接著我們要介紹的是 dplyr() 套件，相較於原生的資料處理語法， dplyr() 套件中融入 ... 在 select() 函數中我們輸入資料框的名稱，以及想要選取的變數名稱，舉例來說 ...
認識R的美好
1關於
1.1關於作者
1.2關於R語言
1.3關於本書
1.3.1您能夠從本書獲得什麼
1.3.2前提
2容易安裝的開發環境
2.1安裝R
2.2安裝RStudio
2.3RStudio介面導覽
2.4關於套件
2.5常見問題
2.5.1語系的設定
2.5.2開啟R程式碼檔案為何是亂碼
2.5.3Windows不要設定中文使用者名稱
2.5.4R和RStudio不要安裝在Windows的OneDrive資料夾
2.6隨堂練習
2.7延伸閱讀
3快速入門
3.1使用%運算子
6資料處理利器：dplyr
6.1安裝與載入
6.2常用函數
6.3gapminder資料
6.4檢視gapminder資料
6.5篩選符合條件的觀測值
6.6選擇變數
6.7新增衍生變數
6.8依照變數排序觀測值
6.9聚合變數
6.10依照類別變數分組
7靜態視覺化入門：ggplot2
7.1安裝與載入
7.2常用的基本圖形
7.3散佈圖
7.4線圖
7.5直方圖
7.6盒鬚圖
7.7長條圖
7.8mac顯示中文
7.9延伸閱讀
8精簡的變數型別
8.1暸解不同的變數型別
8.2數值
8.3整數
8.4邏輯值
8.5文字
8.5.1日期
8.6時間
8.7數學運算
8.8變數型別的判斷與轉換
8.8.1變數型別的判斷
8.8.2變數型別的轉換
9三心二意
9.1兩個分支
9.2三個分支
9.3四個分支或更多
10多樣的資料結構：向量與因素向量
10.1R語言三大資料結構
10.2向量
10.3因素向量
10.4互動練習題
11懶人的最愛：for迴圈
11.1印出12個月的月份名稱
11.2for迴圈
12懶人的最愛：while迴圈
12.1兩種迴圈的運用時機
13多樣的資料結構：矩陣、資料框與更多
13.1矩陣
13.2資料框
索引
Publishedwithbookdown
認識R的美好
6資料處理利器：dplyr
接著我們要介紹的是dplyr()套件，相較於原生的資料處理語法，dplyr()套件中融入很多概念與結構化查詢語言（StructuredQueryLanguage，SQL）相仿的函數。
搭配%>%運算子一起使用，能夠讓我們整理資料的能力獲得一個檔次的提升！
6.1安裝與載入
使用之前，必須要安裝和載入dplyr這個套件：
#安裝dplyr套件---------
install.packages("dplyr")
#安裝dplyr套件---------
library(dplyr)
6.2常用函數
我們將dplyr()套件提供的常用函數整理如下表：
filter()
篩選符合條件的觀測值
select()
選擇變數
mutate()
新增衍生變數
arrange()
依照變數排序觀測值
summarise()
聚合變數
group_by()
依照類別變數分組，常搭配summarise()函數
6.3gapminder資料
我們要使用dplyr套件處理的資料源自於一個非常有名的TED演講：
Thebeststatsyou’veeverseen
或者可以看一個簡短版的BBC剪輯：
HansRosling’s200Countries,200Years,4Minutes-TheJoyofStats
在R語言中gapminder資料可以透過安裝載入gapminder套件獲得：
#安裝gapminder套件---------
install.packages("gapminder")
#載入gapminder套件---------
library(gapminder)
6.4檢視gapminder資料
透過head()與str()檢視gapminder資料：
#載入gapminder套件---------
library(gapminder)
#檢視gapminder資料
head(gapminder)
###Atibble:6x6
##countrycontinentyearlifeExppopgdpPercap
##
##1AfghanistanAsia195228.8018425333779.4453
##2AfghanistanAsia195730.3329240934820.8530
##3AfghanistanAsia196231.99710267083853.1007
##4AfghanistanAsia196734.02011537966836.1971
##5AfghanistanAsia197236.08813079460739.9811
##6AfghanistanAsia197738.43814880372786.1134
str(gapminder)
##Classes'tbl_df','tbl'and'data.frame':1704obs.of6variables:
##$country:Factorw/142levels"Afghanistan",..:1111111111...
##$continent:Factorw/5levels"Africa","Americas",..:3333333333...
##$year:int1952195719621967197219771982198719921997...
##$lifeExp:num28.830.3323436.1...
##$pop:int842533392409341026708311537966130794601488037212881816138679571631792122227415...
##$gdpPercap:num779821853836740...
6.5篩選符合條件的觀測值
在filter()函數中我們輸入要篩選的資料框，以及依據什麼條件進行篩選，舉例來說我們可以將gapminder中2007年的資料篩選出來：
library(gapminder)
library(dplyr)
library(magrittr)
gapminder%>%
filter(year==2007)
###Atibble:142x6
##countrycontinentyearlifeExppopgdpPercap
##
##1AfghanistanAsia200743.82831889923974.5803
##2AlbaniaEurope200776.42336005235937.0295
##3AlgeriaAfrica200772.301333332166223.3675
##4AngolaAfrica200742.731124204764797.2313
##5ArgentinaAmericas200775.3204030192712779.3796
##6AustraliaOceania200781.2352043417634435.3674
##7AustriaEurope200779.829819978336126.4927
##8BahrainAsia200775.63570857329796.0483
##9BangladeshAsia200764.0621504483391391.2538
##10BelgiumEurope200779.4411039222633692.6051
###...with132morerows
6.6選擇變數
在select()函數中我們輸入資料框的名稱，以及想要選取的變數名稱，舉例來說我們可以將gapminder中的country篩選出來：
gapminder%>%
filter(year==2007)%>%
select(country)
###Atibble:142x1
##country
##
##1Afghanistan
##2Albania
##3Algeria
##4Angola
##5Argentina
##6Australia
##7Austria
##8Bahrain
##9Bangladesh
##10Belgium
###...with132morerows
6.7新增衍生變數
利用mutate()函數新增衍生變數，舉例來說，我們要在gapminder資料框中新增衍生變數pop_in_thousands：
gapminder%>%
mutate(pop_in_thousands=pop/1000)
###Atibble:1,704x7
##countrycontinentyearlifeExppopgdpPercappop_in_thousands
##
##1AfghanistanAsia195228.8018425333779.44538425.333
##2AfghanistanAsia195730.3329240934820.85309240.934
##3AfghanistanAsia196231.99710267083853.100710267.083
##4AfghanistanAsia196734.02011537966836.197111537.966
##5AfghanistanAsia197236.08813079460739.981113079.460
##6AfghanistanAsia197738.43814880372786.113414880.372
##7AfghanistanAsia198239.85412881816978.011412881.816
##8AfghanistanAsia198740.82213867957852.395913867.957
##9AfghanistanAsia199241.67416317921649.341416317.921
##10AfghanistanAsia199741.76322227415635.341422227.415
###...with1,694morerows
6.8依照變數排序觀測值
利用arrange()函數依指定的變數來排序觀測值，舉例來說以year變數來排序gapminder：
gapminder%>%
arrange(year)
###Atibble:1,704x6
##countrycontinentyearlifeExppopgdpPercap
##
##1AfghanistanAsia195228.8018425333779.4453
##2AlbaniaEurope195255.23012826971601.0561
##3AlgeriaAfrica195243.07792795252449.0082
##4AngolaAfrica195230.01542320953520.6103
##5ArgentinaAmericas195262.485178769565911.3151
##6AustraliaOceania195269.120869121210039.5956
##7AustriaEurope195266.80069277726137.0765
##8BahrainAsia195250.9391204479867.0848
##9BangladeshAsia195237.48446886859684.2442
##10BelgiumEurope195268.00087304058343.1051
###...with1,694morerows
6.9聚合變數
在summarise()函數中我們輸入想要聚合的變數名稱與聚合公式，聚合運算的結果通常是一個數字，代表某個數列的運算結果，像是總和、平均數或標準差都是聚合運算的結果，舉例來說，我們可以運算gapminderˋ中2007年全球的人口數：
gapminder%>%
filter(year==2007)%>%
summarise(ttl_pop=sum(as.numeric(pop)))
###Atibble:1x1
##ttl_pop
##
##16251013179
6.10依照類別變數分組
聚合函數的運算常常會搭配group_by()函數一起使用，這時我們就可以整合%>%運算子，舉例來說，我們可以計算gapminder中2007年各洲的人口數：
gapminder%>%
filter(year==2007)%>%
group_by(continent)%>%
summarise(ttl_pop=sum(as.numeric(pop)))
###Atibble:5x2
##continentttl_pop
##
##1Africa929539692
##2Americas898871184
##3Asia3811953827
##4Europe586098529
##5Oceania24549947
