在一般情況下，我們都是在數據分析的需求前提下去選擇使用R語言。而實際上，數據分析里，百分之八十的工作，都是在數據清洗。并不只是我們平時會提到的異常值處理或者是整合格式，更多會涉及到將各種各樣的數據整合，按照要求去除掉不合規的數據，再并到一起形成一個純凈的，可利用的數據，甚至有些時候還需要進行脫敏操作，防止對后續模型訓練之類的影響，下面我來介紹一下經常會用到的操作。

篩選

按行操作

1、一般來講，我們用的最多的就是filter()，無他，簡單易懂，只需要在括號內加上我們的條件就行了，不過要注意用于篩選的條件一般都是要滿足其格式的，建議在寫之前先明確好要用到的東西，而不是一股腦地寫邏輯。當然了，這里我也踩過一個小坑，就是filter()在運行時是不能識別NA的，在篩選時會自動去掉NA那一行，會因此忽略掉很多信息，所以我們一般先對數據集做NA判斷，用is.na()，將NA值返回為1或者0，從而避免過濾了重要的信息。

2、而另一個用的比較多的就是slice()了，一般我們在篩選排名或者時間時用到，比如

lab_base <- lab_base %>%group_by(ID)%>% # 按照ID分組arrange(TIME)%>% # 按照TIME排序 slice(TIME,n=1)%>% # 選取時間最早的數據ungroup()%>%dplyr::select(ID,TIME,VALUE)

代碼的意思是在每一組ID的分組內，先按照時間排序，再篩選時間最早的那個數據保留，這種用法相比平時用mid_time，可以節省很多算力空間，尤其是在涉及到數據量很大的rds文件時，大大提高我們的效率。

按列操作

而select()和mutate()，相信如果接觸過一點R語言的都知道，我們經常會看到這兩個語法，前者是把保存想要的列數據，后者則是對數據進行操作，添加或減少變量，有時也會用來添加中間變量來協助篩選，在結束時再去掉。值得注意的是，有很多包里都有select()的用法，我們一般默認的select()是dplyr里的，如果你不確定是否會調用到其他包的畫，像上文用到的dplyr::select會直接調用我們想要的select。

節省算力小技巧

因子化

很多時候，我們存儲的數據并不只是值，也有可能是文字，其中，有很多時候屬于類別，比如男女，職業等，這個時候其實我們主要的需求是區分，而不是用這個值，自然也希望代碼可以像我們一樣，用起來簡單。這個時候就可以對該列數據因子化，把他轉換為分類變量，相當于把中文轉換成了數字，這樣會更好區分，所用到的內存也會更少。

按類別賦予值

與因子化的核心思想一樣，都是通過節省代碼判斷中文的時間，只不過不同的是，我們可以新建一列，在篩選的同時先賦予一個等同于其類別的數字，方便在后面調用分類的時候用創建的新列，從而節省算力，比如：

lab_base $test_new <- 0
lab_base[grep("醫生|科學家|植物學家",lab_base$NEW_JOB),]$test_new <- 1

這樣，假如我們要篩選高科技人才時，就可以直接篩選test_new值為1的列。

函數

就像我們在其他語言中學過的類似一樣，用function來執行很多需要重復的操作，可以節省算力，并大大提高我們的代碼效率以及對代碼的理解，但與其他語言不同的是，列表下函數的作用對象是會改變的，也就是說在寫邏輯之前，不僅要想邏輯本身是否通順，更要想清楚操作的對象是否適用于該方法，比如列表下的子列表，很多時候我們會將其轉換為dataframe來操作，從而更好地處理數據，但在涉及到用function來操作列表里的內容是，用lapply來操作子列表，也會很方便，也能使其在操作完保持子列表的特性嵌套在列表中。