dplyr：在 mutate 命令中使用过滤器、group_by [重复]

使用dplyr的mutate命令可以对数据进行修改和添加新的变量。在mutate命令中，我们还可以使用过滤器和group_by来对数据进行筛选和分组。下面将介绍如何在mutate命令中使用过滤器和group_by，并给出相应的代码案例。

使用过滤器

在mutate命令中使用过滤器可以根据条件筛选数据。例如，我们有一份销售数据，包含了产品名称、销售额和销售日期等字段。我们可以使用过滤器来筛选出销售额大于100的数据，并添加一个新的变量来表示是否超过了销售额阈值。

R
library(dplyr)
# 创建示例数据
sales_data <- data.frame(</p>  product = c("A", "B", "C", "D", "E"),
  sales = c(150, 80, 120, 200, 90),
  date = c("2021-01-01", "2021-01-02", "2021-01-03", "2021-01-04", "2021-01-05")
)
# 使用过滤器筛选销售额大于100的数据，并添加新的变量
filtered_data <- sales_data %>%
  filter(sales > 100) %>%
  mutate(is_above_threshold = ifelse(sales > 200, "Yes", "No"))
# 输出筛选后的数据
filtered_data

以上代码中，首先使用filter函数筛选出销售额大于100的数据，然后使用mutate函数添加一个新的变量is_above_threshold。如果销售额超过了200，则is_above_threshold的值为"Yes"，否则为"No"。

使用group_by

在mutate命令中使用group_by可以对数据进行分组操作。例如，我们有一份学生成绩数据，包含了学生姓名、科目和分数等字段。我们可以使用group_by对数据按科目进行分组，并计算每个科目的平均分。

R
library(dplyr)
# 创建示例数据
score_data <- data.frame(</p>  student = c("Alice", "Bob", "Alice", "Bob", "Cindy"),
  subject = c("Math", "Math", "English", "English", "Math"),
  score = c(80, 90, 85, 95, 75)
)
# 按科目分组，计算每个科目的平均分
grouped_data <- score_data %>%
  group_by(subject) %>%
  mutate(average_score = mean(score))
# 输出分组后的数据
grouped_data

以上代码中，首先使用group_by函数将数据按科目进行分组，然后使用mutate函数计算每个科目的平均分，并将结果保存在新的变量average_score中。

本文介绍了如何在dplyr的mutate命令中使用过滤器和group_by。通过使用过滤器，我们可以根据条件筛选出符合要求的数据，并添加新的变量。而使用group_by可以对数据进行分组操作，并在每个分组内进行相关的计算。这些功能的使用可以帮助我们对数据进行更加灵活和准确的处理和分析。

希望本文的介绍和案例代码可以帮助读者更好地理解和运用dplyr中的mutate命令。通过灵活运用过滤器和group_by，我们可以更加高效地处理和分析数据，为实际问题的解决提供有力支持。