R Select(), Filter(), Arrange(), Pipeline példával

Mi a dplyr R-ben?

dplyr a tidyverse adatmanipulációs csomagja. Ez helyettesíti a bázis zárójeles jelölését. R egy kis igehalmazzal, amelyek mindegyike a végrehajtott műveletről kapta a nevét, és mindegyik az adatkeretet veszi első argumentumként. Ez a konzisztens alak teszi lehetővé az igék láncba fűzését.

Ez az oktatóanyag az első három igét, valamint a sípot tárgyalja. összesítő függvény oktatóanyag részletesen tárgyalja a group_by() és a summarize() függvényeket.

Az oktatóanyagban használt adatkészlet

A dplyr nevű könyvtár értékes műveleteket tartalmaz az adathalmazon belüli navigáláshoz. Ebben az oktatóanyagban az Utazási idők adathalmazt fogod használni. Az adathalmaz rögzíti a sofőr otthona és munkahelye között megtett utakat. Az adathalmaz tizennégy változót tartalmaz, beleértve:

• DayOfWeek: Határozza meg a hét azon napját, amikor a vezető használja az autóját
• Távolság: Az utazás teljes távolsága
• MaxSpeed: Az utazás maximális sebessége
• TotalTime: Az utazás hossza percekben

Az adathalmaz 205 megfigyelést tartalmaz, és a túrák ettől a dátumtól kezdve zajlottak. Monday péntekig.

Először is a következőket kell tennie:

• töltse be az adatkészletet
• ellenőrizze az adatok szerkezetét.

Egy hasznos dplyr függvény a glimpse(). Ugyanazt a szerepet tölti be, mint az R alap str() függvény, de változónként egy sort nyomtat ki a típussal és az első néhány értékkel, ami sokkal könnyebb átvizsgálni egy nagyméretű adathalmazon.

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

output:

## 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...	

A „Comments” változót egyértelműen alaposabban meg kell vizsgálni: az első megfigyelések mind üresek.

sum(df$Comments =="")

Code Magyarázat

• sum(df$Comments == “”): A df függvény Megjegyzések oszlopában található üres karakterlánccal egyenlő megfigyelések megszámlálása

output:

## [1] 181

Miután betöltöd az adatokat, kezdd azzal az igével, amelyik levágja az oszlopokat.

select()

Kezdjük a select() igével. Nem feltétlenül van szükségünk az összes változóra, és a bevált gyakorlat az, hogy csak azokat a változókat jelöljük ki, amelyeket relevánsnak találunk.

181 hiányzó megfigyelésünk van, az adatkészlet majdnem 90 százaléka. Ha úgy dönt, hogy kizárja őket, nem tudja folytatni az elemzést.

A másik lehetőség a Comment változó eldobása a select() igével.

A select() segítségével többféleképpen is kiválaszthatunk változókat. Vegye figyelembe, hogy az első argumentum az adatkészlet.

- `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.	

A harmadik módot használhatja a Megjegyzések változó kizárására.

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

output:

## [1] 205  14

dim(step_1_df)

output:

## [1] 205  13

Az eredeti adatkészlet 14, míg a step_1_df 13 szolgáltatást tartalmaz.

select() segédfüggvények R-ben

Az egyes oszlopok elnevezése már nem praktikus, ha egy adathalmaz több tucat változót tartalmaz. A dplyr olyan segédprogramokkal érkezik, amelyek minta vagy típus alapján választják ki az oszlopokat.

# 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())

Két további ige természetes párosítást tesz lehetővé a select() függvény segítségével. A rename(new_name = old_name) használatával átnevezhet egy oszlopot anélkül, hogy eldobná azt.ping a többit, és a relocate() függvényt az oszlopok áthelyezéséhez anélkül, hogy az összeset listáznánk.

szűrő()

A filter() függvény megőrzi azokat a megfigyeléseket, amelyek kielégítenek egy feltételt. A filter() pontosan úgy működik, mint a select() függvény, először az adatkeretet adjuk át, majd egy vesszővel elválasztott feltételt:

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

Egy kritérium

Először is megszámolhatja a megfigyelések számát egy faktorváltozó egyes szintjén belül.

table(step_1_df$GoingTo)

Code Magyarázat

• table(): Szintenként megszámolja a megfigyelések számát. Faktor- vagy karakterváltozót vár.
• table(step_1_df$GoingTo): Számolja meg az egyes célállomások felé tett utak számát

output:

## 
##  GSK Home 
##  105  100	

A table() függvény azt jelzi, hogy 105 út megy a GSK-ba és 100 a Home-ba.

Az adatokat szűrhetjük úgy, hogy egy 105 megfigyelést tartalmazó adatkészletet adjunk vissza, és egy másikat 100 megfigyeléssel.

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

output:

## [1] 100  14

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

output:

## [1] 105  14

Több kritérium

Egy adathalmazt több kritérium alapján is szűrhetünk. Például,tract azok a megfigyelések, ahol az úti cél az otthon, és az utazás szerdán történt.

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

output:

## [1] 23 14

23 megfigyelés felelt meg ennek a kritériumnak.

Common filter() Feltételek és Operators R-ben

A filter() függvény minden olyan sort megőrz, amelynél a feltétel IGAZ értéket ad ki. Azok a sorok, amelyek NA értéket adnak ki, el lesznek vetve, ami a legtöbb kezdőt meglepi.

Három szokás előzi meg a legtöbb filter() hibát.

• Használj %in% karakterláncot VAGY helyett. filter(df, DayOfWeek %in% c(“)Monday„, „péntek”)) rövidebb és sokkal nehezebb elgépelni, mint két függőleges vonallal összekötött == összehasonlítás.
• Soha ne tesztelj hiányzó értéket == karakterrel. Az x == NA kifejezés NA értéket ad vissza, nem pedig TRUE értéket, így a sor csendben elvész. Helyette használd az is.na(x) függvényt.
• A vesszők ÉS-t jelentenek. A filter(df, a, b) megegyezik a filter(df, a & b) függvényekkel, ezért a tutoriál korábbi példája mindkét irányban működik.

A cső Operator a dplyrben

Egy adatkészlet létrehozása sok műveletet igényel, például:

• importáló
• egyesülő
• kiválasztása
• szűrő
• és így tovább

A dplyr könyvtár egy praktikus operátorral, %>%, az úgynevezett csőTisztábbá, gyorsabbá és hibamentesebbé teszi az adatkezelést.

Ez az operátor olyan kód, amely lépéseket hajt végre anélkül, hogy közbenső lépéseket mentene a merevlemezre. Ha visszatér a fenti példánkhoz, kiválaszthatja az érdeklődésre számot tartó változókat és szűrheti őket. Három lépésünk van:

• 1. lépés: Adatok importálása: Importálja a GPS-adatokat
• 2. lépés: Adatok kiválasztása: Válassza a GoingTo és DayOfWeek lehetőséget
• 3. lépés: Adatok szűrése: Csak hazatérés és szerda

Használhatjuk a legnehezebb módszert is:

# 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)

output:

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

Ez nem egy kényelmes módja sok művelet láncba fűzésének. Minden köztes eredmény a környezetben marad, és a nevek gyorsan elveszítik jelentésüket.

Használd helyette a %>% pipe operátort. Az adatkeretet egyszer nevezed el az elején, és minden lépés ebből indul ki.

A folyamat alapvető szintaxisa

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.

Az első csövet a fent felsorolt ​​lépések szerint készítheti el.

# 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)

output:

## [1] TRUE

A két objektum azonos, így a pipe pontosan ugyanazt az eredményt produkálta egyetlen olvasható utasításban.

rendezni()

A előző bemutató, megtanulhatja, hogyan kell rendezni az értékeket a sort() függvénnyel. A dplyr könyvtárnak van rendezési funkciója. Úgy működik, mint egy bűbáj a csővezetékkel. Az arrange() ige egy vagy több sort is átrendezhet, növekvő (alapértelmezett) vagy csökkenő sorrendben.

- `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

A távolságot úti cél szerint rendezhetjük.

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

output:

##     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

dplyr Igék R-ben: Gyorsreferencia

Az alábbi táblázat felsorolja az ebben az oktatóanyagban használt összes igét, a szintaxissal és az egyes hívások visszaadott értékével együtt:

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

GYIK