第2讲：数据处理与可视化

tidyverse生态入门

本讲概述

本讲将介绍R中数据处理与可视化的强大工具——tidyverse：

tidyverse生态简介
dplyr数据处理五动词
ggplot2图层语法
实战案例

预计时长：45分钟理论 + 15分钟演示

1. tidyverse简介

1.1 什么是tidyverse？

tidyverse是Hadley Wickham创建的一套统一的数据科学工具包。

1.2 核心包

包名	功能
ggplot2	数据可视化
dplyr	数据处理
tidyr	数据整理
readr	数据读取
purrr	函数式编程
tibble	现代数据框
stringr	字符串处理
forcats	因子处理

1.3 安装与加载

代码

# 安装整个tidyverse
install.packages("tidyverse")

# 加载
library(tidyverse)

代码

# 支持图片显示中文字体
showtext::showtext_auto()

2. dplyr数据处理

2.1 五大核心动词

函数	作用	SQL对应
`filter()`	筛选行	WHERE
`select()`	选择列	SELECT
`mutate()`	创建/修改列	计算字段
`summarise()`	汇总统计	聚合函数
`arrange()`	排序	ORDER BY

2.2 filter - 筛选行

代码

library(dplyr)

# 筛选符合条件的数据
iris |>
  filter(Species == "setosa", Sepal.Length > 5)

代码

# 多条件
iris |>
  filter(Species %in% c("setosa", "versicolor"),
         Sepal.Length > 5,
         Sepal.Width < 4)

2.3 select - 选择列

代码

# 选择指定列
iris |>
  select(Sepal.Length, Sepal.Width, Species)

代码

# 排除列
iris |>
  select(-Petal.Width)

代码

# 选择范围
iris |>
  select(Sepal.Length:Petal.Width)

代码

# 辅助函数
iris |>
  select(starts_with("Sepal"))

代码

iris |>
  select(ends_with("Width"))

代码

iris |>
  select(contains("Length"))

2.4 mutate - 创建新列

代码

iris |>
  mutate(
    Sepal.Area = Sepal.Length * Sepal.Width,
    Petal.Area = Petal.Length * Petal.Width,
    Area.Ratio = Petal.Area / Sepal.Area
  )

2.5 summarise - 汇总统计

代码

iris |>
  summarise(
    n = n(),
    mean_sepal = mean(Sepal.Length),
    sd_sepal = sd(Sepal.Length),
    median_petal = median(Petal.Length)
  )

2.6 group_by - 分组操作

代码

# 按种类分组统计
iris |>
  group_by(Species) |>
  summarise(
    n = n(),
    mean_sepal = mean(Sepal.Length),
    sd_sepal = sd(Sepal.Length)
  )

2.7 管道操作符 |>

代码

# 传统写法
result <- summarise(
  group_by(
    filter(iris, Sepal.Length > 5),
    Species
  ),
  mean = mean(Sepal.Length)
)

# 管道写法
result <- iris |>
  filter(Sepal.Length > 5) |>
  group_by(Species) |>
  summarise(mean = mean(Sepal.Length))

3. ggplot2可视化

3.1 图层语法

ggplot2的核心思想：图层叠加

数据 (data) → 映射 (aes) → 几何对象 (geom) → 标度/主题

3.2 基础模板

代码

ggplot(data = <DATA>) +
  <GEOM_FUNCTION>(
    mapping = aes(<MAPPINGS>),
    stat = <STAT>,
    position = <POSITION>
  ) +
  <COORDINATE_FUNCTION> +
  <FACET_FUNCTION> +
  <SCALE_FUNCTION> +
  <THEME_FUNCTION>

3.3 常见几何对象

函数	图形类型
`geom_point()`	散点图
`geom_line()`	线图
`geom_bar()`	柱状图
`geom_histogram()`	直方图
`geom_boxplot()`	箱线图
`geom_density()`	密度图
`geom_smooth()`	平滑曲线

3.4 完整示例

代码

library(ggplot2)

# 散点图
ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
  geom_point(size = 3, alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "鸢尾花花萼特征",
    x = "花萼长度 (cm)",
    y = "花萼宽度 (cm)"
  ) +
  theme_minimal()

4. 实战案例

案例：临床数据分析

代码

# 加载必要的包
library(readr)
library(dplyr)
library(ggplot2)

# 读取数据
clinical <- read_csv("../data/clinical.csv")

# 数据清洗与分析
clinical_summary <- clinical |>
  filter(!is.na(age)) |>
  mutate(
    age_group = case_when(
      age < 40 ~ "青年",
      age < 60 ~ "中年",
      TRUE ~ "老年"
    )
  ) |>
  group_by(diagnosis, age_group) |>
  summarise(
    n = n(),
    mean_survival = mean(survival_months, na.rm = TRUE)
  )

# 可视化
ggplot(clinical_summary, aes(x = age_group, y = mean_survival, fill = diagnosis)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "不同诊断组的平均生存时间") +
  theme_bw()

关键要点

概念	要点
tidyverse	统一的数据科学生态
dplyr	五动词：filter/select/mutate/summarise/arrange
管道操作	`\|>` 或 `\|>` 连接操作
ggplot2	图层语法，aes映射

课后作业

阅读 R for Data Science Chapter 3-5
使用dplyr处理实验数据
用ggplot2制作3种不同类型的图表

下节预告：R Markdown基础

--- title: "第2讲：数据处理与可视化" subtitle: "tidyverse生态入门" --- ## 本讲概述本讲将介绍R中数据处理与可视化的强大工具——tidyverse： - tidyverse生态简介 - dplyr数据处理五动词 - ggplot2图层语法 - 实战案例 **预计时长**：45分钟理论 + 15分钟演示 --- ## 1. tidyverse简介 ### 1.1 什么是tidyverse？ tidyverse是Hadley Wickham创建的一套**统一的数据科学工具包**。 ### 1.2 核心包 | 包名 | 功能 | |------|------| | **ggplot2** | 数据可视化 | | **dplyr** | 数据处理 | | **tidyr** | 数据整理 | | **readr** | 数据读取 | | **purrr** | 函数式编程 | | **tibble** | 现代数据框 | | **stringr** | 字符串处理 | | **forcats** | 因子处理 | ### 1.3 安装与加载 ```{r} #| eval: false # 安装整个tidyverse install.packages("tidyverse") # 加载 library(tidyverse) ``` ```{r} # 支持图片显示中文字体 showtext::showtext_auto() ``` --- ## 2. dplyr数据处理 ### 2.1 五大核心动词 | 函数 | 作用 | SQL对应 | |------|------|---------| | `filter()` | 筛选行 | WHERE | | `select()` | 选择列 | SELECT | | `mutate()` | 创建/修改列 | 计算字段 | | `summarise()` | 汇总统计 | 聚合函数 | | `arrange()` | 排序 | ORDER BY | ### 2.2 filter - 筛选行 ```{r} #| eval: true library(dplyr) # 筛选符合条件的数据 iris |> filter(Species == "setosa", Sepal.Length > 5) # 多条件 iris |> filter(Species %in% c("setosa", "versicolor"), Sepal.Length > 5, Sepal.Width < 4) ``` ### 2.3 select - 选择列 ```{r} #| eval: true # 选择指定列 iris |> select(Sepal.Length, Sepal.Width, Species) # 排除列 iris |> select(-Petal.Width) # 选择范围 iris |> select(Sepal.Length:Petal.Width) # 辅助函数 iris |> select(starts_with("Sepal")) iris |> select(ends_with("Width")) iris |> select(contains("Length")) ``` ### 2.4 mutate - 创建新列 ```{r} #| eval: true iris |> mutate( Sepal.Area = Sepal.Length * Sepal.Width, Petal.Area = Petal.Length * Petal.Width, Area.Ratio = Petal.Area / Sepal.Area ) ``` ### 2.5 summarise - 汇总统计 ```{r} #| eval: true iris |> summarise( n = n(), mean_sepal = mean(Sepal.Length), sd_sepal = sd(Sepal.Length), median_petal = median(Petal.Length) ) ``` ### 2.6 group_by - 分组操作 ```{r} #| eval: true # 按种类分组统计 iris |> group_by(Species) |> summarise( n = n(), mean_sepal = mean(Sepal.Length), sd_sepal = sd(Sepal.Length) ) ``` ### 2.7 管道操作符 |> ```{r} #| eval: true # 传统写法 result <- summarise( group_by( filter(iris, Sepal.Length > 5), Species ), mean = mean(Sepal.Length) ) # 管道写法 result <- iris |> filter(Sepal.Length > 5) |> group_by(Species) |> summarise(mean = mean(Sepal.Length)) ``` --- ## 3. ggplot2可视化 ### 3.1 图层语法 ggplot2的核心思想：**图层叠加** ``` 数据 (data) → 映射 (aes) → 几何对象 (geom) → 标度/主题 ``` ### 3.2 基础模板 ```{r} #| eval: false ggplot(data = <DATA>) + <GEOM_FUNCTION>( mapping = aes(<MAPPINGS>), stat = <STAT>, position = <POSITION> ) + <COORDINATE_FUNCTION> + <FACET_FUNCTION> + <SCALE_FUNCTION> + <THEME_FUNCTION> ``` ### 3.3 常见几何对象 | 函数 | 图形类型 | |------|----------| | `geom_point()` | 散点图 | | `geom_line()` | 线图 | | `geom_bar()` | 柱状图 | | `geom_histogram()` | 直方图 | | `geom_boxplot()` | 箱线图 | | `geom_density()` | 密度图 | | `geom_smooth()` | 平滑曲线 | ### 3.4 完整示例 ```{r} #| eval: true library(ggplot2) # 散点图 ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) + geom_point(size = 3, alpha = 0.7) + geom_smooth(method = "lm", se = FALSE) + labs( title = "鸢尾花花萼特征", x = "花萼长度 (cm)", y = "花萼宽度 (cm)" ) + theme_minimal() ``` --- ## 4. 实战案例 ### 案例：临床数据分析 ```{r} #| eval: true # 加载必要的包 library(readr) library(dplyr) library(ggplot2) # 读取数据 clinical <- read_csv("../data/clinical.csv") # 数据清洗与分析 clinical_summary <- clinical |> filter(!is.na(age)) |> mutate( age_group = case_when( age < 40 ~ "青年", age < 60 ~ "中年", TRUE ~ "老年" ) ) |> group_by(diagnosis, age_group) |> summarise( n = n(), mean_survival = mean(survival_months, na.rm = TRUE) ) # 可视化 ggplot(clinical_summary, aes(x = age_group, y = mean_survival, fill = diagnosis)) + geom_bar(stat = "identity", position = "dodge") + labs(title = "不同诊断组的平均生存时间") + theme_bw() ``` --- ## 关键要点 | 概念 | 要点 | |------|------| | tidyverse | 统一的数据科学生态 | | dplyr | 五动词：filter/select/mutate/summarise/arrange | | 管道操作 | `|>` 或 `|>` 连接操作 | | ggplot2 | 图层语法，aes映射 | --- ## 课后作业 1. 阅读 [R for Data Science Chapter 3-5](https://r4ds.had.co.nz/) 2. 使用dplyr处理实验数据 3. 用ggplot2制作3种不同类型的图表 --- **下节预告**：R Markdown基础