arrange()
根据所选列的值对数据帧的行进行排序。
与其他 dplyr 动词不同,arrange()
很大程度上忽略了分组;您需要明确提及分组变量(或使用 .by_group = TRUE
)以便按它们进行分组,并且变量的函数每个数据帧评估一次,而不是每个组评估一次。
用法
arrange(.data, ..., .by_group = FALSE)
# S3 method for data.frame
arrange(.data, ..., .by_group = FALSE, .locale = NULL)
参数
- .data
-
数据帧、数据帧扩展(例如 tibble)或惰性数据帧(例如来自 dbplyr 或 dtplyr)。有关更多详细信息,请参阅下面的方法。
- ...
-
<
data-masking
> 变量,或变量的函数。使用desc()
按降序对变量进行排序。 - .by_group
-
如果
TRUE
,将首先按分组变量排序。仅适用于分组 DataFrame 。 - .locale
-
对字符向量进行排序的区域设置。
-
如果
NULL
(默认值)使用"C"
区域设置,除非dplyr.legacy_locale
全局选项退出舱口处于活动状态。有关更多详细信息,请参阅dplyr-locale 帮助页面。 -
如果提供了
stringi::stri_locale_list()
中的单个字符串,则该字符串将用作排序的区域设置。例如,"en"
将按照美式英语区域设置进行排序。这需要 stringi 包。 -
如果提供
"C"
,则字符向量将始终按 C 语言环境排序。这不需要字符串,并且通常比提供区域设置标识符要快得多。
C 语言环境与英语语言环境不同,例如
"en"
,特别是当涉及包含大小写字母混合的数据时。Default locale
部分下的 locale 帮助页面对此进行了更详细的解释。 -
例子
arrange(mtcars, cyl, disp)
#> mpg cyl disp hp drat wt qsec vs am gear carb
#> Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
#> Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
#> Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#> Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
#> Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
#> Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
#> Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
#> Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
#> Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
#> Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
#> Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
#> Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
#> Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
#> Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
#> Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
#> Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
#> Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
#> Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
#> Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
#> Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
#> Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
#> Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
#> AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
#> Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
#> Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
#> Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
#> Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
#> Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
#> Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
#> Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
#> Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
#> Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
arrange(mtcars, desc(disp))
#> mpg cyl disp hp drat wt qsec vs am gear carb
#> Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
#> Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
#> Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
#> Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
#> Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
#> Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
#> Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
#> Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
#> Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
#> AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
#> Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
#> Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
#> Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
#> Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
#> Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
#> Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
#> Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
#> Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
#> Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
#> Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
#> Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
#> Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
#> Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
#> Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
#> Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
#> Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
#> Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
#> Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
#> Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
#> Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#> Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
#> Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
# grouped arrange ignores groups
by_cyl <- mtcars %>% group_by(cyl)
by_cyl %>% arrange(desc(wt))
#> # A tibble: 32 × 11
#> # Groups: cyl [3]
#> mpg cyl disp hp drat wt qsec vs am gear carb
#> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 10.4 8 460 215 3 5.42 17.8 0 0 3 4
#> 2 14.7 8 440 230 3.23 5.34 17.4 0 0 3 4
#> 3 10.4 8 472 205 2.93 5.25 18.0 0 0 3 4
#> 4 16.4 8 276. 180 3.07 4.07 17.4 0 0 3 3
#> 5 19.2 8 400 175 3.08 3.84 17.0 0 0 3 2
#> 6 13.3 8 350 245 3.73 3.84 15.4 0 0 3 4
#> 7 15.2 8 276. 180 3.07 3.78 18 0 0 3 3
#> 8 17.3 8 276. 180 3.07 3.73 17.6 0 0 3 3
#> 9 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4
#> 10 15 8 301 335 3.54 3.57 14.6 0 1 5 8
#> # ℹ 22 more rows
# Unless you specifically ask:
by_cyl %>% arrange(desc(wt), .by_group = TRUE)
#> # A tibble: 32 × 11
#> # Groups: cyl [3]
#> mpg cyl disp hp drat wt qsec vs am gear carb
#> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 24.4 4 147. 62 3.69 3.19 20 1 0 4 2
#> 2 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2
#> 3 21.4 4 121 109 4.11 2.78 18.6 1 1 4 2
#> 4 21.5 4 120. 97 3.7 2.46 20.0 1 0 3 1
#> 5 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
#> 6 32.4 4 78.7 66 4.08 2.2 19.5 1 1 4 1
#> 7 26 4 120. 91 4.43 2.14 16.7 0 1 5 2
#> 8 27.3 4 79 66 4.08 1.94 18.9 1 1 4 1
#> 9 33.9 4 71.1 65 4.22 1.84 19.9 1 1 4 1
#> 10 30.4 4 75.7 52 4.93 1.62 18.5 1 1 4 2
#> # ℹ 22 more rows
# use embracing when wrapping in a function;
# see ?rlang::args_data_masking for more details
tidy_eval_arrange <- function(.data, var) {
.data %>%
arrange({{ var }})
}
tidy_eval_arrange(mtcars, mpg)
#> mpg cyl disp hp drat wt qsec vs am gear carb
#> Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
#> Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
#> Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
#> Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
#> Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
#> Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
#> Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
#> AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
#> Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
#> Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
#> Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
#> Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
#> Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
#> Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
#> Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
#> Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
#> Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
#> Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
#> Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
#> Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
#> Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
#> Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
#> Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
#> Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
#> Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
#> Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
#> Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
#> Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
#> Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
#> Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
#> Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#> Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
# Use `across()` or `pick()` to select columns with tidy-select
iris %>% arrange(pick(starts_with("Sepal")))
#> Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#> 1 4.3 3.0 1.1 0.1 setosa
#> 2 4.4 2.9 1.4 0.2 setosa
#> 3 4.4 3.0 1.3 0.2 setosa
#> 4 4.4 3.2 1.3 0.2 setosa
#> 5 4.5 2.3 1.3 0.3 setosa
#> 6 4.6 3.1 1.5 0.2 setosa
#> 7 4.6 3.2 1.4 0.2 setosa
#> 8 4.6 3.4 1.4 0.3 setosa
#> 9 4.6 3.6 1.0 0.2 setosa
#> 10 4.7 3.2 1.3 0.2 setosa
#> 11 4.7 3.2 1.6 0.2 setosa
#> 12 4.8 3.0 1.4 0.1 setosa
#> 13 4.8 3.0 1.4 0.3 setosa
#> 14 4.8 3.1 1.6 0.2 setosa
#> 15 4.8 3.4 1.6 0.2 setosa
#> 16 4.8 3.4 1.9 0.2 setosa
#> 17 4.9 2.4 3.3 1.0 versicolor
#> 18 4.9 2.5 4.5 1.7 virginica
#> 19 4.9 3.0 1.4 0.2 setosa
#> 20 4.9 3.1 1.5 0.1 setosa
#> 21 4.9 3.1 1.5 0.2 setosa
#> 22 4.9 3.6 1.4 0.1 setosa
#> 23 5.0 2.0 3.5 1.0 versicolor
#> 24 5.0 2.3 3.3 1.0 versicolor
#> 25 5.0 3.0 1.6 0.2 setosa
#> 26 5.0 3.2 1.2 0.2 setosa
#> 27 5.0 3.3 1.4 0.2 setosa
#> 28 5.0 3.4 1.5 0.2 setosa
#> 29 5.0 3.4 1.6 0.4 setosa
#> 30 5.0 3.5 1.3 0.3 setosa
#> 31 5.0 3.5 1.6 0.6 setosa
#> 32 5.0 3.6 1.4 0.2 setosa
#> 33 5.1 2.5 3.0 1.1 versicolor
#> 34 5.1 3.3 1.7 0.5 setosa
#> 35 5.1 3.4 1.5 0.2 setosa
#> 36 5.1 3.5 1.4 0.2 setosa
#> 37 5.1 3.5 1.4 0.3 setosa
#> 38 5.1 3.7 1.5 0.4 setosa
#> 39 5.1 3.8 1.5 0.3 setosa
#> 40 5.1 3.8 1.9 0.4 setosa
#> 41 5.1 3.8 1.6 0.2 setosa
#> 42 5.2 2.7 3.9 1.4 versicolor
#> 43 5.2 3.4 1.4 0.2 setosa
#> 44 5.2 3.5 1.5 0.2 setosa
#> 45 5.2 4.1 1.5 0.1 setosa
#> 46 5.3 3.7 1.5 0.2 setosa
#> 47 5.4 3.0 4.5 1.5 versicolor
#> 48 5.4 3.4 1.7 0.2 setosa
#> 49 5.4 3.4 1.5 0.4 setosa
#> 50 5.4 3.7 1.5 0.2 setosa
#> 51 5.4 3.9 1.7 0.4 setosa
#> 52 5.4 3.9 1.3 0.4 setosa
#> 53 5.5 2.3 4.0 1.3 versicolor
#> 54 5.5 2.4 3.8 1.1 versicolor
#> 55 5.5 2.4 3.7 1.0 versicolor
#> 56 5.5 2.5 4.0 1.3 versicolor
#> 57 5.5 2.6 4.4 1.2 versicolor
#> 58 5.5 3.5 1.3 0.2 setosa
#> 59 5.5 4.2 1.4 0.2 setosa
#> 60 5.6 2.5 3.9 1.1 versicolor
#> 61 5.6 2.7 4.2 1.3 versicolor
#> 62 5.6 2.8 4.9 2.0 virginica
#> 63 5.6 2.9 3.6 1.3 versicolor
#> 64 5.6 3.0 4.5 1.5 versicolor
#> 65 5.6 3.0 4.1 1.3 versicolor
#> 66 5.7 2.5 5.0 2.0 virginica
#> 67 5.7 2.6 3.5 1.0 versicolor
#> 68 5.7 2.8 4.5 1.3 versicolor
#> 69 5.7 2.8 4.1 1.3 versicolor
#> 70 5.7 2.9 4.2 1.3 versicolor
#> 71 5.7 3.0 4.2 1.2 versicolor
#> 72 5.7 3.8 1.7 0.3 setosa
#> 73 5.7 4.4 1.5 0.4 setosa
#> 74 5.8 2.6 4.0 1.2 versicolor
#> 75 5.8 2.7 4.1 1.0 versicolor
#> 76 5.8 2.7 3.9 1.2 versicolor
#> 77 5.8 2.7 5.1 1.9 virginica
#> 78 5.8 2.7 5.1 1.9 virginica
#> 79 5.8 2.8 5.1 2.4 virginica
#> 80 5.8 4.0 1.2 0.2 setosa
#> 81 5.9 3.0 4.2 1.5 versicolor
#> 82 5.9 3.0 5.1 1.8 virginica
#> 83 5.9 3.2 4.8 1.8 versicolor
#> 84 6.0 2.2 4.0 1.0 versicolor
#> 85 6.0 2.2 5.0 1.5 virginica
#> 86 6.0 2.7 5.1 1.6 versicolor
#> 87 6.0 2.9 4.5 1.5 versicolor
#> 88 6.0 3.0 4.8 1.8 virginica
#> 89 6.0 3.4 4.5 1.6 versicolor
#> 90 6.1 2.6 5.6 1.4 virginica
#> 91 6.1 2.8 4.0 1.3 versicolor
#> 92 6.1 2.8 4.7 1.2 versicolor
#> 93 6.1 2.9 4.7 1.4 versicolor
#> 94 6.1 3.0 4.6 1.4 versicolor
#> 95 6.1 3.0 4.9 1.8 virginica
#> 96 6.2 2.2 4.5 1.5 versicolor
#> 97 6.2 2.8 4.8 1.8 virginica
#> 98 6.2 2.9 4.3 1.3 versicolor
#> 99 6.2 3.4 5.4 2.3 virginica
#> 100 6.3 2.3 4.4 1.3 versicolor
#> 101 6.3 2.5 4.9 1.5 versicolor
#> 102 6.3 2.5 5.0 1.9 virginica
#> 103 6.3 2.7 4.9 1.8 virginica
#> 104 6.3 2.8 5.1 1.5 virginica
#> 105 6.3 2.9 5.6 1.8 virginica
#> 106 6.3 3.3 4.7 1.6 versicolor
#> 107 6.3 3.3 6.0 2.5 virginica
#> 108 6.3 3.4 5.6 2.4 virginica
#> 109 6.4 2.7 5.3 1.9 virginica
#> 110 6.4 2.8 5.6 2.1 virginica
#> 111 6.4 2.8 5.6 2.2 virginica
#> 112 6.4 2.9 4.3 1.3 versicolor
#> 113 6.4 3.1 5.5 1.8 virginica
#> 114 6.4 3.2 4.5 1.5 versicolor
#> 115 6.4 3.2 5.3 2.3 virginica
#> 116 6.5 2.8 4.6 1.5 versicolor
#> 117 6.5 3.0 5.8 2.2 virginica
#> 118 6.5 3.0 5.5 1.8 virginica
#> 119 6.5 3.0 5.2 2.0 virginica
#> 120 6.5 3.2 5.1 2.0 virginica
#> 121 6.6 2.9 4.6 1.3 versicolor
#> 122 6.6 3.0 4.4 1.4 versicolor
#> 123 6.7 2.5 5.8 1.8 virginica
#> 124 6.7 3.0 5.0 1.7 versicolor
#> 125 6.7 3.0 5.2 2.3 virginica
#> 126 6.7 3.1 4.4 1.4 versicolor
#> 127 6.7 3.1 4.7 1.5 versicolor
#> 128 6.7 3.1 5.6 2.4 virginica
#> 129 6.7 3.3 5.7 2.1 virginica
#> 130 6.7 3.3 5.7 2.5 virginica
#> 131 6.8 2.8 4.8 1.4 versicolor
#> 132 6.8 3.0 5.5 2.1 virginica
#> 133 6.8 3.2 5.9 2.3 virginica
#> 134 6.9 3.1 4.9 1.5 versicolor
#> 135 6.9 3.1 5.4 2.1 virginica
#> 136 6.9 3.1 5.1 2.3 virginica
#> 137 6.9 3.2 5.7 2.3 virginica
#> 138 7.0 3.2 4.7 1.4 versicolor
#> 139 7.1 3.0 5.9 2.1 virginica
#> 140 7.2 3.0 5.8 1.6 virginica
#> 141 7.2 3.2 6.0 1.8 virginica
#> 142 7.2 3.6 6.1 2.5 virginica
#> 143 7.3 2.9 6.3 1.8 virginica
#> 144 7.4 2.8 6.1 1.9 virginica
#> 145 7.6 3.0 6.6 2.1 virginica
#> 146 7.7 2.6 6.9 2.3 virginica
#> 147 7.7 2.8 6.7 2.0 virginica
#> 148 7.7 3.0 6.1 2.3 virginica
#> 149 7.7 3.8 6.7 2.2 virginica
#> 150 7.9 3.8 6.4 2.0 virginica
iris %>% arrange(across(starts_with("Sepal"), desc))
#> Sepal.Length Sepal.Width Petal.Length Petal.Width Species
#> 1 7.9 3.8 6.4 2.0 virginica
#> 2 7.7 3.8 6.7 2.2 virginica
#> 3 7.7 3.0 6.1 2.3 virginica
#> 4 7.7 2.8 6.7 2.0 virginica
#> 5 7.7 2.6 6.9 2.3 virginica
#> 6 7.6 3.0 6.6 2.1 virginica
#> 7 7.4 2.8 6.1 1.9 virginica
#> 8 7.3 2.9 6.3 1.8 virginica
#> 9 7.2 3.6 6.1 2.5 virginica
#> 10 7.2 3.2 6.0 1.8 virginica
#> 11 7.2 3.0 5.8 1.6 virginica
#> 12 7.1 3.0 5.9 2.1 virginica
#> 13 7.0 3.2 4.7 1.4 versicolor
#> 14 6.9 3.2 5.7 2.3 virginica
#> 15 6.9 3.1 4.9 1.5 versicolor
#> 16 6.9 3.1 5.4 2.1 virginica
#> 17 6.9 3.1 5.1 2.3 virginica
#> 18 6.8 3.2 5.9 2.3 virginica
#> 19 6.8 3.0 5.5 2.1 virginica
#> 20 6.8 2.8 4.8 1.4 versicolor
#> 21 6.7 3.3 5.7 2.1 virginica
#> 22 6.7 3.3 5.7 2.5 virginica
#> 23 6.7 3.1 4.4 1.4 versicolor
#> 24 6.7 3.1 4.7 1.5 versicolor
#> 25 6.7 3.1 5.6 2.4 virginica
#> 26 6.7 3.0 5.0 1.7 versicolor
#> 27 6.7 3.0 5.2 2.3 virginica
#> 28 6.7 2.5 5.8 1.8 virginica
#> 29 6.6 3.0 4.4 1.4 versicolor
#> 30 6.6 2.9 4.6 1.3 versicolor
#> 31 6.5 3.2 5.1 2.0 virginica
#> 32 6.5 3.0 5.8 2.2 virginica
#> 33 6.5 3.0 5.5 1.8 virginica
#> 34 6.5 3.0 5.2 2.0 virginica
#> 35 6.5 2.8 4.6 1.5 versicolor
#> 36 6.4 3.2 4.5 1.5 versicolor
#> 37 6.4 3.2 5.3 2.3 virginica
#> 38 6.4 3.1 5.5 1.8 virginica
#> 39 6.4 2.9 4.3 1.3 versicolor
#> 40 6.4 2.8 5.6 2.1 virginica
#> 41 6.4 2.8 5.6 2.2 virginica
#> 42 6.4 2.7 5.3 1.9 virginica
#> 43 6.3 3.4 5.6 2.4 virginica
#> 44 6.3 3.3 4.7 1.6 versicolor
#> 45 6.3 3.3 6.0 2.5 virginica
#> 46 6.3 2.9 5.6 1.8 virginica
#> 47 6.3 2.8 5.1 1.5 virginica
#> 48 6.3 2.7 4.9 1.8 virginica
#> 49 6.3 2.5 4.9 1.5 versicolor
#> 50 6.3 2.5 5.0 1.9 virginica
#> 51 6.3 2.3 4.4 1.3 versicolor
#> 52 6.2 3.4 5.4 2.3 virginica
#> 53 6.2 2.9 4.3 1.3 versicolor
#> 54 6.2 2.8 4.8 1.8 virginica
#> 55 6.2 2.2 4.5 1.5 versicolor
#> 56 6.1 3.0 4.6 1.4 versicolor
#> 57 6.1 3.0 4.9 1.8 virginica
#> 58 6.1 2.9 4.7 1.4 versicolor
#> 59 6.1 2.8 4.0 1.3 versicolor
#> 60 6.1 2.8 4.7 1.2 versicolor
#> 61 6.1 2.6 5.6 1.4 virginica
#> 62 6.0 3.4 4.5 1.6 versicolor
#> 63 6.0 3.0 4.8 1.8 virginica
#> 64 6.0 2.9 4.5 1.5 versicolor
#> 65 6.0 2.7 5.1 1.6 versicolor
#> 66 6.0 2.2 4.0 1.0 versicolor
#> 67 6.0 2.2 5.0 1.5 virginica
#> 68 5.9 3.2 4.8 1.8 versicolor
#> 69 5.9 3.0 4.2 1.5 versicolor
#> 70 5.9 3.0 5.1 1.8 virginica
#> 71 5.8 4.0 1.2 0.2 setosa
#> 72 5.8 2.8 5.1 2.4 virginica
#> 73 5.8 2.7 4.1 1.0 versicolor
#> 74 5.8 2.7 3.9 1.2 versicolor
#> 75 5.8 2.7 5.1 1.9 virginica
#> 76 5.8 2.7 5.1 1.9 virginica
#> 77 5.8 2.6 4.0 1.2 versicolor
#> 78 5.7 4.4 1.5 0.4 setosa
#> 79 5.7 3.8 1.7 0.3 setosa
#> 80 5.7 3.0 4.2 1.2 versicolor
#> 81 5.7 2.9 4.2 1.3 versicolor
#> 82 5.7 2.8 4.5 1.3 versicolor
#> 83 5.7 2.8 4.1 1.3 versicolor
#> 84 5.7 2.6 3.5 1.0 versicolor
#> 85 5.7 2.5 5.0 2.0 virginica
#> 86 5.6 3.0 4.5 1.5 versicolor
#> 87 5.6 3.0 4.1 1.3 versicolor
#> 88 5.6 2.9 3.6 1.3 versicolor
#> 89 5.6 2.8 4.9 2.0 virginica
#> 90 5.6 2.7 4.2 1.3 versicolor
#> 91 5.6 2.5 3.9 1.1 versicolor
#> 92 5.5 4.2 1.4 0.2 setosa
#> 93 5.5 3.5 1.3 0.2 setosa
#> 94 5.5 2.6 4.4 1.2 versicolor
#> 95 5.5 2.5 4.0 1.3 versicolor
#> 96 5.5 2.4 3.8 1.1 versicolor
#> 97 5.5 2.4 3.7 1.0 versicolor
#> 98 5.5 2.3 4.0 1.3 versicolor
#> 99 5.4 3.9 1.7 0.4 setosa
#> 100 5.4 3.9 1.3 0.4 setosa
#> 101 5.4 3.7 1.5 0.2 setosa
#> 102 5.4 3.4 1.7 0.2 setosa
#> 103 5.4 3.4 1.5 0.4 setosa
#> 104 5.4 3.0 4.5 1.5 versicolor
#> 105 5.3 3.7 1.5 0.2 setosa
#> 106 5.2 4.1 1.5 0.1 setosa
#> 107 5.2 3.5 1.5 0.2 setosa
#> 108 5.2 3.4 1.4 0.2 setosa
#> 109 5.2 2.7 3.9 1.4 versicolor
#> 110 5.1 3.8 1.5 0.3 setosa
#> 111 5.1 3.8 1.9 0.4 setosa
#> 112 5.1 3.8 1.6 0.2 setosa
#> 113 5.1 3.7 1.5 0.4 setosa
#> 114 5.1 3.5 1.4 0.2 setosa
#> 115 5.1 3.5 1.4 0.3 setosa
#> 116 5.1 3.4 1.5 0.2 setosa
#> 117 5.1 3.3 1.7 0.5 setosa
#> 118 5.1 2.5 3.0 1.1 versicolor
#> 119 5.0 3.6 1.4 0.2 setosa
#> 120 5.0 3.5 1.3 0.3 setosa
#> 121 5.0 3.5 1.6 0.6 setosa
#> 122 5.0 3.4 1.5 0.2 setosa
#> 123 5.0 3.4 1.6 0.4 setosa
#> 124 5.0 3.3 1.4 0.2 setosa
#> 125 5.0 3.2 1.2 0.2 setosa
#> 126 5.0 3.0 1.6 0.2 setosa
#> 127 5.0 2.3 3.3 1.0 versicolor
#> 128 5.0 2.0 3.5 1.0 versicolor
#> 129 4.9 3.6 1.4 0.1 setosa
#> 130 4.9 3.1 1.5 0.1 setosa
#> 131 4.9 3.1 1.5 0.2 setosa
#> 132 4.9 3.0 1.4 0.2 setosa
#> 133 4.9 2.5 4.5 1.7 virginica
#> 134 4.9 2.4 3.3 1.0 versicolor
#> 135 4.8 3.4 1.6 0.2 setosa
#> 136 4.8 3.4 1.9 0.2 setosa
#> 137 4.8 3.1 1.6 0.2 setosa
#> 138 4.8 3.0 1.4 0.1 setosa
#> 139 4.8 3.0 1.4 0.3 setosa
#> 140 4.7 3.2 1.3 0.2 setosa
#> 141 4.7 3.2 1.6 0.2 setosa
#> 142 4.6 3.6 1.0 0.2 setosa
#> 143 4.6 3.4 1.4 0.3 setosa
#> 144 4.6 3.2 1.4 0.2 setosa
#> 145 4.6 3.1 1.5 0.2 setosa
#> 146 4.5 2.3 1.3 0.3 setosa
#> 147 4.4 3.2 1.3 0.2 setosa
#> 148 4.4 3.0 1.3 0.2 setosa
#> 149 4.4 2.9 1.4 0.2 setosa
#> 150 4.3 3.0 1.1 0.1 setosa
相关用法
- R dplyr arrange_all 通过选择的变量排列行
- R dplyr across 跨多列应用一个或多个函数
- R dplyr group_trim 修剪分组结构
- R dplyr slice 使用行的位置对行进行子集化
- R dplyr copy_to 将本地数据帧复制到远程src
- R dplyr sample_n 从表中采样 n 行
- R dplyr consecutive_id 为连续组合生成唯一标识符
- R dplyr row_number 整数排名函数
- R dplyr band_members 乐队成员
- R dplyr mutate-joins 变异连接
- R dplyr nth 从向量中提取第一个、最后一个或第 n 个值
- R dplyr coalesce 找到第一个非缺失元素
- R dplyr group_split 按组分割 DataFrame
- R dplyr mutate 创建、修改和删除列
- R dplyr order_by 用于排序窗口函数输出的辅助函数
- R dplyr context 有关“当前”组或变量的信息
- R dplyr percent_rank 比例排名函数
- R dplyr recode 重新编码值
- R dplyr starwars 星球大战人物
- R dplyr desc 降序
- R dplyr between 检测值落在指定范围内的位置
- R dplyr cumall 任何、全部和平均值的累积版本
- R dplyr group_map 对每个组应用一个函数
- R dplyr do 做任何事情
- R dplyr nest_join 嵌套连接
注:本文由纯净天空筛选整理自Hadley Wickham等大神的英文原创作品 Order rows using column values。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。