三门问题 R语言 r语言常见程序题

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   "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   "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 %
  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 is.na(df$popularity))
df$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
# 
# 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 %
    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 6.6,'Perl') # 需要和列的位置对应
# 或者建数据框
row   "grammer" = c("Perl"),
  "popularity" = c(6.6)
)

df

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 %
  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 $grammer,'R')
str_length(df$grammer)

df$len_str $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 'pandas120.xlsx',detectDates = T)
df$createTime as.Date(df$createTime,origin="1900-01-01")
# 转存csv后再读
library(readr)
df '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 %
  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 %
  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))

3 0 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 4]
# 提高可读性可采用如下代码
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 %
  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：

sala ry为int类型，操作与35题有所不同

R解法

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 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 %
  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 %
  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 '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 is.na(df[,i]))
    res2 ',')
    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

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) 
# 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 %
  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 "1 week")),"[")
res_max 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 %
  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 %
  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 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

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 names(df) 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 %
  dplyr::rename(col1 = 1,
                col2 = 2,
                col3 = 3)
# 或者用类似pandas的方法
names(df) '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  0))
res2  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 
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 %
  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 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 '数据1.csv',encoding = 'GBK',nrows = 3)
classes 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 '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 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   "key1" = c("K0","K0","K1","K2"),
  "key2" = c("K0","K1","K0","K1"),
  "A" = paste0('A',0:3),
  "B" = paste0('B',0:3)
)

df2   "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 '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
# 
# 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 %
  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 %
  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 %
  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) 
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！

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