R语言（七）plyr扩展包主要函数介绍与应用

前情回顾：apply函数族理解与运用
上篇博客我们提到了apply函数族的基本使用方法，但各函数之间缺乏规律性，时间一长很容易忘记相关用法。鉴此，今天介绍的plyr程序扩展包能很好的解决该问题。

plyr扩展包操作数据的主要思想为【分割—应用—组合】，即将一个问题分割成各个小部分，再对每个小部分进行独立操作，最后将各部分的操作组合起来，这与 MapReduce的思想不谋而合呀！

一、主要函数介绍

plyr扩展包涉及的主要函数可以用**ply来概括，第一个*表示输入数据的结构，可选的数据结构包括a（array）、d（data.frame）和l（list）；第二个*表示输出数据的结构，可选的数据结构除前面三种以外，还有_表示不输出，它的结果常用于绘图和建立缓存。根据输入和输出的划分，可将plyr扩展包划分为12个主要函数，如下表所示。

输入	输出数组	输出数据框	输出列表	无输出
数组	aaply	adply	alply	a_ply
数据框	daply	ddply	dlply	d_ply
列表	daply	ldply	llply	l_ply

对于**ply()函数来说，按照其输入数据的结构可划分为三类：a*ply()、d*ply()、l*ply()，三类的参数如下

a * ply(.data，.margins，.fun，…，.progress=“none”)
d * ply(.data，variables，.fun，…，.progress=“none”)
l * ply(.data，.fun，…，.progress=“none”)

以上三类函数的切割方式不尽相同，具体表现为：

• a*ply()函数按照维度对数组进行切片
• d*ply()函数按照一列或多列将数据框分为若干子集
• l*ply()函数将列表的每个分量作为子集

其中，.data表示输入数据；.margins表示数组的边际，与apply的margin参数类似，也可为向量；variables表示分组变量，可以有多组变量；.fun表示应用于数据各个部分的函数，如果没有指定的.fun，则表示从一种数据结构转变为另一种数据结构；...表示传递给.fun的其他参数；.progress表示进度条类型，共text、tk、win三种可选，none表示不显示进度条

二、示例演示

2.1 不设置.fun参数

以鸢尾花数据为例，现不指定.fun参数，观察变化前后数据的结构

library(plyr)
iris_species<-dlply(iris,.variables="Species")
str(iris)
str(iris_species)

从结果可知，**ply()函数，若不在.fun中指定应用函数，它的作用仅是将转变数据集的结构。

2.2 鸢尾花不同种类回归

现继续以鸢尾花数据集为例，对每个鸢尾花种类，进行花瓣长度与宽度回归，观察不同种类下的回归系数有何差异。

#dlply方式求解
linear_model1<-function(df){
  lm(Petal.Length~Petal.Width+1,data=df)
}
iris_lm<-dlply(iris,.variables="Species",.fun=linear_model1,.progress="text")
iris_lm

#alply方式求解
linear_model2<-function(df){
  lm(`Petal L.`~`Petal W.`+1,data=as.data.frame(df))
}
iris3_lm<-alply(iris3,.margins = 3,.fun=linear_model2)
iris3_lm

鸢尾花不同种类下花瓣长度与宽度回归（左为dlply结果，右为alply结果）

注意：以上两个函数本质相同，都是对鸢尾花的不同种类进行花瓣长度与宽度的回归，回归结果也证实了这一点。差别在于数据集对象的差异，如列名不一致。且内置iris3数据集为一个三维数组，故在回归时需要将其转为数据框，并设置.margin参数为3

2.3 重写持续降雨日逻辑

在上篇博客中，我们曾用sapply函数和tapply函数计算了每个站点的最长持续降雨日。当然，我们也可以用d*ply()函数实现它。

library(plyr)
data<-read.table("rainfall.txt",header=T)

duration_caculate_dd<-function(x){
  zero_rainfall_loc<-which(x["rainfall"]==0)
  rainfall_vec<-c()
  last_loc<-length(zero_rainfall_loc)-1
  if(last_loc>=1){
    for(i in 1:last_loc){
      duration<-x[zero_rainfall_loc[i]:zero_rainfall_loc[i+1],"rainfall"]
      rainfall_duration<-length(which(duration!=0))
      rainfall_vec<-c(rainfall_vec,rainfall_duration)
    }
    max_rainfall_duration<-max(rainfall_vec)
    return(max_rainfall_duration)
  } else{
    max_rainfall_duration<-0
    return(max_rainfall_duration)
  }
}

dd_rst<-ddply(data,.variables="loc_id",duration_caculate_sa)
head(dd_rst)

从输出结果来看，与上篇博客的结果对比，ddply函数输出的结果仅是将loc_id从行索引中拿出来，单独作为一列，给人更加工整的感觉。

以上就是本次分享的全部内容~