数据操作语法对比教程
DuckDB vs R (Tidyverse & data.table) vs Python (Pandas)
1 包（库）的安装
在打开本页面的同时，会自动开始安装dplyr、tidyr与data.table，安装速度取决于你的网络情况，请耐心等待，不要刷新，否则将重新安装。对于其他包，你可以使用webr::install进行安装，安装完成后使用library加载包
webr::install("ggplot2")在打开本页面的同时，会自动安装常用的数据分析库，如pandas、matplotlib等,对于没有预安装的库，你可以使用micropip进行安装，安装完成后使用import进行加载库。比如如果需要安装pandas,你可以使用以下代码
import micropip
micropip.install('pandas')
import pandas as pd2 数据集
企鹅数据集（penguins）是一个包含南极洲三种企鹅物种的生物测量数据的公开数据集。所有示例基于本数据集,请执行下方代码块先加载本数据集至环境。
企鹅数据集字段说明
species: 企鹅物种 (Adelie, Chinstrap, Gentoo)island: 栖息岛屿 (Biscoe, Dream, Torgersen)sex: 性别 (male, female)bill_length_mm: 喙长 (毫米)bill_depth_mm: 喙深 (毫米)flipper_length_mm: 鳍长 (毫米)body_mass_g: 体重 (克)
首先，我们需要将CSV数据加载到DuckDB的内存数据库中，创建一个名为 penguins 的表。后续所有SQL操作都将基于此表。
3 链式法则
SQL 主要通过嵌套查询或通用表表达式（CTE, Common Table Expressions）来实现类似链式操作的逻辑。CTE (WITH 子句) 提高了可读性。
你可以使用%>% 或者|>进行链式处理，快捷键Ctrl+Shift+M。
使用中括号进行链式处理，形如DT[ ... ][ ... ][ ... ]，为了美观也可以纵向链式。
4 筛选行
使用 WHERE 子句进行条件筛选。
- 使用
slice进行行索引筛选,slice_head和slice_tail可以快速筛选 - 使用
filter进行条件数据筛选 - 使用
slice_max或者slice_min快速筛选某列最大值对应行
data.table的一般数据清洗形式形如DT[i, j, by],其中i的位置可以用来筛选行和排序。
5 选择列
在 SELECT 语句后直接列出你需要的列名。使用 * 选择所有列。DuckDB 还提供了 COLUMNS 函数，可以使用正则表达式方便地进行列匹配。
- 使用
select进行列选择。 select内部提供了强大的辅助函数来匹配列，例如starts_with()、ends_with()、contains()以及支持正则表达式的matches()。
在j位置选择列，使用 .() 或 list() 可以确保返回的是一个 data.table。.SD 和 .SDcols 参数组合提供了更强大的列选择能力，尤其适合进行模式匹配。
6 添加/修改列
在 SELECT 语句中，你可以直接进行计算，并使用 AS 关键字为新列赋予名称。
使用dplyr包中的mutate函数来创建或修改列。它非常适合在链式操作中使用。
data.table使用独特的 := 操作符，它可以非常高效地”原地”添加或修改列，无需复制整个数据集。这使得它在处理大型数据集时速度极快。
_webr_editor_23 = Object {code: null, options: Object, indicator: it}
你可以直接用 df['new_column'] = ... 的方式创建一个新列。在链式操作中，.assign() 方法更为方便，它会返回一个包含新列的新 DataFrame，而不修改原始数据。
7 分组与聚合
使用 GROUP BY 子句进行分组，然后在 SELECT 中使用聚合函数（如 COUNT, SUM, AVG 等）进行计算。
使用 group_by() 进行分组，然后使用 summarise()（或 summarize()）进行聚合计算。
在 j 位置使用 .() 或 list() 进行聚合计算，并通过 by 参数指定分组变量。
使用 groupby() 方法进行分组，然后使用聚合方法（如 size(), mean(), max() 等）。
8 排序
使用 ORDER BY 子句进行排序，ASC 为升序（默认），DESC 为降序。
使用 arrange() 函数进行排序，默认升序，使用 desc() 包裹变量名表示降序。
使用 order() 函数进行排序，默认升序，在变量前加 - 号表示降序。
9 处理缺失值
使用 WHERE 子句配合 IS NULL 或 IS NOT NULL 来筛选缺失值或非缺失值。
_duckdb_editor_33 = Object {code: null, options: Object, indicator: it}
使用 is.na() 检测缺失值，complete.cases() 检测完整行，drop_na() 快速删除含缺失值的行。
使用 is.na() 在 i 位置进行筛选，.N 可以快速统计数量。
使用 isnull() 或 isna() 检测缺失值，dropna() 删除含缺失值的行。
10 数据连接/合并
使用标准的 SQL JOIN 语法进行数据连接，支持 INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL JOIN 等。
-- 创建两个示例表用于演示连接操作
CREATE TEMPORARY TABLE species_info AS
SELECT DISTINCT species, island
FROM penguins;
CREATE TEMPORARY TABLE measurements AS
SELECT species, bill_length_mm, bill_depth_mm, body_mass_g
FROM penguins
WHERE species = 'Adelie'
LIMIT 3;
-- 内连接示例
SELECT *
FROM species_info s
INNER JOIN measurements m ON s.species = m.species;
-- 左连接示例
SELECT *
FROM species_info s
LEFT JOIN measurements m ON s.species = m.species;
_duckdb_editor_37 = Object {code: null, options: Object, indicator: it}
使用 dplyr 包中的连接函数：inner_join(), left_join(), right_join(), full_join() 等。
# 创建两个示例数据框用于演示连接操作
species_info <- tb_penguins %>%
distinct(species, island)
measurements <- tb_penguins %>%
filter(species == 'Adelie') %>%
select(species, bill_length_mm, bill_depth_mm, body_mass_g) %>%
head(3)
# 内连接示例
inner_join(species_info, measurements, by = "species")
# 左连接示例
left_join(species_info, measurements, by = "species")
_webr_editor_38 = Object {code: null, options: Object, indicator: it}
使用 merge() 函数进行连接，通过修改表结构避免笛卡尔积。
# 创建两个示例数据表 - 修改结构避免笛卡尔积
# 表1：只包含物种信息（不包含会产生笛卡尔积的岛屿）
species_info_dt <- unique(dt_penguins[, .(species)])
# 表2：测量数据，只选择特定物种的前3行
measurements_dt <- dt_penguins[
species == 'Adelie',
.(species, bill_length_mm, bill_depth_mm, body_mass_g)
][1:3]
cat("表1：物种信息\n")
print(species_info_dt)
cat("\n表2：测量数据\n")
print(measurements_dt)
# 内连接示例
cat("\n内连接结果：\n")
inner_result <- merge(species_info_dt, measurements_dt, by = "species")
print(inner_result)
# 左连接示例
cat("\n左连接结果：\n")
left_result <- merge(
species_info_dt,
measurements_dt,
by = "species",
all.x = TRUE
)
print(left_result)
# 如果需要包含岛屿信息的示例（每个物种只保留一个岛屿）
cat("\n包含岛屿信息的连接：\n")
species_island_dt <- dt_penguins[,
.SD[1],
by = species,
_webr_editor_39 = Object {code: null, options: Object, indicator: it}
使用 merge() 函数或 join() 方法进行数据连接，支持各种连接类型。
# 创建两个示例DataFrame
species_info_df = df_penguins[['species', 'island']].drop_duplicates()
measurements_df = df_penguins[df_penguins['species'] == 'Adelie'][['species', 'bill_length_mm', 'bill_depth_mm', 'body_mass_g']].head(3)
# 内连接示例 - 使用 merge()
pd.merge(species_info_df, measurements_df, on='species')
# 左连接示例 - 使用 merge()
pd.merge(species_info_df, measurements_df, on='species', how='left')
# 使用 join() 方法
species_info_df.set_index('species').join(measurements_df.set_index('species'), how='inner').reset_index()
_pyodide_editor_40 = Object {code: null, options: Object, indicator: it}
11 数据重塑
使用 UNPIVOT 进行宽表转长表，PIVOT 进行长表转宽表。
-- 宽表转长表：将多个测量列转换为长格式
SELECT
species,
island,
measurement_type,
measurement_value
FROM penguins
UNPIVOT (measurement_value FOR measurement_type IN
(bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g))
LIMIT 10;
-- 创建示例长表用于演示转宽表
CREATE TEMPORARY TABLE long_penguins AS
SELECT
species,
island,
measurement_type,
measurement_value
FROM penguins
UNPIVOT (measurement_value FOR measurement_type IN
(bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g));
-- 长表转宽表
PIVOT long_penguins
ON measurement_type
USING AVG(measurement_value)
GROUP BY species, island;
_duckdb_editor_41 = Object {code: null, options: Object, indicator: it}
使用 pivot_longer() 进行宽表转长表，pivot_wider() 进行长表转宽表。
library(tidyr)
# 宽表转长表：将多个测量列转换为长格式
tb_penguins %>%
pivot_longer(
cols = c(bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g),
names_to = "measurement_type",
values_to = "measurement_value"
) %>%
head(10)
# 长表转宽表
long_data <- tb_penguins %>%
pivot_longer(
cols = c(bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g),
names_to = "measurement_type",
values_to = "measurement_value"
)
long_data %>%
pivot_wider(
names_from = measurement_type,
values_from = measurement_value,
values_fn = mean
)
_webr_editor_42 = Object {code: null, options: Object, indicator: it}
使用 melt() 进行宽表转长表，dcast() 进行长表转宽表。
# 宽表转长表
melt(
dt_penguins,
measure.vars = c(
"bill_length_mm",
"bill_depth_mm",
"flipper_length_mm",
"body_mass_g"
),
variable.name = "measurement_type",
value.name = "measurement_value"
) %>%
head(10)
# 长表转宽表
long_dt <- melt(
dt_penguins,
measure.vars = c(
"bill_length_mm",
"bill_depth_mm",
"flipper_length_mm",
"body_mass_g"
),
variable.name = "measurement_type",
value.name = "measurement_value"
)
dcast(
long_dt,
species + island ~ measurement_type,
fun.aggregate = mean,
value.var = "measurement_value"
)
_webr_editor_43 = Object {code: null, options: Object, indicator: it}
使用 melt() 进行宽表转长表，pivot_table() 或 pivot() 进行长表转宽表。
# 宽表转长表
long_df = df_penguins.melt(
id_vars=['species', 'island', 'sex'],
value_vars=['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g'],
var_name='measurement_type',
value_name='measurement_value'
)
long_df.head(10)
# 长表转宽表
long_df.pivot_table(
index=['species', 'island'],
columns='measurement_type',
values='measurement_value',
aggfunc='mean'
).reset_index()
_pyodide_editor_44 = Object {code: null, options: Object, indicator: it}
12 窗口函数
使用窗口函数配合 OVER() 子句，支持 PARTITION BY 和 ORDER BY。
-- 计算每个物种内按体重的排名
SELECT
species,
island,
body_mass_g,
ROW_NUMBER() OVER (PARTITION BY species ORDER BY body_mass_g DESC) as rank_in_species,
AVG(body_mass_g) OVER (PARTITION BY species) as avg_species_mass,
body_mass_g - AVG(body_mass_g) OVER (PARTITION BY species) as mass_diff_from_avg
FROM penguins
ORDER BY species, rank_in_species
LIMIT 10;
_duckdb_editor_45 = Object {code: null, options: Object, indicator: it}
使用 dplyr 的窗口函数如 row_number(), rank(), lead(), lag() 等，配合 group_by()。
# 计算每个物种内按体重的排名
tb_penguins %>%
group_by(species) %>%
mutate(
rank_in_species = row_number(desc(body_mass_g)),
avg_species_mass = mean(body_mass_g, na.rm = TRUE),
mass_diff_from_avg = body_mass_g - avg_species_mass
) %>%
ungroup() %>%
select(
species,
island,
body_mass_g,
rank_in_species,
avg_species_mass,
mass_diff_from_avg
) %>%
arrange(species, rank_in_species) %>%
head(10)
_webr_editor_46 = Object {code: null, options: Object, indicator: it}
使用特殊的 .N, .I, .SD 等符号，配合 by 参数实现窗口函数功能。
# 计算每个物种内按体重的排名
dt_penguins[,
`:=`(
rank_in_species = frank(-body_mass_g, ties.method = "first"),
avg_species_mass = mean(body_mass_g, na.rm = TRUE)
),
by = species
][,
mass_diff_from_avg := body_mass_g - avg_species_mass
][
order(species, rank_in_species),
.(
species,
island,
body_mass_g,
rank_in_species,
avg_species_mass,
mass_diff_from_avg
)
][1:10]
_webr_editor_47 = Object {code: null, options: Object, indicator: it}
使用 groupby() 配合 transform() 方法，或使用 rank() 等方法实现窗口函数。
# 计算每个物种内按体重的排名
df_result = df_penguins.copy()
df_result['rank_in_species'] = df_result.groupby('species')['body_mass_g'] \
.rank(method='first', ascending=False)
df_result['avg_species_mass'] = df_result.groupby('species')['body_mass_g'] \
.transform('mean')
df_result['mass_diff_from_avg'] = df_result['body_mass_g'] - df_result['avg_species_mass']
df_result[['species', 'island', 'body_mass_g', 'rank_in_species',
'avg_species_mass', 'mass_diff_from_avg']] \
.sort_values(['species', 'rank_in_species']) \
.head(10)
_pyodide_editor_48 = Object {code: null, options: Object, indicator: it}
13 字符串处理
使用内置字符串函数如 LENGTH, UPPER, LOWER, SUBSTRING, REPLACE 等。
-- 字符串处理示例
SELECT
species,
-- 基本转换
UPPER(species) as species_upper,
LOWER(species) as species_lower,
-- 字符串长度
LENGTH(species) as species_length,
-- 子字符串提取
SUBSTRING(species, 1, 3) as species_prefix,
-- 字符串替换
REPLACE(species, 'e', 'E') as species_replace_e,
-- 字符串连接
species || ' Penguin' as species_full_name
FROM penguins
GROUP BY species
LIMIT 5;
_duckdb_editor_49 = Object {code: null, options: Object, indicator: it}
使用 stringr 包提供的字符串处理函数，如 str_to_upper, str_to_lower, str_length, str_sub, str_replace 等。
library(stringr)
# 字符串处理示例
tb_penguins %>%
distinct(species) %>%
mutate(
# 基本转换
species_upper = str_to_upper(species),
species_lower = str_to_lower(species),
# 字符串长度
species_length = str_length(species),
# 子字符串提取
species_prefix = str_sub(species, 1, 3),
# 字符串替换
species_replace_e = str_replace_all(species, "e", "E"),
# 字符串连接
species_full_name = paste(species, "Penguin")
)
_webr_editor_50 = Object {code: null, options: Object, indicator: it}
使用基础R的字符串函数或 stringr 包函数进行字符串处理。
library(stringr)
# 字符串处理示例
dt_penguins[, .(species = unique(species))][,
`:=`(
# 基本转换
species_upper = toupper(species),
species_lower = tolower(species),
# 字符串长度
species_length = nchar(species),
# 子字符串提取
species_prefix = substr(species, 1, 3),
# 字符串替换
species_replace_e = gsub("e", "E", species),
# 字符串连接
species_full_name = paste(species, "Penguin")
)
]
_webr_editor_51 = Object {code: null, options: Object, indicator: it}
使用字符串方法如 .upper(), .lower(), len(), 切片操作, .replace() 等，或使用 str 访问器。
# 字符串处理示例
df_penguins[['species']].drop_duplicates().assign(
# 基本转换
species_upper = lambda df: df['species'].str.upper(),
species_lower = lambda df: df['species'].str.lower(),
# 字符串长度
species_length = lambda df: df['species'].str.len(),
# 子字符串提取
species_prefix = lambda df: df['species'].str[:3],
# 字符串替换
species_replace_e = lambda df: df['species'].str.replace('e', 'E'),
# 字符串连接
species_full_name = lambda df: df['species'] + ' Penguin'
)
_pyodide_editor_52 = Object {code: null, options: Object, indicator: it}
14 条件处理与逻辑判断
使用 CASE WHEN 语句进行条件处理，支持多条件判断。
-- 条件处理示例：根据体重分类企鹅
SELECT
species,
body_mass_g,
-- 简单条件判断
CASE
WHEN body_mass_g > 5000 THEN 'Heavy'
WHEN body_mass_g > 4000 THEN 'Medium'
ELSE 'Light'
END as weight_category,
-- 多条件组合
CASE
WHEN species = 'Adelie' AND body_mass_g > 4000 THEN 'Large Adelie'
WHEN species = 'Gentoo' AND body_mass_g > 5500 THEN 'Large Gentoo'
ELSE 'Standard'
END as size_category,
-- 使用 IN 操作符
CASE
WHEN island IN ('Torgersen', 'Dream') THEN 'Group A'
WHEN island = 'Biscoe' THEN 'Group B'
ELSE 'Other'
END as island_group
FROM penguins
LIMIT 10;
_duckdb_editor_53 = Object {code: null, options: Object, indicator: it}
使用 case_when() 函数进行多条件判断，或 if_else() 进行简单条件判断。
# 条件处理示例：根据体重分类企鹅
tb_penguins %>%
head(10) %>%
mutate(
# 简单条件判断
weight_category = case_when(
body_mass_g > 5000 ~ 'Heavy',
body_mass_g > 4000 ~ 'Medium',
TRUE ~ 'Light'
),
# 多条件组合
size_category = case_when(
species == 'Adelie' & body_mass_g > 4000 ~ 'Large Adelie',
species == 'Gentoo' & body_mass_g > 5500 ~ 'Large Gentoo',
TRUE ~ 'Standard'
),
# 使用 %in% 操作符
island_group = case_when(
island %in% c('Torgersen', 'Dream') ~ 'Group A',
island == 'Biscoe' ~ 'Group B',
TRUE ~ 'Other'
)
) %>%
select(
species,
island,
body_mass_g,
weight_category,
size_category,
island_group
)
_webr_editor_54 = Object {code: null, options: Object, indicator: it}
使用 fcase() 函数（data.table专用）进行多条件判断，或基础的 ifelse() 函数。
# 条件处理示例：根据体重分类企鹅
dt_penguins[
1:10,
.(
species,
island,
body_mass_g,
# 使用 fcase 进行多条件判断
weight_category = fcase(
body_mass_g > 5000,
'Heavy',
body_mass_g > 4000,
'Medium',
default = 'Light'
),
# 多条件组合
size_category = fcase(
species == 'Adelie' & body_mass_g > 4000,
'Large Adelie',
species == 'Gentoo' & body_mass_g > 5500,
'Large Gentoo',
default = 'Standard'
),
# 使用 %in% 操作符
island_group = fcase(
island %in% c('Torgersen', 'Dream'),
'Group A',
island == 'Biscoe',
'Group B',
default = 'Other'
)
)
]
_webr_editor_55 = Object {code: null, options: Object, indicator: it}
使用 np.where() 进行简单条件判断，或使用字典映射和 apply() 进行复杂条件处理。
import numpy as np
# 条件处理示例：根据体重分类企鹅
df_penguins.head(10).assign(
# 简单条件判断
weight_category = lambda df: np.where(df['body_mass_g'] > 5000, 'Heavy',
np.where(df['body_mass_g'] > 4000, 'Medium', 'Light')),
# 多条件组合
size_category = lambda df: np.where((df['species'] == 'Adelie') & (df['body_mass_g'] > 4000), 'Large Adelie',
np.where((df['species'] == 'Gentoo') & (df['body_mass_g'] > 5500), 'Large Gentoo', 'Standard')),
# 使用 isin 方法
island_group = lambda df: np.where(df['island'].isin(['Torgersen', 'Dream']), 'Group A',
np.where(df['island'] == 'Biscoe', 'Group B', 'Other'))
)[['species', 'island', 'body_mass_g', 'weight_category', 'size_category', 'island_group']]
_pyodide_editor_56 = Object {code: null, options: Object, indicator: it}
15 数据采样与随机化
使用 USING SAMPLE 或 ORDER BY RANDOM() 进行随机抽样。
-- 简单随机抽样 - 抽取10%的数据
SELECT *
FROM penguins
USING SAMPLE 10 PERCENT (bernoulli);
-- 随机抽取10行
SELECT *
FROM penguins
ORDER BY RANDOM()
LIMIT 10;
-- 分层抽样 - 每个物种抽取5只企鹅
WITH ranked_penguins AS (
SELECT *,
ROW_NUMBER() OVER (PARTITION BY species ORDER BY RANDOM()) as rn
FROM penguins
)
SELECT *
FROM ranked_penguins
WHERE rn <= 5;
-- 有放回抽样
SELECT *
FROM penguins
USING SAMPLE 20 ROWS (reservoir);
_duckdb_editor_57 = Object {code: null, options: Object, indicator: it}
使用 sample_n(), sample_frac(), 和 slice_sample() 进行随机抽样。
# 简单随机抽样 - 抽取10%的数据
tb_penguins %>%
sample_frac(0.1)
# 随机抽取10行
tb_penguins %>%
sample_n(10)
# 使用 slice_sample() - 推荐方式
tb_penguins %>%
slice_sample(n = 10)
# 分层抽样 - 每个物种抽取5只企鹅
tb_penguins %>%
group_by(species) %>%
slice_sample(n = 5) %>%
ungroup()
# 设置随机种子保证可重复性
set.seed(123)
tb_penguins %>%
slice_sample(n = 5)
# 有放回抽样
tb_penguins %>%
slice_sample(n = 20, replace = TRUE)
_webr_editor_58 = Object {code: null, options: Object, indicator: it}
使用 .N 和 sample() 函数进行随机抽样。
_webr_editor_59 = Object {code: null, options: Object, indicator: it}
使用 sample() 方法进行随机抽样。
# 简单随机抽样 - 抽取10%的数据
df_penguins.sample(frac=0.1)
# 随机抽取10行
df_penguins.sample(n=10)
# 分层抽样 - 每个物种抽取5只企鹅
df_penguins.groupby('species').apply(
lambda x: x.sample(n=min(5, len(x)))
).reset_index(drop=True)
# 设置随机种子保证可重复性
df_penguins.sample(n=5, random_state=123)
# 有放回抽样
df_penguins.sample(n=20, replace=True)
_pyodide_editor_60 = Object {code: null, options: Object, indicator: it}
16 数据描述性统计
使用聚合函数和 GROUP BY 进行描述性统计。
-- 基本描述性统计
SELECT
COUNT(*) as count,
AVG(bill_length_mm) as mean_bill_length,
STDDEV(bill_length_mm) as std_bill_length,
MIN(bill_length_mm) as min_bill_length,
MAX(bill_length_mm) as max_bill_length,
MEDIAN(bill_length_mm) as median_bill_length,
PERCENTILE_CONT(0.25) WITHIN GROUP (ORDER BY bill_length_mm) as q1_bill_length,
PERCENTILE_CONT(0.75) WITHIN GROUP (ORDER BY bill_length_mm) as q3_bill_length
FROM penguins;
-- 按物种分组的统计
SELECT
species,
COUNT(*) as count,
ROUND(AVG(body_mass_g), 2) as avg_mass,
ROUND(STDDEV(body_mass_g), 2) as std_mass,
MIN(body_mass_g) as min_mass,
MAX(body_mass_g) as max_mass
FROM penguins
GROUP BY species;
-- 频数统计
SELECT
species,
sex,
COUNT(*) as count,
ROUND(COUNT(*) * 100.0 / SUM(COUNT(*)) OVER (), 2) as percentage
FROM penguins
WHERE sex IS NOT NULL
GROUP BY species, sex
ORDER BY species, sex;
_duckdb_editor_61 = Object {code: null, options: Object, indicator: it}
使用 summarise() 和统计函数进行描述性统计。
# 基本描述性统计
tb_penguins %>%
summarise(
count = n(),
mean_bill_length = mean(bill_length_mm, na.rm = TRUE),
std_bill_length = sd(bill_length_mm, na.rm = TRUE),
min_bill_length = min(bill_length_mm, na.rm = TRUE),
max_bill_length = max(bill_length_mm, na.rm = TRUE),
median_bill_length = median(bill_length_mm, na.rm = TRUE),
q1_bill_length = quantile(bill_length_mm, 0.25, na.rm = TRUE),
q3_bill_length = quantile(bill_length_mm, 0.75, na.rm = TRUE)
)
# 按物种分组的统计
tb_penguins %>%
group_by(species) %>%
summarise(
count = n(),
avg_mass = round(mean(body_mass_g, na.rm = TRUE), 2),
std_mass = round(sd(body_mass_g, na.rm = TRUE), 2),
min_mass = min(body_mass_g, na.rm = TRUE),
max_mass = max(body_mass_g, na.rm = TRUE)
)
# 频数统计
tb_penguins %>%
filter(!is.na(sex)) %>%
count(species, sex) %>%
mutate(percentage = round(n * 100 / sum(n), 2)) %>%
arrange(species, sex)
_webr_editor_62 = Object {code: null, options: Object, indicator: it}
在 j 位置使用统计函数进行描述性统计。
# 基本描述性统计
dt_penguins[, .(
count = .N,
mean_bill_length = mean(bill_length_mm, na.rm = TRUE),
std_bill_length = sd(bill_length_mm, na.rm = TRUE),
min_bill_length = min(bill_length_mm, na.rm = TRUE),
max_bill_length = max(bill_length_mm, na.rm = TRUE),
median_bill_length = median(bill_length_mm, na.rm = TRUE),
q1_bill_length = quantile(bill_length_mm, 0.25, na.rm = TRUE),
q3_bill_length = quantile(bill_length_mm, 0.75, na.rm = TRUE)
)]
# 按物种分组的统计
dt_penguins[,
.(
count = .N,
avg_mass = round(mean(body_mass_g, na.rm = TRUE), 2),
std_mass = round(sd(body_mass_g, na.rm = TRUE), 2),
min_mass = min(body_mass_g, na.rm = TRUE),
max_mass = max(body_mass_g, na.rm = TRUE)
),
by = species
]
# 频数统计
dt_penguins[!is.na(sex), .(count = .N), by = .(species, sex)][,
percentage := round(count * 100 / sum(count), 2)
][order(species, sex)]
_webr_editor_63 = Object {code: null, options: Object, indicator: it}
使用 describe() 方法和聚合函数进行描述性统计。
# 基本描述性统计 - 使用 describe()
df_penguins[['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']].describe()
# 自定义描述性统计
df_penguins.agg({
'bill_length_mm': ['count', 'mean', 'std', 'min', 'max', 'median']
})
# 按物种分组的统计
df_penguins.groupby('species').agg({
'body_mass_g': ['count', 'mean', 'std', 'min', 'max']
}).round(2)
# 频数统计
freq_table = df_penguins[df_penguins['sex'].notna()].groupby(['species', 'sex']).size().reset_index(name='count')
freq_table['percentage'] = round(freq_table['count'] * 100 / freq_table['count'].sum(), 2)
freq_table.sort_values(['species', 'sex'])
_pyodide_editor_64 = Object {code: null, options: Object, indicator: it}
Downloading package: htmltools