利用grep函数提取tianmao1的stock、stockclass两列，将其保存到stockc数据集中；

你可以使用以下代码利用`grep()`函数提取`tianmao1`数据集中的`stock`和`stockclass`两列，并将它们保存到`stockc`数据集中：

stockc <- tianmao1[, grep("stock|stockclass", colnames(tianmao1))]

这段代码使用`grep()`函数来匹配列名中包含"stock"或"stockclass"的列，并使用索引操作符`[, ]`将这些列从`tianmao1`数据集中提取出来，然后将提取的结果保存到`stockc`数据集中。

相关问题

利用R语言实现以下功能： 从天猫网站爬取的电视销售数据（tianmaoTV.xlsx）包含商品名称、商品描述、现价、原价、月销量、库存、店铺ID、店铺名称、评分、收藏数、累计评价数、毛重、品牌、电视类型和屏幕尺寸等变量。 （1）利用grep函数提取tianmao1的stock、stockclass两列，将其保存到stockc数据集中； （2）按照不同品牌计算不同店铺的销量，并保存在bshoptop3数据框中； （3）分别绘制图体现收藏数和销量、销量和评分之间的关系； （4）筛选得出价格波动（原价和现价的差）最大的前十名商品，并保存在salestop10数据集中； （5）生成原价和现价两列数据的箱线图，查看价格分布情况； （6）该表貌似整洁，但存在冗余，尝试将其修改为整洁数据集。

以下是利用R语言实现以上功能的代码：

# 导入所需包
library(readxllibrary(dplyr)
library(ggplot2)
library(tidyr)

# (1) 提取stock和stock列保存到stockc中
stockc <-ianmao1[, c("stock", "class")]

# (2)照不同品牌计算不同店铺的销量，并保存在bshoptop3数据框中
bshoptop3 <- tianmao1 %>%
  group_by(品牌, 店铺ID, 店铺名称) %>%
  summarise(总销量 = sum(月销量)) %>%
  arrange(desc(总销量)) %>%
  group_by(品牌) %>%
  slice_max(总销量, n = 3)

# (3) 绘制收藏数和销量、销量和评分之间的关系图
ggplot(tianmao1, aes(x = 收藏数, y = 月销量)) +
  geom_point() +
  xlab("收藏数") +
  ylab("销量") +
  ggtitle("收藏数与销量关系图")

ggplot(tianmao1, aes(x = 评分, y = 月销量)) +
  geom_point() +
  xlab("评分") +
  ylab("销量") +
  ggtitle("评分与销量关系图")

# (4) 筛选价格波动最大的前十名商品，并保存在salestop10数据集中
salestop10 <- tianmao1 %>%
  mutate(价格波动 = 原价 - 现价) %>%
  arrange(desc(价格波动)) %>%
  head(10)

# (5) 生成原价和现价两列数据的箱线图，查看价格分布情况
prices <- tianmao1 %>%
  select(原价, 现价) %>%
  pivot_longer(everything(), names_to = "价格类型", values_to = "价格") 

ggplot(prices, aes(x = 价格类型, y = 价格)) +
  geom_boxplot() +
  xlab("价格类型") +
  ylab("价格") +
  ggtitle("原价和现价的箱线图")

# (6) 修改为整洁数据集
tianmao_clean <- tianmao1 %>%
  select(-c(商品描述, 店铺ID, 店铺名称, 毛重, 电视类型, 屏幕尺寸)) %>%
  pivot_longer(cols = -c(商品名称, 品牌), names_to = "变量", values_to = "值")

以上代码实现了你提出的功能。其中，第6步使用了`pivot_longer`函数将表格转换为整洁数据集，每一行代表一个观测值，每一列代表一个变量，这样可以更方便地进行数据分析和可视化。

利用R语言实现以下功能： 从天猫网站爬取的电视销售数据（tianmaoTV.xlsx）包含商品名称、商品描述、现价、原价、月销量、库存、店铺ID、店铺名称、评分、收藏数、累计评价数、毛重、品牌、电视类型和屏幕尺寸共15个变量。 （1）将数据读进R并保存为tianmao1数据集； （2）提取当前价格（current_price）小于1000的所有观测，保存到数据集cplow1000； （3）在数据集tianmao1中生成一个新列，将新列命名为stockclass：当库存stock等于0 时，stockclass的值为“无货”；当库存小于100，stockclass的值为“低库存”； 当库存大于等于100时，stockclass的值为“高库存”； （4）利用grep函数提取tianmao1的stock、stockclass两列，将其保存到stockc数据集中； （5）计算每个品牌的总销量（提示：利用group_by和summarise函数），把销量前十的结果保存到brandmount数据框里，用1-2个图显示不同品牌的销量之间的差异，并说明为什么选用此种类型的图；

以下是利用R语言实现以上功能的代码：

# 导入所需包
library(readxl)
library(dplyr)
library(ggplot2)

# (1) 读取数据
tianmao1 <- read_excel("tianmaoTV.xlsx")

# (2) 提取当前价格小于1000的所有观测
cplow1000 <- filter(tianmao1, current_price < 1000)

# (3) 生成stockclass变量
tianmao1 <- mutate(tianmao1, stockclass = case_when(
  stock == 0 ~ "无货",
  stock < 100 ~ "低库存",
  stock >= 100 ~ "高库存"
))

# (4) 提取stock和stockclass列保存到stockc数据集中
stockc <- tianmao1[, c("stock", "stockclass")]

# (5) 计算每个品牌的总销量并保存前十结果到brandmount数据框
brandmount <- tianmao1 %>%
  group_by(品牌) %>%
  summarise(总销量 = sum(月销量)) %>%
  arrange(desc(总销量)) %>%
  head(10)

# 绘制销量差异图
ggplot(brandmount, aes(x = reorder(品牌, -总销量), y = 总销量)) +
  geom_bar(stat = "identity") +
  xlab("品牌") +
  ylab("总销量") +
  ggtitle("不同品牌的销量差异图") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) 

我们选用了柱状图来展示不同品牌的销量差异，因为柱状图可以直观地比较不同品牌的销量大小，并且易于理解和比较。柱状图适用于展示离散变量（品牌）与连续变量（销量）之间的关系。通过对柱状图进行排序，可以清楚地看到销量前十的品牌，方便进行比较和分析。