紧接着创建新的列gain和speed
新创建的列同时也可以使用（但是保留的方法仍然是赋值给某个名称）：
由于系统显示限制，最后一列没有展示出来，运行view()函数即可：
如果只想要保留新的变量，那就使用transmute()函数：
此时参与计算的arr_delay、dep_delay、air_time、hours都消失，只有新转换的gain、hours 、gain_per_hour三列。
mutare()函数可以和前面提到的几个函数结合起来使用。其中进行运算的时候，肯定会涉及到R语言的计算语言，以下列出几个常用的：
举例：
组内相关系数（intra-class correlation coefficient, ICC）的用途、类型以及计算。
ICC常用于衡量某个指标（比如，皮层厚度）在多次测量中的一致性/相似性（即信度）。在概念上，ICC等于真实的（被试间）变异除以观测的变异，观测的变异等于真实的变异加上噪声变异。比如，ICC=0.5表示真实变异和噪声变异相同。ICC越高，表明观测/测量越可靠。ICC的理论范围在0-1，一般地，ICC位于0-0.5之间表示信度差，0.5-0.75表示中等，0.75-0.9表示好，0.9-1表示极好（也存在其他分类标准）。
信度的现实意义在于，如果信度低，那么对于检测同样的效果量，需要更大的样本量
根据如何计算ICC，可以分为三个类型，即ICC(1,1), ICC(2,1)和ICC(3,1)。ICC(2,1)也表示为ICC(A,1)，ICC(3,1)也表示为ICC(C,1)。在MRI脑成像中，ICC(2,1)似乎是最常用的。ICC(2,1)和ICC(3,1)的区别在于是否考虑多次测量之间的系统性噪声，直观来说，就是ICC(2,1)对变量的均值敏感，ICC(3,1)对变量的均值不敏感。作为对比，熟知的皮尔逊相关系数对于变量的均值和方差都不敏感，只对变量之间的协方差敏感。
在具体估计方法上，常见的有ANOVA和LME（linear mixed-effects）两种。LME的好处是不会出现ICC<0的情况，以及可以处理存在缺失值/协变量的情况。
