4. dplyr 数据清洗：filter、select、mutate、group_by、summarise

数据清洗这步，我做了这么多年项目，每次都要花掉 60% 以上的时间。说白了，数据不洗没法用。R 语言里 dplyr 是清洗的利器，今天我们一口气把五个核心函数讲透。

4.1 filter – 按条件筛选行

filter() 好比筛子，只保留满足条件的行。我个人习惯把逻辑条件写在逗号后面，多个条件是「与」关系。

library(dplyr)

# 筛选 drug_approved == "是" 且 target_count > 5 的药物
drug_clean <- drug_raw %>%
  filter(drug_approved == "是", target_count > 5)

另外，filter() 里也能用 %in%、between()、is.na() 这些辅助函数，很顺手。

4.2 select – 挑选需要的列

数据量大了以后，列太多看着头晕。用 select() 只留关键字段。

# 只保留药物名、批准状态、靶点数量
drug_selected <- drug_raw %>%
  select(drug_name, drug_approved, target_count)

# 也可以用 - 去掉不要的列
drug_selected <- drug_raw %>%
  select(-c(drug_id, create_date, update_date))

select() 还支持很多帮手函数，比如 starts_with()、ends_with()、contains()。我在药物知识图谱项目里，经常用 select(drug_name, starts_with("target_")) 把靶点信息一网打尽。

4.3 mutate – 生成新列

清洗中经常要计算新的指标，比如药物靶点密度，或者把分类变量转成数值。这时候 mutate() 就上场了。

# 计算靶点密度: 靶点数量 / 分子量
drug_mutated <- drug_raw %>%
  mutate(target_density = target_count / molecular_weight)

我经常搭配 if_else() 做条件赋值，比如给靶点数量打标签：

drug_mutated <- drug_raw %>%
  mutate(target_level = if_else(target_count > 10, "high", "low"))

4.4 group_by – 分组

group_by() 不改变数据本身，它只是给数据框打上分组标签，后续的操作（如 summarise()、mutate()）就会按组执行。

# 按药物批准状态分组
drug_grouped <- drug_raw %>%
  group_by(drug_approved)

分组后可以用 ungroup() 解除分组。我记得刚用 dplyr 时总忘记取消分组，导致后续计算一直按之前的分组跑，结果全是错的。所以养成好习惯：分组汇总完立刻取消分组。

4.5 summarise – 汇总统计

summarise() 和 group_by() 是绝配。它们一起能快速产出按组的统计量，比如均值、中位数、计数等。

# 按批准状态分组，计算靶点数量的均值、标准差、个数
drug_summary <- drug_raw %>%
  group_by(drug_approved) %>%
  summarise(
    mean_target = mean(target_count, na.rm = TRUE),
    sd_target   = sd(target_count, na.rm = TRUE),
    n           = n()
  ) %>%
  ungroup()

这里 n() 是 dplyr 自带函数，返回每组行数。如果数据里有缺失值，记得加 na.rm = TRUE，不然结果全是 NA。我碰过一回，查了半天才发现是缺失值没去掉。

4.6 全部串起来：一个真实案例

假设我们有一个药物‑靶点关系数据框 drug_target，包含字段：drug_name、target_gene、affinity（亲和力）、approved。现在要找出已批准药物中亲和力大于 7 的靶点，按药物分组统计靶点数量，最后按数量降序排列。

result <- drug_target %>%
  filter(approved == "是", affinity > 7) %>%
  select(drug_name, target_gene, affinity) %>%
  mutate(affinity_class = if_else(affinity >= 9, "strong", "moderate")) %>%
  group_by(drug_name) %>%
  summarise(
    strong_targets = sum(affinity_class == "strong"),
    moderate_targets = sum(affinity_class == "moderate"),
    total_targets = n()
  ) %>%
  ungroup() %>%
  arrange(desc(total_targets))

你看，用 %>% 管道符串起来，逻辑清楚，每一行只做一个动作。我写的所有清洗脚本都保持这种风格，维护起来特别轻松。

常用函数速查表