巨人的肩膀与 plyr R软体套件
瞎忙了一阵子，惊觉许久未动笔撰写闲话家常了，虽然每天都会操作或阅读一些 R 相关文件，但总觉不能脱稿太久。回想起常在课堂上对学生或学员们说：「 R 海无涯，为勤是岸。」不但是鼓励学员，也算是一种自我惕励。但这样说来，好像学 R 是件令人可惧的事，其实读者们不用太担心！因为 R 玩家中有许多强大的巨人会引领我们向前航行。比如说今天的主角
plyr 套 件 ，就 是由多 产的 美国 Rice 大学统 计系助理 教授，纽西兰裔的 Hadley Wickham(http://had.co.nz/)所开发的，他是资料视觉化(data visualization)的专家，也是知名的资料整理(data manipulation)套件 reshape 与绘图套件 ggplot2 的主要开发者。
plyr 的读音同英文的老虎钳(pliers)去掉字尾 s，顾名思义它是运用分割-应用-组合(split-apply-combine)的策略于资料分析的工作上，也就是说将一大的问题，切割为可管控的子集，个别进行问题解决后，再重新组合起来。举例来说，先建一个包含三个数值变数与两个因子的72 笔资料，
> library(plyr)
> dd <- data.frame(matrix(round(rnorm(216), 2), 72, 3), c(rep("A", 24), rep("B", 24), rep("C",
+ 24)), c(rep("J", 36), rep("K", 36)))
> colnames(dd) <- c("v1", "v2", "v3", "dim1", "dim2")
> head(dd)
v1 v2 v3 dim1 dim2
1 0.55 -0.37 -0.79 A J
2 0.87 -1.37 0.03 A J
3 -0.78 -0.11 -1.59 A J
4 3.09 -0.63 -0.60 A J
5 -0.02 2.16 -0.07 A J
6 0.26 0.80 -2.31 A J
plyr 套件中的 ddply 函数可以不用撰写回圈，迅速地计算出两因子 dim1 与 dim2 各种可能组合下，数值变数 v1 的平均数。
> ddply(dd, c("dim1", "dim2"), function(df) mean(df$v1))
dim1 dim2 V1
1 A J 0.38250
2 B J -0.42500
3 B K 0.09833
4 C K -0.17250
其实它的功能如同 SQL 中的某些指令，或是可看成 EXCEL 的枢纽分析。这对弹性强大的 R来说不是一件新鲜事，R 玩家常挂在嘴边的一句话就是：「几乎没有 R 完成不了的资料分析工作！」上述计算的另一种 ddply 函数写法如下：
> ddply(dd, c("dim1", "dim2"), summarise, V1 = mean(v1))
dim1 dim2 V1
1 A J 0.38250
2 B J -0.42500
3 B K 0.09833
4 C K -0.17250
ddply 的头两个英文字母分别代表函数的输入为资料框(data frame)，输出结果亦为资料框。当然，plyr 套件还有其它的函数，ldply 表输入为串列(list)，输出为资料框；alply 表输入为阵列(array)，输出为串列；d_ply 则不传回任何物件，通常此函数输出到图形装置或档案，更多的资讯请参考 plyr 手册或下面的参考资料。
参考资料：Wickham, H. (2011), “The split-apply-combine strategy for data analysis”, Journal of Statistical Software, Vol. 40, Issue 1, pp. 1-29.
|
撰文者： |
