Tidyverse 概述

让我们来了解一下 tidyverse 是什么。

tidyverse 是一组为 R 语言设计的包，它们能够无缝协作，使数据操作和可视化更加一致、逻辑清晰且易于阅读。虽然 tidyverse 不是 R 中唯一的数据处理方式，事实上许多 R 用户并不使用 tidyverse，而是坚持使用基础 R，并在其之上叠加其他包。实际上，我们已经具备了在 R 中完成许多分析所需的技能。然而，在数据科学的背景下，转向 tidyverse 有许多显著优势。

一个很快就会发现的事实是：在不使用 tidyverse 的情况下，我们的代码中很大一部分都在进行函数输出到输入之间的转换。而 tidyverse 的核心目标正是通过保持一致性来解决这一问题。它让我们能更专注于分析本身，而不是繁琐的数据处理。

对数据科学家来说，一个普遍的经验法则是：大约 80% 的代码都用于数据清洗，也就是将数据“整理”好。tidyverse 能帮助我们将这部分工作减少，从而让我们更专注于分析。tidyverse 中体现的标准化也体现在我们调用和使用各个包中的函数的方式上。这一点非常有价值，因为这意味着无论函数来自哪个包，其结构都与其他 tidyverse 包中的函数保持一致。因此：

• 学习新的 tidyverse 包和函数变得更加容易——惊喜更少。
• 即使同事不熟悉具体使用的包，也能轻松理解我们的代码。
• 一个函数设计的输入可以直接作为另一个函数的输入，一个函数的输出也能直接流入下一个函数，从而减少中间代码来重新组织数据的需求。

此外，tidyverse 还提供了一些其他重要优势。其中之一是其强大的可视化和交互式绘图包。这些包是 R 中制作美观图表的行业标准，因此我们将在后续课程中重点学习如何使用它们。

tidyverse 的核心标准化体现在我们如何组织数据。要使用 tidyverse，我们需要“整洁的数据”——这也是名称的由来。一旦数据变为整洁形式，tidyverse 中的所有函数都会保持这种形式，所有函数也都专门为此种结构设计。整洁数据遵循以下规则：

• 每一列是一个变量。
• 每一行是一个观测值。
• 每个单元格包含单一值。

不整洁或混乱的数据，则指不符合上述条件的任何数据。

让我们暂停一下，深入探讨这一点。数据框可以以任意方式组织。如果我们有调查数据，可以把每一列当作一个问题，也可以把每一列当作一行。但现在我们要转向 tidyverse，因此需要整洁的数据。根据定义，整洁数据赋予了行和列明确的意义。如果每个受访者对一组问题的回答构成一个观测值（变量），那么为了保持数据整洁，行必须代表受访者，列必须代表问题的答案。

1# 读取 'MySurveyData.csv' 文件，
2# 存储在名为 Var_SurveyData 的变量中
3VAR_SurveyDataTidy <- read.csv("MySurveyData.csv",
4                        header = TRUE, row.names = 1,
5                        stringsAsFactors = FALSE)
6                        
7# 将数据转置，使其变得“不整洁”
8VAR_SurveyDataUntidy <- t(VAR_SurveyDataTidy) 
9
10# 打印整洁的数据
11print("这是整洁的数据")
12VAR_SurveyDataTidy
13
14# 打印不整洁的数据
15print("这是混乱的数据")
16VAR_SurveyDataUntidy

在上面的例子中：

• 第 3–5 行：我们将一个 CSV 文件读入数据框。
• 第 8 行：通过转置数据使其变得不整洁。此时观测值不再位于行中，变量也不再位于列中。
• 第 12 和 16 行：打印整洁与不整洁数据的示例。

再看另一个例子：我们反复将一颗弹珠滚过一张桌子，并测量其在桌面上的最终 x 和 y 坐标。一个整洁的数据集应包含列 roll、final_x 和 final_y，每一行代表一次弹珠滚动。每次滚动是一个观测值，我们测量的变量是 final_x 和 final_y。

1# 读取 'Dice Data' CSV 文件
2# 存储在变量 VAR_DiceData 中
3VAR_DiceData <- read.csv("DiceData.csv")
4
5# 将 X 和 Y 位置列合并为一列
6# 使数据变得不整洁
7VAR_DiceDataCombined <- data.frame(XY_POS = paste(VAR_DiceData$X_POS,
8                            VAR_DiceData$Y_POS, sep = ","))
9
10# 打印整洁的数据
11print("这是整洁的数据")
12VAR_DiceData[1:10,]
13
14# 打印不整洁的数据，因为数据已被转置
15print("这是混乱的数据")
16t(VAR_DiceData[1:10,])
17
18# 打印不整洁的数据，因为 X 和 Y 位置数据
19# 已被合并为单列
20print("这也是混乱的数据")
21VAR_DiceDataCombined[1:10,]

在这个例子中，我们读取了骰子数据，然后通过两种方式将其变得不整洁：一是转置数据，二是将两个变量合并为一列。

• 第 7–8 行：将两个变量合并为一列，使数据变得不整洁。
• 第 16–21 行：打印整洁与不整洁数据的示例。

tidyverse 的核心思想就是围绕“整洁数据集”展开。我们或许会对某些规则持有不同意见，但关键不在于规则本身，而在于拥有一个统一的结构。这种统一结构让我们能够获得前述的各种好处。

现在我们很快会发现，实际工作中很少有数据是以整洁的形式直接到达数据科学家手中的。按照我们的定义，它们往往都是混乱的。而在实践中，tidyverse 会让我们把数据清洗步骤提前到代码的最开始，从而减少整体的数据整理工作量。

1# 加载基础的 tidyverse 库
2library(ggplot2)
3library(purrr)
4library(tibble)
5suppressPackageStartupMessages(library(dplyr))
6library(tidyr)
7library(stringr)
8library(readr)
9library(forcats)
10
11?dplyr
12
13?tidyr

注意：我们使用 suppressPackageStartupMessages 包裹了 dplyr 包的加载。dplyr 包在加载时会输出大量信息，这个包裹可以屏蔽这些提示消息。

在上面的代码片段中，我们通过加载各个核心包来引入 tidyverse。同时，我们也请求了部分包的帮助文档：dplyr 和 tidyr。

• 第 2–9 行：加载构成 tidyverse 核心的包。
• 第 11 和 13 行：分别打印 dplyr 和 tidyr 的帮助文档。

现在我们可以将数据清洗工作与核心分析任务区分开来。诸如拆分单个单元格中合并的值、修正拼写错误、填补缺失值等操作，都可以在进入分析核心之前完成。这是因为这些步骤不需要在分析的不同部分重复执行，也不需要以不同形式进行，因此我们可以尽早完成它们，从而让后续分析更加高效。