教程 · 2026-07-01

R语言tidyverse数据清洗入门：写给非编程背景研究者的实用指南

R语言tidyverse数据清洗入门教程：dplyr核心函数filter、select、mutate、group_by怎么用，管道符%>%怎么理解，缺失值和重复值怎么处理，宽表长表转换怎么做，面向没有编程背景的社科研究者。

很多社科背景的研究者习惯了 SPSS 的菜单式操作，第一次打开 R 看到一堆代码会本能地感到陌生。但 tidyverse 这套工具（R 里最流行的数据处理"方言"）设计初衷正是让数据清洗代码读起来接近自然语言——这篇文章不讲编程原理，只讲你实际会用到的那几个核心函数。

为什么是 tidyverse

R 语言本身的基础语法（Base R）写数据清洗代码会比较繁琐、可读性较差。tidyverse 是一整套配合使用的 R 扩展包（最核心的是 dplyr 和 tidyr），它的设计哲学是：每一步操作都对应一个动词，多个动词像流水线一样串起来，代码读起来几乎像一句话。

比如"筛选出年龄大于18岁的样本，再按性别分组计算平均收入"，用 tidyverse 写出来是：

data %>%
  filter(age > 18) %>%
  group_by(gender) %>%
  summarise(mean_income = mean(income, na.rm = TRUE))

即使完全不懂 R，这几行代码也基本能"读"出它在做什么——这正是 tidyverse 相比传统编程语法对初学者更友好的地方。

管道符 %>% 怎么理解

%>%（或较新版本 R 里的原生管道符 |>）是 tidyverse 里最容易让人困惑、但理解之后会觉得"原来这么简单"的符号。

它的作用就是"把左边的结果，作为右边函数的第一个参数传进去"。可以把它想象成工厂流水线的传送带——数据从上一道工序"传送"到下一道工序，不需要每次都手动接住再传进去。

没有管道符的写法（需要一层层嵌套，从内往外读，很反直觉）：

summarise(group_by(filter(data, age > 18), gender), mean_income = mean(income, na.rm = TRUE))

有管道符的写法（从上往下读，符合正常的思考顺序：先筛选，再分组，再汇总）：

data %>%
  filter(age > 18) %>%
  group_by(gender) %>%
  summarise(mean_income = mean(income, na.rm = TRUE))

一旦理解了"%>% 就是把上一步的结果传给下一步"，剩下要学的就只是每个动词函数具体做什么。

dplyr 核心函数：数据清洗最常用的几个动词

dplyr 是 tidyverse 里专门处理"表格数据"（行和列组成的数据框）的核心包，日常数据清洗 80% 的操作可以靠下面这五个函数完成：

1. filter()：筛选行

按条件筛选出符合要求的观测（行），相当于 SPSS 里的"选择个案"。

# 筛选出年龄大于等于18且性别为女性的样本
data %>% filter(age >= 18, gender == "女")

2. select()：选择列

从很多变量里选出你需要的几列，或者反过来剔除不需要的列。

# 只保留 id、age、income 三列
data %>% select(id, age, income)

# 剔除 remark 这一列，保留其他所有列
data %>% select(-remark)

3. mutate()：新增或修改变量

创建新变量，或者对已有变量做转换，相当于 SPSS 里的"计算变量"。

# 新增一个"是否成年"的变量，同时把收入取对数
data %>% mutate(
  is_adult = ifelse(age >= 18, "是", "否"),
  log_income = log(income)
)

4. group_by() + summarise()：分组汇总

先按某个（或某几个）变量分组，再对每组分别计算汇总统计量，相当于 SPSS 里的"分类汇总"或数据透视表的核心逻辑。

# 按性别分组，分别计算平均年龄和样本量
data %>%
  group_by(gender) %>%
  summarise(mean_age = mean(age, na.rm = TRUE), n = n())

5. arrange()：排序

按某个变量对行重新排序，默认升序，加 desc() 变成降序。

data %>% arrange(desc(income))

缺失值处理

R 里缺失值用 NA 表示。tidyverse 处理缺失值最常用的几种方式：

识别缺失值

# 查看每一列缺失值的数量
data %>% summarise(across(everything(), ~ sum(is.na(.))))

剔除含缺失值的行

# 剔除任何变量存在缺失的行
data %>% drop_na()

# 只针对某个特定变量存在缺失的行做剔除
data %>% drop_na(income)

缺失值填补

# 用均值填补 income 的缺失值
data %>% mutate(income = ifelse(is.na(income), mean(income, na.rm = TRUE), income))

需要提醒的是：均值填补只是最基础的处理方式，会在一定程度上人为压缩数据的真实变异，实际研究中是否适合填补、用什么方法填补（如多重插补 Multiple Imputation），需要结合缺失机制（完全随机缺失/随机缺失/非随机缺失）审慎判断，不能不加说明地直接填补了事。

重复值处理

# 查看是否存在完全重复的行
data %>% duplicated() %>% sum()

# 剔除完全重复的行
data %>% distinct()

# 按某个关键变量（如身份证号/被试编号）判断重复，只保留第一次出现的记录
data %>% distinct(id, .keep_all = TRUE)

宽表和长表转换

问卷类数据经常需要在"宽表"（每个被试一行，每道题一列）和"长表"（每一行只对应一个被试在一道题上的一次作答）之间转换，尤其是在做重复测量方差分析或者绘制某些图表时。tidyr 包里的两个函数专门处理这个：

宽表转长表：pivot_longer()

# 把 T1、T2、T3 三个时间点的测量值列，转换成"时间点"和"测量值"两列
data %>%
  pivot_longer(cols = c(T1, T2, T3), names_to = "time", values_to = "score")

长表转宽表：pivot_wider()

# 反过来，把长表按时间点展开成多列
data %>%
  pivot_wider(names_from = time, values_from = score)

一个完整清洗流程示例

把上面的函数串起来，一个典型的数据清洗流程大致是这样：

library(tidyverse)

data_clean <- data %>%
  filter(age >= 18) %>%                      # 剔除未成年样本
  distinct(id, .keep_all = TRUE) %>%          # 按被试编号去重
  drop_na(income, education) %>%              # 剔除关键变量缺失的行
  mutate(
    log_income = log(income),                 # 新增对数收入变量
    age_group = ifelse(age < 35, "青年", "中老年")  # 新增年龄分组变量
  ) %>%
  select(id, age, age_group, income, log_income, education, gender)  # 只保留需要的列

这几行代码从上到下读下来，几乎就是"筛选成年样本，按编号去重，剔除关键变量缺失的记录，计算对数收入和年龄分组，最后只保留需要的几列"这句话本身——这正是 tidyverse 相比传统代码风格对研究者更友好的地方。

用 ChatSRS 辅助

不需要自己记住函数名和语法，直接用自然语言描述清洗需求即可：

"帮我用 R 语言清洗这份数据：剔除年龄小于18岁的样本，按被试编号去重，剔除收入和教育程度缺失的记录，新增一个按年龄分组的变量（35岁以下为青年，35岁及以上为中老年）。"

AI 会自动生成对应的 tidyverse 代码并执行，输出清洗后的数据以及清洗过程的说明，即使你完全不熟悉 R 语法也能看懂每一步做了什么。

适合人群

心理学、教育学、管理学、社会学等学科中，需要处理问卷或实验数据、又希望摆脱 SPSS 菜单操作局限（比如需要批量处理、可重复执行的清洗流程）的学位论文或期刊投稿研究者，都适合入门 R 的 tidyverse 数据清洗。

常见 FAQ

Q：完全没有编程基础，学 tidyverse 会不会很难？

A：tidyverse 相比传统编程语法已经是对初学者最友好的选择之一，核心难点其实只有两个：理解管道符 %>% 的含义，以及记住 filter/select/mutate/group_by/summarise 这几个高频函数分别做什么。建议先从这几个基础函数的组合使用练起，不需要一开始就追求"精通 R"，能完成日常数据清洗需求就已经足够实用。

Q：SPSS 能做的数据清洗，是不是 R 都能做，有必要换吗？

A：SPSS 菜单操作在做单次、简单的清洗时确实更直观；但当清洗流程比较复杂、需要重复执行（比如换一批新数据要重新走一遍同样的清洗步骤）、或者需要清晰记录每一步处理逻辑供审稿人核查时，R 代码的可重复性和透明度优势会更明显。两者并不互斥，很多研究者会根据具体任务灵活选择。

Q：mutate() 新增变量和 SPSS 的"计算变量"是一回事吗？

A：概念上是一回事，都是基于已有变量通过某种运算规则生成新变量。区别在于 mutate() 可以在一次调用里同时新增多个变量、且能直接引用同一步骤里刚刚新增的变量继续计算，写法比 SPSS 逐个点选"计算变量"对话框更紧凑，尤其在需要新增多个衍生变量时效率更高。

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内【用户中心 -> 帮助与反馈】联系我们。