dplyr 数据处理入门：filter、select、mutate、arrange 实战

base R 里筛一行数据要写 mtcars[mtcars$cyl == 4 & mtcars$hp > 100, c("mpg", "hp")]：方括号里塞两个条件、一个列名向量，少写一个逗号就报错，列多了还得数位置。dplyr 换了个思路，把「筛行」「选列」「造新列」拆成独立动词（verb），一个函数只做一件事，函数名就是它在做的事，再用管道串成一条从上往下读的流程。

五个动词和一条管道

动词	作用	类比 SQL
filter()	按条件保留行	WHERE
select()	挑选、排除、重命名列	SELECT
mutate()	新增或改写列	SELECT ... AS
arrange()	按列排序	ORDER BY
summarise()	把多行压成一行汇总值	聚合函数

前四个是这一篇的主角，summarise() 要配合分组才有威力，留在下一篇讲。下面所有例子的数据都来自 mtcars——R 内置的 32 辆车的油耗与性能数据，不需要读任何外部文件。

library(tidyverse)

# mtcars 的行名是车型，转成一列，后面按车型筛选方便
cars <- as_tibble(mtcars, rownames = "model")
cars

as_tibble() 把 data.frame 换成 tibble（一种打印更克制的现代数据框）：会显示每一列的类型，列放不下就截断并提示还有几列没打印，行多了只显示前 10 行。相比之下 data.frame 会把整张表糊满屏幕。

filter：按行筛选

filter() 的第一个参数是数据，后面跟任意多个逻辑条件，条件之间是「且」的关系：

cars |>
  filter(cyl == 4, hp > 100) |>
  select(model, mpg, hp, wt) |>
  arrange(desc(hp))

# A tibble: 2 × 4
  model          mpg    hp    wt
  <chr>        <dbl> <dbl> <dbl>
1 Lotus Europa  30.4   113  1.51
2 Volvo 142E    21.4   109  2.78

四缸车有 11 辆，其中马力超过 100 的只剩两辆。hp > 100 里的 > 是逻辑运算，返回 TRUE/FALSE 向量，filter() 只保留 TRUE 对应的行。

几个容易踩的点：

• 多条件用逗号隔开，等价于用 & 连接。想表达「或」必须显式写 |，别指望逗号。
• = 和 == 不是一回事。filter(cars, cyl = 4) 会报错并提示 We detected a named input——它以为你要给参数命名。判断相等永远是 ==。
• NA 会被静默丢掉。filter() 只保留条件为 TRUE 的行，条件算出 NA 的行（比如某列本身缺失）既不进也不出。用 airquality 试一下就明白：airquality |> filter(Ozone > 100) 返回的行数远少于 airquality |> filter(is.na(Ozone) | Ozone > 100)，因为 Ozone 有 37 个缺失值。
• 浮点数别用 ==。filter(cars, wt == 2.62) 看着没问题，但 wt 是二进制浮点数，等于判断随时可能落空。判断「足够接近」用 near(wt, 2.62)，或者直接写区间 wt > 2.61, wt < 2.63。
• 成员判断用 %in%：filter(cars, cyl %in% c(4, 6)) 保留四缸和六缸，比写两遍 | 清楚。

select：按列挑选

cars |>
  select(model, starts_with("d")) |>
  head(3)

# A tibble: 3 × 3
  model          disp  drat
  <chr>         <dbl> <dbl>
1 Mazda RX4       160   3.9
2 Mazda RX4 Wag   160   3.9
3 Datsun 710      108  3.85

starts_with() 属于「选择辅助函数」（selection helper），同类还有 ends_with()、contains()、num_range()、everything()，以及最灵活的 where()——它接受一个函数，对每一列判断是否保留：

iris |>
  select(where(is.numeric)) |>
  head(2)

  Sepal.Length Sepal.Width Petal.Length Petal.Width
1          5.1         3.5          1.4         0.2
2          4.9         3.0          1.4         0.2

iris 有一个 Species 因子列，where(is.numeric) 一句话就把它排除掉，列名换了也不用改代码。排除列用负号：select(cars, -c(mpg, cyl)) 表示「除了这两列都要」。改名直接在 select() 里写 新名 = 旧名，例如 select(cars, 车型 = model)。

注意 select() 里写的列名是不带引号的。写成 select(cars, "model") 在新版 dplyr 里也能跑，但混着写容易出错，建议统一不加引号。列名存在字符串变量里时，用 all_of(cols) 明确告诉 dplyr「这些是外部变量」。

mutate：新增和改写列

mutate() 在数据框末尾追加新列，表达式里可以直接引用同一批新造的列：

cars |>
  mutate(hp_per_wt = hp / wt) |>
  select(model, hp, wt, hp_per_wt) |>
  arrange(desc(hp_per_wt)) |>
  head(3)

# A tibble: 3 × 4
  model             hp    wt hp_per_wt
  <chr>          <dbl> <dbl>     <dbl>
1 Maserati Bora    335  3.57      93.8
2 Ford Pantera L   264  3.17      83.3
3 Lotus Europa     113  1.51      74.7

hp / wt 是推重比，用来衡量「每吨车重摊到多少马力」，比单看马力更能说明加速能力。mutate() 常用参数：

• .keep = "used" 只保留用到的列和新建的列，中间调试时很省事；
• .before / .after 控制新列插在哪儿，比如 .after = model；
• 想「只要新列」，用 transmute()：transmute(cars, model, kpl = mpg * 0.4251) 只返回车型和换算成公里/升的油耗。

一个反直觉的地方：mutate() 不改原对象，只返回新数据框。mutate(cars, x = 1) 跑完之后 cars 一个字节都没变，必须写 cars <- cars |> mutate(...) 才生效。这是有意的设计——分析脚本里哪个变量被改过，读代码时一眼能看出来。

arrange：排序

arrange() 默认升序，desc() 包住列名就是降序。多列排序按书写顺序依次生效，前一个值相同的行再看后一个：

cars |>
  arrange(cyl, desc(mpg)) |>
  select(model, cyl, mpg) |>
  head(4)

# A tibble: 4 × 3
  model            cyl   mpg
  <chr>          <dbl> <dbl>
1 Toyota Corolla     4  33.9
2 Fiat 128           4  32.4
3 Honda Civic        4  30.4
4 Lotus Europa       4  30.4

Honda Civic 和 Lotus Europa 的油耗都是 30.4，谁在前取决于它们在数据里原本的先后。arrange() 不保证并列行的顺序，如果下游结果依赖这个顺序（比如取前 N 行做样本），要么多写一个排序列把顺序定死，要么在并列时改用 slice_sample() 随机抽取。想按行号取「最省油的前 5 辆」这种需求，slice_max(mpg, n = 5) 比排序加 head() 更贴切，它还会保留并列值。

排序还有一条实用规则：缺失值永远排在最后，升序降序都一样。这对含缺失的问卷数据很友好，airquality |> arrange(desc(Ozone)) |> head(3) 拿到的是臭氧浓度最高的三天，不会先冒出一堆 NA。

管道：把嵌套改成流水线

同样的操作不用管道要写成嵌套函数，阅读顺序是从最里面往外翻：

head(arrange(select(filter(cars, cyl == 4), model, mpg, hp), desc(hp)), 3)

cars |>
  filter(cyl == 4) |>
  select(model, mpg, hp) |>
  arrange(desc(hp)) |>
  head(3)

# A tibble: 3 × 3
  model           mpg    hp
  <chr>         <dbl> <dbl>
1 Lotus Europa   30.4   113
2 Volvo 142E     21.4   109
3 Toyota Corona  21.5    97

|> 是 R 4.1 起自带的原生管道（native pipe），x |> f(y) 等价于 f(x, y)，即把左边的结果塞进右边函数的第一个参数。老代码里常见的 %>% 来自 magrittr 包，功能基本重叠，但有两个差别值得记：%>% 支持用 . 占位，把左侧结果放到非第一个参数的位置，|> 不支持；R 4.2 起 |> 可以用 _ 占位，但只能作为具名参数的值出现一次，比如 cars |> lm(mpg ~ wt, data = _)。本系列统一用 |>。

什么时候别用 dplyr

数据量在几十万行以内，dplyr 的写法收益最大：意图清楚、调试方便。真正上亿行、内存吃紧时，data.table 或 arrow 的语法会更划算，dplyr 的整洁语法会带来额外的开销。另外，dplyr 的动词都是「不修改原对象」的纯函数，如果你需要原地修改避免复制，那套语义得去 data.table 里找。

下一步是 summarise() 与 group_by() 的组合，见 /r/tidyverse/dplyr-grouping。如果你也用 Python，pandas 里对应的写法是 df.loc[] 与 df.query()，可以对照 /python/pandas/filtering-selection 看同一件事的两种表达。