Skip to content

Data Science › R Foundations › Tidyverse 工作流

Tidyverse 工作流 (Tidyverse Workflow) ​

tidyverse 的價值不在於單一函式,而在於每個 verb 都吃 data frame、吐 data frame,所以讀檔 → 清理 → 摘要 → 畫圖能用 pipe 一路串起來。Python 的對應是 pandas method chaining,見 pandas。

Tidy data ​

原則意思反例
每欄一個變數sample、gene、count 各一欄每個樣本一欄(寬表)
每列一個觀測一列 = 一個樣本 × 一個基因一列塞多個時間點
每格一個值"TP53""TP53;BRCA1"

表現量矩陣(基因 × 樣本)是寬表,適合矩陣運算與 Bioconductor;要用 dplyr / ggplot2 分組畫圖時先 pivot_longer()。見 tidyr 資料重塑。

套件負責
readr / readxl讀檔,見 匯入資料
dplyr列 / 欄操作、分組摘要、join
tidyr寬長轉換、拆欄、補缺值
stringr / forcats / lubridate字串 / 類別 / 日期
purrr對 list 迭代
ggplot2圖

Pipe:|> vs %>% ​

r
library(tidyverse)

gapminder |> filter(year == 2007) |> arrange(desc(lifeExp))
|>(base R ≥ 4.1.0)%>%(magrittr)
需要套件否是(tidyverse 會載入)
佔位符_,需具名參數:lm(y ~ x, data = _)(R ≥ 4.2.0).,可放任何位置
速度語法轉換,零成本函式呼叫,有些微開銷

新程式建議用 |>。中間結果會被重用就先存成有名字的物件,不要把 pipeline 拉到 20 行。

核心 verbs ​

想做dplyrpandas 對應
篩列filter(year == 2007, pop > 1e7)df.query(...) / boolean mask
選欄select(country, starts_with("gdp"))df[[...]]、df.filter(like=)
新增 / 改欄mutate(gdp = gdpPercap * pop)df.assign(...)
排序arrange(desc(lifeExp))sort_values(ascending=False)
改欄名rename(life = lifeExp)rename(columns=)
取不重複distinct(country, continent)drop_duplicates()
取前 nslice_max(lifeExp, n = 5)nlargest(5, ...)
分組摘要group_by(continent) |> summarize(...)groupby().agg()
計數count(continent, sort = TRUE)value_counts()
多欄套同函式across(where(is.numeric), mean)df.select_dtypes().mean()
r
gapminder |>
  filter(year == 2007) |>
  mutate(gdp_billion = gdpPercap * pop / 1e9) |>
  summarize(
    n          = n(),
    mean_life  = mean(lifeExp),
    total_gdp  = sum(gdp_billion),
    .by = continent                                    # dplyr ≥ 1.1.0:單次分組,不留 group 狀態
  )

# 舊寫法:group_by() 後記得解除分組
gapminder |>
  group_by(continent, year) |>
  summarize(mean_life = mean(lifeExp), .groups = "drop")

# 多欄套同一組函式
gapminder |>
  summarize(across(c(lifeExp, gdpPercap), list(mean = mean, sd = sd)), .by = continent)

# 分組後 mutate:組內標準化
gapminder |> mutate(life_z = (lifeExp - mean(lifeExp)) / sd(lifeExp), .by = year)

group_by() 的分組狀態會跟著物件走,後面的 mutate() / slice() 仍會分組執行。用 .by 或 .groups = "drop" / ungroup() 避免意外。

接到 ggplot2 ​

先把資料整理成「圖要的形狀」,再畫圖;圖很亂時通常是資料沒先 filter / summarize。

r
gapminder |>
  filter(year == 2007) |>
  ggplot(aes(x = gdpPercap, y = lifeExp, color = continent, size = pop)) +
  geom_point(alpha = 0.7) +
  scale_x_log10() +
  labs(x = "GDP per capita (log)", y = "Life expectancy")

gapminder |>
  filter(country %in% c("Taiwan", "Japan")) |>
  ggplot(aes(year, lifeExp, color = country)) +
  geom_line()
問題geom資料形狀
兩連續變數關係geom_point()原始列
隨時間 / 有序 x 的趨勢geom_line()每組每時間一列
單變數分布geom_histogram() / geom_density()原始列
組間分布比較geom_boxplot() / geom_violin()原始列(long)
類別計數geom_bar()(自己數)/ geom_col()(已摘要)原始 / 摘要後

圖表選擇原則見 圖表設計原則;尺度、分面、主題、輸出與生資常見圖(volcano、PCA)見 ggplot2。

一切皆物件(給 SAS / SPSS 使用者) ​

SAS 用 DATA step + PROC 產生報表;R 是在有狀態的 session 裡建立、轉換、重用物件。summary() 輸出、模型結果都是物件,「輸出」就是下一步的輸入。

r
fit <- lm(lifeExp ~ log(gdpPercap) + continent, data = gapminder)
coef(fit); residuals(fit)            # 模型是物件,不是報表
broom::tidy(fit)                     # 係數表變 tibble,可再接 dplyr / ggplot2
broom::glance(fit)                   # 一列模型層級統計(R²、AIC)
SAS 習慣R 對應
BY 分組summarize(.by = ) / group_by()
PROC MEANS / PROC FREQsummarize()、count()
PROC REG 報表lm() 物件 + summary() / broom::tidy()
PROC SORT + MERGEleft_join(),見 dplyr 合併資料
看 logstr()、glimpse()、class()

session 有狀態:物件是否存在取決於執行順序。交付前要「Restart R → 從頭跑一次」,或用 R Markdown / Quarto 強制從乾淨環境執行。