(select(mpg, manufacturer, cyl, drv, hwy),
                       manufacturer == "audi"),
                manuf = manufacturer),
         drv)
## # A tibble: 18 × 4
## # Groups:   drv [2]
##    manuf   cyl drv     hwy
##    <chr> <int> <chr> <int>
##  1 audi      4 f        29
##  2 audi      4 f        29
##  3 audi      4 f        31
##  4 audi      4 f        30
##  5 audi      6 f        26
##  6 audi      6 f        26
##  7 audi      6 f        27
##  8 audi      4 4        26
##  9 audi      4 4        25
## 10 audi      4 4        28
## 11 audi      4 4        27
## 12 audi      6 4        25
## 13 audi      6 4        25
## 14 audi      6 4        25
## 15 audi      6 4        25
## 16 audi      6 4        24
## 17 audi      6 4        25
## 18 audi      8 4        23

# 第五步
summarise(group_by(rename(filter(select(mpg, manufacturer, cyl, drv, hwy),
                                 manufacturer == "audi"),
                          manuf = manufacturer),
                   drv),
          mm = mean(hwy))
## # A tibble: 2 × 2
##   drv      mm
##   <chr> <dbl>
## 1 4      25.3
## 2 f      28.3

这种写法能够流畅运行主要得益于tidyverse系列函数的统一设计标准，上面演示的这些函数中，它们的第一个参数都是.data，刚好能够让上一步的结果作为下一步的输入数据，而且还可以省略.data参数。

?select
?filter
?rename

所以完整的写法应该是下面这样的，用.表示上一步得到的结果，但是由于tidyverse完美的设计，这种情况下不写第一个参数也完全OK：

mpg %>% 
  select(.data = . , manufacturer, cyl, drv, hwy) %>% 
  filter(.data = . , manufacturer == "audi") %>% 
  rename(.data = . , manuf = manufacturer) %>% 
  group_by(.data = . , drv) %>% 
  summarise(.data = . , mm = mean(hwy))
## # A tibble: 2 × 2
##   drv      mm
##   <chr> <dbl>
## 1 4      25.3
## 2 f      28.3

并且在Rstudio中，管道符有快捷键，直接按：control+shift+m，即可输入管道符。

tidyverse还有各种人性化的设计，种种优点使其大受欢迎！

%>%管道符其实是magrittr包中的，你需要先加载这个R包才能使用（加载tidyverse会自动加载这个包）。在R语言4.1版本之后，R也引入了原生的管道符：|>，在大多数情况下，原生管道符和tidyverse管道符可以替换使用，但是二者也有一些差别（具体不展开，可参考：比较R中的管道符）。所以，以上代码你写成下面这样也OK:

mpg |> select(manufacturer, cyl, drv, hwy) |>
  filter(manufacturer == "audi") |>
  rename(manuf = manufacturer) |>
  group_by(drv) |>
  summarise(mm = mean(hwy))  
## # A tibble: 2 × 2
##   drv      mm
##   <chr> <dbl>
## 1 4      25.3
## 2 f      28.3

管道符和tidyverse是天生绝配，那基础语法和管道符可以连用吗？答案是可以。但是由于基础语法中的函数设计不如tidyverse那么统一规范，会出现各种初学者搞不懂的报错！所以我建议你只在使用tidyverse时才使用管道符，在基础语法中不要用（大佬例外）。

默认快捷键可修改到底是哪种管道符：

15.3 使用简介

下面用一个简单的示例演示tidyverse中部分函数的用法。更多的用法我会在tidyverse合集中详细介绍。

还是以TCGA官网下载的乳腺癌患者的临床信息为例，该数据包含：患者ID、样本ID、样本类型（normal还是tumor？）、年龄、性别等。

该示例将全部使用tidyverse完成，大家可以和前面介绍的R语言基础语法对数据框的操作进行比较。

加载R包：

library(tidyverse)

# 读取文件
library(readxl)
brca_clin <- read_xlsx("F:/R_books/R_beginners/brca_clin.xlsx", col_names = T)

# 查看数据基本情况
glimpse(brca_clin)
## Rows: 20
## Columns: 9
## $ barcode                <chr> "TCGA-BH-A1FC-11A-32R-A13Q-07", "TCGA-AC-A2FM-1…
## $ patient                <chr> "TCGA-BH-A1FC", "TCGA-AC-A2FM", "TCGA-BH-A0DO",…
## $ sample                 <chr> "TCGA-BH-A1FC-11A", "TCGA-AC-A2FM-11B", "TCGA-B…
## $ sample_type            <chr> "Solid Tissue Normal", "Solid Tissue Normal", "…
## $ initial_weight         <dbl> 260, 220, 130, 260, 200, 60, 320, 310, 100, 250…
## $ ajcc_pathologic_stage  <chr> "Stage IIA", "Stage IIB", "Stage I", "Stage IA"…
## $ days_to_last_follow_up <chr> "NA", "NA", "1644", "501", "660", "3247", "NA",…
## $ gender                 <chr> "female", "female", "female", "female", "female…
## $ age_at_index           <dbl> 78, 87, 78, 63, 41, 59, 60, 39, 54, 51, 51, 44,…

变量名修改：

brca_clin <- brca_clin %>% 
  rename(weight = initial_weight, stage = ajcc_pathologic_stage,
         days = days_to_last_follow_up, age = age_at_index)
colnames(brca_clin)
## [1] "barcode"     "patient"     "sample"      "sample_type" "weight"     
## [6] "stage"       "days"        "gender"      "age"

选择第5~9列：

brca_clin <- brca_clin %>% 
  select(5:9)
glimpse(brca_clin)
## Rows: 20
## Columns: 5
## $ weight <dbl> 260, 220, 130, 260, 200, 60, 320, 310, 100, 250, 130, 110, 470,…
## $ stage  <chr> "Stage IIA", "Stage IIB", "Stage I", "Stage IA", "Stage IIB", "…
## $ days   <chr> "NA", "NA", "1644", "501", "660", "3247", "NA", "NA", "1876", "…
## $ gender <chr> "female", "female", "female", "female", "female", "female", "fe…
## $ age    <dbl> 78, 87, 78, 63, 41, 59, 60, 39, 54, 51, 51, 44, 64, 56, 71, 71,…

按照age从小到大排序数据框：

brca_clin <- brca_clin %>% 
  arrange(age)
#brca_clin

按照从大到小的顺序排列：

brca_clin <- brca_clin %>% 
  arrange(desc(age))

查看有几个类别，以及每个类别的数量：

brca_clin %>% count(stage)
## # A tibble: 6 × 2
##   stage          n
##   <chr>      <int>
## 1 Stage I        3
## 2 Stage IA       3
## 3 Stage IIA      5
## 4 Stage IIB      6
## 5 Stage IIIA     2
## 6 Stage IIIC     1

变量重编码和修改：

用case_when：

brca_clin %>% 
  mutate(stage = case_when(stage == "Stage IIB" ~ "Stage_2",
                           stage == "Stage IIA" ~ "Stage_2",
                           stage == "Stage IA" ~ "Stage_1",
                           stage == "Stage I" ~ "Stage_1",
                           stage == "Stage IIIA" ~ "Stage_3",
                           stage == "Stage IIIC" ~ "Stage_3",
                           .default = NULL
                           )) %>% 
  count(stage)
## # A tibble: 3 × 2
##   stage       n
##   <chr>   <int>
## 1 Stage_1     6
## 2 Stage_2    11
## 3 Stage_3     3

case_when另一种用法：

brca_clin %>% 
  mutate(stage = case_when(stage %in% c("Stage IIB","Stage IIA") ~ "Stage_2",
                           stage %in% c("Stage IA","Stage I") ~ "Stage_1",
                           stage %in% c("Stage IIIA","Stage IIIC") ~ "Stage_3",
                           )) %>% 
  count(stage)
## # A tibble: 3 × 2
##   stage       n
##   <chr>   <int>
## 1 Stage_1     6
## 2 Stage_2    11
## 3 Stage_3     3

或者用case_match:

brca_clin %>% 
  mutate(stage = case_match(stage,
                           c("Stage IIB","Stage IIA") ~ "Stage_2",
                           c("Stage IA","Stage I") ~ "Stage_1",
                           c("Stage IIIA","Stage IIIC") ~ "Stage_3"
                           )) %>% 
  count(stage)
## # A tibble: 3 × 2
##   stage       n
##   <chr>   <int>
## 1 Stage_1     6
## 2 Stage_2    11
## 3 Stage_3     3

根据年龄进行分组，大于60岁是old，小于等于60岁是young:

# 先看下年龄是不是数值型
glimpse(brca_clin)
## Rows: 20
## Columns: 5
## $ weight <dbl> 220, 260, 130, 200, 70, 470, 260, 130, 320, 60, 90, 100, 200, 2…
## $ stage  <chr> "Stage IIB", "Stage IIA", "Stage I", "Stage IIA", "Stage IIA", …
## $ days   <chr> "NA", "NA", "1644", "385", "1800", "1972", "501", "214", "NA", …
## $ gender <chr> "female", "female", "female", "female", "female", "female", "fe…
## $ age    <dbl> 87, 78, 78, 71, 71, 64, 63, 63, 60, 59, 56, 54, 54, 51, 51, 47,…
is.numeric(brca_clin$age)
## [1] TRUE

开始修改：

brca_clin <- brca_clin %>% 
  mutate(age = ifelse(age>60,"old","young"))

brca_clin %>% count(age)
## # A tibble: 2 × 2
##   age       n
##   <chr> <int>
## 1 old       8
## 2 young    12

NA修改(这个数据框里的NA是字符型，并不是真正的NA)：

brca_clin <- brca_clin %>% 
  mutate(days = ifelse(days == "NA",NA,days))
brca_clin %>% select(days)
## # A tibble: 20 × 1
##    days 
##    <chr>
##  1 <NA> 
##  2 <NA> 
##  3 1644 
##  4 385  
##  5 1800 
##  6 1972 
##  7 501  
##  8 214  
##  9 <NA> 
## 10 3247 
## 11 1321 
## 12 1876 
## 13 2442 
## 14 707  
## 15 5749 
## 16 1206 
## 17 <NA> 
## 18 660  
## 19 <NA> 
## 20 <NA>

15.4 其他示例

R语言可视化系列合集：

R可视化

purrr的使用（等我在tidyverse合集中再详细介绍）：

详细的R包介绍推文：