想了一下还是做一个笔记目录，这样能够方便查询

R for Data Science（笔记） ---数据变换（filter使用）
R for Data Science（笔记） ---数据变换（select基础使用）
R for Data Science（笔记） ---数据变换（select组合其他函数）
R for Data Science（笔记） ---数据变换（创建新的变量）
R for Data Science（笔记） ---数据变换（行排序）
R for Data Science（笔记） ---数据变换（归纳总结）
R for Data Science（笔记） ---数据整理（分列和合并）

tidy流处理数据的运用，我想这与管道符%>% 的使用，数据处理动词化，有着很重要的关系。

用最少的时间，解决最重要的、最常见的问题，我把这称为是高效；剩余的难点，我把其称为提高。

宽数据变长数据

pivot相关的函数就是为了对数据的表现形式进行改变

之前在ggplot2画图之前的准备----数据宽长变换谈及过数据长宽变换，也就是pivot函数的应用。这次使用原书里面的例子。

table4a %>% 
  pivot_longer(c(`1999`, `2000`), names_to = "year", values_to = "cases")
#> # A tibble: 6 x 3
#>   country     year   cases
#>   <chr>       <chr>  <int>
#> 1 Afghanistan 1999     745
#> 2 Afghanistan 2000    2666
#> 3 Brazil      1999   37737
#> 4 Brazil      2000   80488
#> 5 China       1999  212258
#> 6 China       2000  213766

其实，在数据变换的过程中还是对这种数据的一个理解，也就是下面这副图的变换。

长数据变宽数据

上面的例子是宽数据变成长数据，一般不会有问题，而长数据变成宽数据时，偶尔会出现问题，主要原因是tidyverse处理数据会把数据形式变为tibble格式，这个和datafram是有去别的。关于这个问题的处理，我在以前的文章中写过，并且展示过。
ggplot2画图之前的准备----数据宽长变换

为什么要做这些事情

不仅就要问了，为啥搞这么多东西
这是tidyverse处理数据的模式，为什么要这样做，因为写ggplot2 package和tidyverse的
作者是一个人，把R的底层搞一遍，顺带做的适合自己画图工具。

不得不说，有些东西的进步可能还真是就是个别一些人的推动，这又要牵扯到历史观了，据说R的推动是由于Rstudio的推动，而像Hadley Wickham这样的人，则是开创了一种新的方法。当然这样的人，还有像 谢益辉，Rmarkdown的作者，也是改变了一种展现方法。