在數據分析中，整理數據的本質可以歸納為：對數據進行分割（Split），然后應用（Apply）某些處理函數，最后將結果重新組合（Combine）成所需的格式返回，簡單描述為：Split - Apply - Combine，各個步驟的作用是：
- Split：把要處理的數據分割成小片斷，常用的函數是split()，subset()；
- Apply：對每個小片斷獨立進行操作，常用的是apply家族函數，plyr包核心函數；
- Combine：把片斷重新組合，常用的函數是unlist()函數。
這個過程可以通過Base包的apply家族函數來實現，apply家族函數包括了apply、sapply、lapply、tapply、aggregate等，可以應用於數據分析的各個階段。
plyr包是apply家族函數的升級版本，使用plyr包可以實現：在一個函數內同時完成“Split - Apply - Combine”，並且，plyr包實現R類型（vector, list, data.frame）之間的分組變換，基本上可以取代Base包中的apply家族函數。
plyr包對核心函數的命名采用統一的格式：**ply，所有的函數名都由5個字符組成，且最后三個字符是ply，函數名的第一個字符代表輸入數據的類型，第二個字符代表輸出數據的類型，R類型的簡寫是：
- d：data.frame
- l：list
- a：array，vector，matrix
- r：代表replicate，重復多次
- m：多輸入
- _：舍棄輸出結果
這種統一的命名格式，使得plyr包的函數更容易記憶和使用，但是，plyr包不是預裝於R語言中，使用之前，需要加載和引用plyr包：
install.packages("plyr")
library(plyr)
一，plyr包函數
plyr包用於在R中實現split-apply-combine的模式，這中模式在數據分析中是極其常見的，通過把數據分解為小的分片，然后在分片上做操作，最后把結果組合在一起，以解決復雜的分析問題。因此，當遇到復雜的數據分析問題時，一般都需要把復雜的問題分組，然后在每個分組上做操作，最終把每個分組上的結果組合到一起。plyr包的函數很多，除了**ply的核心函數之外，還有一些輔助函數，在處理數據時，都十分有用。
1，ddply
plyr包中最常用的函數是ddply()函數，該函數對數據框進行操作，對每一行調用一個函數，並返回數據框類型：
ddply(.data, .variables, .fun = NULL, ...)
參數注釋：
- .data：函數處理的數據框；
- .variables：要進行拆分的變量名稱，傳遞變量的格式是： .(col_name)，就是把進行分組的變量名包含在.()中；
- .fun：應用到每行的函數
- ...：傳遞到fun的其他參數
對於參數fun，有兩種賦值方式：
第一種： 如果使用colwise()函數，那么這使ddply函數把參數fun應用於每一列，除了參數.variable指定的數據列之外，例如：
ddply(diamonds,.(color),colwise(mean))
第二種： 使用summarize函數對指定的列執行操作，更為靈活，例如：
> ddply(diamonds,.(color),summarize,avg_price=mean(price),avg_carat=mean(carat)) color avg_price avg_carat 1 D 3169.954 0.6577948 2 E 3076.752 0.6578667
.....
2，each函數
plyr包的each()函數，能夠把多個函數整合到一個函數中，每一個函數必須只能返回一個數值：
each(...)
使用each()函數，可以使函數aggregate()同時調用多個函數：
> aggregate(cbind(price,carat)~cut+color,diamonds,each(mean,sum))
cut color price.mean price.sum carat.mean carat.sum
1 Fair D 4291.061 699443.000 0.9201227 149.9800000
2 Good D 3405.382 2254363.000 0.7445166 492.8700000
......
3，rename函數
按照名字對變量重命名：
rename(x, replace, warn_missing = TRUE, warn_duplicated = TRUE)
參數注釋：
- x： 重命名的對象
- replace：命名的向量，格式是：c(new_name=old_name,...)
使用rename函數對數據框的變量進行重命名，例如：
rename(mtcars, c("disp" = "displacement"))
4，arrange函數
按照數據框的變量對數據框排序，注意，arrange()函數不會保留行名稱（row.names）
arrange(df, ...)
例如，按照變量cyl和disp，對數據框mtcars進行排序：
# sort mtcars data by cylinder and displacement mtcars[with(mtcars, order(cyl, disp)), ] # Same result using arrange: no need to use with(), as the context is implicit arrange(mtcars, cyl, disp)
5，mutate函數
對數據框進行轉換，或增加新的變量，或替換已經存在的變量，該函數和transfrom函數十分相似，不過，mutate()函數是遞進式的，這使得后期的轉換可以使用早期創建的變量。
# Things transform can't do mutate(airquality, Temp = (Temp - 32) / 1.8, OzT = Ozone / Temp)
6，name_rows函數
在設計時，沒有plyr函數會保留行名稱（row names）。如果想保留行名稱，可以使用name_rows()把行名稱轉換為顯式的列值，在執行為相應的plyr操作之后，再使用name_rows把列值轉換為行名稱。
name_rows(df)
參數df ：數據框對象，擁有 rownames，或者顯式的列名 .rownames
二，拆分-應用-組合
在R語言中，分組聚合可以通過三步實現：拆分-應用-合並（Split-Apply-Combine）。例如，對玩家的游戲成績進行統計和分析，創建示例數據：
> players_scores <- data.frame(
player=rep(c('Tom','Dick','Jim'),times=c(2,5,3)),
score=round(runif(10,1,100),-1)
)
1，分組數據
計算每個玩家的平均得分，首先對玩家分組，需要用到split()函數，按照特定的字段對數據進行分組：
split(x, f, drop = FALSE, ...)
參數注釋：
- x：數據框或向量，是被分組的數據；
- f：因子類型，按照f對x進行分組；
函數的返回值是一個列表對象，每一個列表項都是包含分組數據的向量。
例如，split(score,player)函數的作用是按照player字段把數據框中的score拆分成一組，也就是說，player 相同的score是同一個分組，填充到同一個列表項中：
> (scores_by_player <- with(players_scores,split(score,player))) $Dick [1] 70 20 30 70 70 $Jim [1] 80 90 50 $Tom [1] 80 90
2，應用函數
當數據分割之后，對每個分組計算平均分。使用lapply()函數，對於每個列表項，應用mean()函數，計算單個列表項的平均值，例如：
list_mean_by_player <- lapply(scores_by_player,mean)
3，組合數據
組合數據是為了顯示數據，在顯示最終的數據時，通常把列表轉換為向量。lapply()函數返回的結果是一個列表對象，每一個列表項都是一個向量，因此可以使用unlist()函數，把列表轉換為向量，例如：
> unlist(list_mean_by_player)
Dick Jim Tom
52.00000 73.33333 85.00000
三，使用apply家族函數實現分組聚合
在apply家族函數中，每個函數都用於特定的數據類型：
- apply函數只能用於矩陣，
- lapply函數能夠用於向量和列表（list），其工作原理是把一個函數應用於一個列表中的每個元素上，並且把結果作為列表返回；
- sapply處理列表，返回向量。
- mapply函數，把調用的函數應用到多個列表的每一個元素中。
- tapply函數用於分組聚合運算，在研究數據時，有時需要對數據按照特定的字段進行分組，然后統計各個分組的數據，這就是SQL語法中的分組聚合。
在數據分析中，使用Base包實現”拆分-應用-合並“ 顯得十分繁瑣，可以使用tapply()函數一次完成所有的三個步驟，一氣呵成：
with(players_scores,tapply(score,player,mean))
tapply()函數常用的參數共有三個，第一個參數是數據框對象或向量，第二個參數是因子列表，也就是分組字段，第三個參數是指對單個分組應用的函數：
tapply(X, INDEX, FUN = NULL, ...)
by()函數和aggregate()函數是tapply()函數的包裝函數，功能相同，接口稍微不同。
by(data, INDICES, FUN, ..., simplify = TRUE)
aggregate(x, by, FUN, ..., simplify = TRUE, drop = TRUE)
四，使用plyr包實現分組聚合
函數daply的作用是分割數據框，對每個分組應用聚合函數，最后把每個分組的聚合值組合起來，以數組的形式返回：
daply(.data, .variables, .fun = NULL, ...)
參數注釋：
- .data：數據框，存儲用於分析的數據；
- .variables：分組字段，指定分組字段的格式是 .(col_name)；
- .fun：應用於每個分組的函數，有兩種方式，上文有詳細介紹。
為了計算每個player的平均得分，可以使用daply()函數，例如，
unlist(daply(players_scores,.(player),summarize,varScore=mean(score)))
在示例中，daply()函數返回的類型是list，通過unlist()函數轉換為向量。至於為什么返回的是list，而不是數組，我也很疑惑。
參考文檔：