R Select(), Filter(), Arrange(), Pipeline with Example

Co je dplyr v R?

dplyr je balíček pro manipulaci s daty v tidyverse. Nahrazuje závorkovou notaci základu R s malou sadou sloves, z nichž každé je pojmenováno podle akce, kterou provádí, a každé bere datový rámec jako svůj první argument. Tento konzistentní tvar umožňuje řetězení sloves.

Tento tutoriál se zabývá prvními třemi slovesy a svislou čárkou. tutoriál k agregační funkci Podrobně se zabývá metodami group_by() a summarize().

Datová sada použitá v tomto tutoriálu

Knihovna s názvem dplyr obsahuje cenné slovesa pro navigaci v datové sadě. V tomto tutoriálu se seznámíte s datovou sadou Travel times (doby cestování). Datová sada zaznamenává cesty, které řidič podnikne mezi domovem a pracovištěm. V datové sadě je čtrnáct proměnných, včetně:

• DayOfWeek: Určete den v týdnu, kdy řidič používá své auto
• Vzdálenost: Celková vzdálenost cesty
• MaxSpeed: Maximální rychlost jízdy
• TotalTime: Délka cesty v minutách

Soubor dat obsahuje 205 pozorování a jízdy se uskutečnily od Monday do pátku.

Nejprve musíte:

• načíst datovou sadu
• zkontrolujte strukturu dat.

Jednou z praktických funkcí v dplyru je glimpse(). Hraje stejnou roli jako str() v základním R, ale vypisuje jeden řádek na proměnnou s typem a prvními několika hodnotami, což je mnohem snazší prohledávat na široké datové sadě.

library(dplyr) 
PATH <- "https://raw.githubusercontent.com/guru99-edu/R-Programming/master/travel_times.csv"
df <- read.csv(PATH)
glimpse(df)

Výstup:

## Observations: 205
## Variables: 14
## $ X              <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, ...
## $ Date           <fctr> 1/6/2012, 1/6/2012, 1/4/2012, 1/4/2012, 1/3/20...
## $ StartTime      <fctr> 16:37, 08:20, 16:17, 07:53, 18:57, 07:57, 17:3...
## $ DayOfWeek      <fctr> Friday, Friday, Wednesday, Wednesday, Tuesday,...
## $ GoingTo        <fctr> Home, GSK, Home, GSK, Home, GSK, Home, GSK, GS...
## $ Distance       <dbl> 51.29, 51.63, 51.27, 49.17, 51.15, 51.80, 51.37...
## $ MaxSpeed       <dbl> 127.4, 130.3, 127.4, 132.3, 136.2, 135.8, 123.2...
## $ AvgSpeed       <dbl> 78.3, 81.8, 82.0, 74.2, 83.4, 84.5, 82.9, 77.5,...
## $ AvgMovingSpeed <dbl> 84.8, 88.9, 85.8, 82.9, 88.1, 88.8, 87.3, 85.9,...
## $ FuelEconomy    <fctr> , , , , , , -, -, 8.89, 8.89, 8.89, 8.89, 8.89...
## $ TotalTime      <dbl> 39.3, 37.9, 37.5, 39.8, 36.8, 36.8, 37.2, 37.9,...
## $ MovingTime     <dbl> 36.3, 34.9, 35.9, 35.6, 34.8, 35.0, 35.3, 34.3,...
## $ Take407All     <fctr> No, No, No, No, No, No, No, No, No, No, No, No...
## $ Comments       <fctr> , , , , , , , , , , , , , , , Put snow tires o...	

Proměnná Comments si zjevně vyžaduje bližší pohled: první pozorování jsou všechna prázdná.

sum(df$Comments =="")

Code Vysvětlení

• sum(df$Comments == “”): Počítá pozorování rovnající se prázdnému řetězci ve sloupci Komentáře funkce df

Výstup:

## [1] 181

Po načtení dat začněte s příkazem, který ořezává sloupce.

vybrat()

Začneme slovesem select(). Nepotřebujeme nutně všechny proměnné a osvědčeným postupem je vybrat pouze ty proměnné, které považujete za relevantní.

Máme 181 chybějících pozorování, téměř 90 procent datového souboru. Pokud se je rozhodnete vyloučit, nebudete moci v analýze pokračovat.

Další možností je vypustit proměnnou Komentář se slovesem select().

Pomocí select() můžeme vybírat proměnné různými způsoby. Všimněte si, že prvním argumentem je datová sada.

- `select(df, A, B ,C)`: Select the variables A, B and C from df dataset.
- `select(df, A:C)`: Select all variables from A to C from df dataset.
- `select(df, -C)`: Exclude C from the dataset from df dataset.	

K vyloučení proměnné Komentáře můžete použít třetí způsob.

step_1_df <- select(df, -Comments)
dim(df)

Výstup:

## [1] 205  14

dim(step_1_df)

Výstup:

## [1] 205  13

Původní datová sada má 14 funkcí, zatímco step_1_df má 13.

Pomocné funkce select() v R

Pojmenování každého sloupce se stává nepraktickým, jakmile datová sada obsahuje desítky proměnných. dplyr je dodáván s pomocníky, které místo toho vybírají sloupce podle vzoru nebo podle typu.

# Keep only the timing columns
df %>% select(ends_with("Time"))

# Keep every numeric column
df %>% select(where(is.numeric))

# Move TotalTime to the front, keep the rest in place
df %>% select(TotalTime, everything())

S funkcí select() se přirozeně párují další dvě slovesa. Pro změnu názvu sloupce bez jeho odstranění použijte rename(new_name = old_name).ping ostatní a relocate() pro přesun sloupců bez jejich výpisu všech.

filtr()

Sloveso filter() uchovává pozorování, která splňují podmínku. Filter() funguje přesně jako select(), nejprve se předá datový rámec a poté podmínka oddělená čárkou:

filter(df, condition)
arguments:
- df: dataset used to filter the data
- condition:  Condition used to filter the data	

Jedno kritérium

Nejprve můžete spočítat počet pozorování v rámci každé úrovně faktorové proměnné.

table(step_1_df$GoingTo)

Code Vysvětlení

• table(): Spočítá počet pozorování na úroveň. Očekává faktor nebo znakovou proměnnou.
• table(step_1_df$GoingTo): Spočítejte počet cest směrem ke každému cíli

Výstup:

## 
##  GSK Home 
##  105  100	

Funkční tabulka() udává, že 105 jízd směřuje do GSK a 100 do Home.

Data můžeme filtrovat, abychom vrátili jednu datovou sadu se 105 pozorováními a druhou se 100 pozorováními.

# Select observations where GoingTo == Home
select_home <- filter(df, GoingTo == "Home")
dim(select_home)

Výstup:

## [1] 100  14

# Select observations where GoingTo == GSK (work)
select_work <- filter(df, GoingTo == "GSK")
dim(select_work)

Výstup:

## [1] 105  14

Více kritérií

Datovou sadu můžeme filtrovat podle více než jednoho kritéria. Můžete například extracpozorování, kde cílem je Domov a cesta se uskutečnila ve středu.

select_home_wed <- filter(df, GoingTo == "Home" & DayOfWeek == "Wednesday")
dim(select_home_wed)

Výstup:

## [1] 23 14

Tomuto kritériu odpovídalo 23 pozorování.

Běžné podmínky filtru() a Operatory v R

Funkce filter() uchovává všechny řádky, pro které je podmínka vyhodnocena jako TRUE. Řádky, které jsou vyhodnoceny jako NA, jsou vynechány, což je chování, které překvapuje většinu začátečníků.

Většině chyb funkce filter() zabraňují tři návyky.

• Použijte %in% místo zřetězeného operátoru OR. filter(df, DenVTýdnu %v% c(“Monday„pátek“)) je kratší a mnohem těžší se u něj překlepnout než u dvou porovnání == spojených svislou čárou.
• Nikdy netestujte chybějící hodnotu pomocí ==. Výraz x == NA vrací NA, nikoli TRUE, takže řádek je tiše odstraněn. Použijte místo toho is.na(x).
• Čárky znamenají A. Funkce filter(df, a, b) je identická s funkcí filter(df, a & b), a proto příklad v tomto tutoriálu funguje oběma způsoby.

Potrubí Operator v dplyru

Vytvoření datové sady vyžaduje mnoho operací, jako například:

• importu
• slučování
• výběr
• filtrování
• a tak dále

Knihovna dplyr přichází s praktickým operátorem %>%, zvaným dýmkouDíky tomu je manipulace s daty čistší, rychlejší a méně náchylná k chybám.

Tento operátor je kód, který provádí kroky bez ukládání mezikroků na pevný disk. Pokud se vrátíte k našemu příkladu výše, můžete vybrat proměnné, které vás zajímají, a filtrovat je. Máme tři kroky:

• Krok 1: Import dat: Importujte data gps
• Krok 2: Vyberte data: Vyberte GoingTo a DayOfWeek
• Krok 3: Filtrování dat: Návrat pouze Domů a Středa

Můžeme k tomu použít obtížný způsob:

# Step 1
step_1 <- read.csv(PATH)

# Step 2 
step_2 <- select(step_1, GoingTo, DayOfWeek)

# Step 3 
step_3 <- filter(step_2, GoingTo == "Home", DayOfWeek == "Wednesday")

head(step_3)

Výstup:

##   GoingTo DayOfWeek
## 1    Home Wednesday
## 2    Home Wednesday
## 3    Home Wednesday
## 4    Home Wednesday
## 5    Home Wednesday
## 6    Home Wednesday	

To není pohodlný způsob, jak řetězit mnoho operací. Každý mezivýsledek zůstává v prostředí a názvy rychle přestávají mít žádný význam.

Použijte místo toho operátor svisle %>%. Datový rámec pojmenujete jednou na začátku a každý krok vychází z něj.

Základní syntaxe potrubí

New_df <- df %>%
step 1 %>%
step 2 %>%
...
arguments
- New_df: Name of the new data frame 
- df: Data frame used to compute the step
- step: Instruction for each step
- Note: the last instruction does not need a trailing `%>%`, because nothing follows it
- Note: assigning the result to a new object is optional. Without it, the output prints in the console.

Svou první rouru můžete vytvořit podle výše uvedených kroků.

# Create the data frame filter_home_wed.It will be the object return at the end of the pipeline
filter_home_wed <- 

#Step 1
read.csv(PATH) %>% 

#Step 2
select(GoingTo, DayOfWeek) %>% 

#Step 3
filter(GoingTo == "Home",DayOfWeek == "Wednesday")
identical(step_3, filter_home_wed)

Výstup:

## [1] TRUE

Oba objekty jsou identické, takže roura v jednom čitelném příkazu vytvořila přesně stejný výsledek.

uspořádat()

v předchozí tutoriál, naučíte se třídit hodnoty pomocí funkce sort(). Knihovna dplyr má svou třídicí funkci. S potrubím to funguje jako kouzlo. Sloveso uspořádat() může změnit pořadí jednoho nebo mnoha řádků, buď vzestupně (výchozí) nebo sestupně.

- `arrange(A)`: Ascending sort of variable A
- `arrange(A, B)`: Ascending sort of variable A and B
- `arrange(desc(A), B)`: Descending sort of variable A and ascending sort of B

Vzdálenost můžeme seřadit podle místa určení.

# Sort by destination and distance
step_2_df <- step_1_df %>%
    arrange(GoingTo, Distance)
head(step_2_df)

Výstup:

##     X       Date StartTime DayOfWeek GoingTo Distance MaxSpeed AvgSpeed
## 1 193  7/25/2011     08:06    Monday     GSK    48.32    121.2     63.4
## 2 196  7/21/2011     07:59  Thursday     GSK    48.35    129.3     81.5
## 3 198  7/20/2011     08:24 Wednesday     GSK    48.50    125.8     75.7
## 4 189  7/27/2011     08:15 Wednesday     GSK    48.82    124.5     70.4
## 5  95 10/11/2011     08:25   Tuesday     GSK    48.94    130.8     85.7
## 6 171  8/10/2011     08:13 Wednesday     GSK    48.98    124.8     72.8
##   AvgMovingSpeed FuelEconomy TotalTime MovingTime Take407All
## 1           78.4        8.45      45.7       37.0         No
## 2           89.0        8.28      35.6       32.6        Yes
## 3           87.3        7.89      38.5       33.3        Yes
## 4           77.8        8.45      41.6       37.6         No
## 5           93.2        7.81      34.3       31.5        Yes
## 6           78.8        8.54      40.4       37.3         No

Slovesa dplyr v R: Stručný přehled

V následující tabulce jsou uvedena všechna slovesa použitá v tomto tutoriálu, včetně syntaxe a toho, co každé volání vrací:

glimpse(df)

select(df, A, B ,C)

select(df, A:C)

select(df, -C)

filter(df, condition1)

filter(df, condition1 & condition2)

arrange(A)

arrange(A, B)

arrange(desc(A), B)

step 1 %>% step 2 %>% step 3

Nejčastější dotazy