R Language
Split-Funktion
Suche…
Grundlegende Verwendung von Split
split
können Sie einen Vektor oder einen data.frame in Buckets hinsichtlich einer Faktor- / Gruppenvariablen unterteilen. Diese Belüftung in Buckets erfolgt in Form einer Liste, lapply
sapply
gruppenweise Berechnungen ( for
Schleifen oder lapply
/ sapply
) durchgeführt werden können.
Das erste Beispiel zeigt die Verwendung von split
für einen Vektor:
Betrachten Sie den folgenden Buchstabenvektor:
testdata <- c("e", "o", "r", "g", "a", "y", "w", "q", "i", "s", "b", "v", "x", "h", "u")
Ziel ist es, diese Briefe in voyels
und consonants
voyels
, dh entsprechend dem Buchstabentyp aufzuteilen.
Zuerst erstellen wir einen Gruppierungsvektor:
vowels <- c('a','e','i','o','u','y')
letter_type <- ifelse(testdata %in% vowels, "vowels", "consonants")
Beachten Sie, dass letter_type
dieselbe Länge hat wie unsere testdata
. Jetzt können wir split
diese Testdaten in den beiden Gruppen, vowels
und consonants
:
split(testdata, letter_type)
#$consonants
#[1] "r" "g" "w" "q" "s" "b" "v" "x" "h"
#$vowels
#[1] "e" "o" "a" "y" "i" "u"
Das Ergebnis ist also eine Liste, deren Namen von unserem Gruppierungsvektor / Faktor letter_type
.
split
hat auch eine Methode, um mit data.frames umzugehen.
Betrachten Sie zum Beispiel iris
:
data(iris)
Mit split
kann man eine Liste mit einem data.frame pro Irisart erstellen (variabel: Species):
> liris <- split(iris, iris$Species)
> names(liris)
[1] "setosa" "versicolor" "virginica"
> head(liris$setosa)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
(enthält nur Daten für die Setosa-Gruppe).
Eine Beispieloperation wäre die Berechnung der Korrelationsmatrix pro Irisart; man würde dann lapply
:
> (lcor <- lapply(liris, FUN=function(df) cor(df[,1:4])))
$setosa
Sepal.Length Sepal.Width Petal.Length Petal.Width
Sepal.Length 1.0000000 0.7425467 0.2671758 0.2780984
Sepal.Width 0.7425467 1.0000000 0.1777000 0.2327520
Petal.Length 0.2671758 0.1777000 1.0000000 0.3316300
Petal.Width 0.2780984 0.2327520 0.3316300 1.0000000
$versicolor
Sepal.Length Sepal.Width Petal.Length Petal.Width
Sepal.Length 1.0000000 0.5259107 0.7540490 0.5464611
Sepal.Width 0.5259107 1.0000000 0.5605221 0.6639987
Petal.Length 0.7540490 0.5605221 1.0000000 0.7866681
Petal.Width 0.5464611 0.6639987 0.7866681 1.0000000
$virginica
Sepal.Length Sepal.Width Petal.Length Petal.Width
Sepal.Length 1.0000000 0.4572278 0.8642247 0.2811077
Sepal.Width 0.4572278 1.0000000 0.4010446 0.5377280
Petal.Length 0.8642247 0.4010446 1.0000000 0.3221082
Petal.Width 0.2811077 0.5377280 0.3221082 1.0000000
Dann können wir pro Gruppe das beste Paar von korrelierten Variablen abrufen: (Korrelationsmatrix wird umgeformt / geschmolzen, Diagonale wird herausgefiltert und die Auswahl des besten Datensatzes wird durchgeführt)
> library(reshape)
> (topcor <- lapply(lcor, FUN=function(cormat){
correlations <- melt(cormat,variable_name="correlatio);
filtered <- correlations[correlations$X1 != correlations$X2,];
filtered[which.max(filtered$correlation),]
}))
$setosa
X1 X2 correlation
2 Sepal.Width Sepal.Length 0.7425467
$versicolor
X1 X2 correlation
12 Petal.Width Petal.Length 0.7866681
$virginica
X1 X2 correlation
3 Petal.Length Sepal.Length 0.8642247
Beachten Sie, dass eine Berechnung auf einer solchen gruppenweisen Ebene durchgeführt wird. Möglicherweise interessieren Sie sich für das Stapeln der Ergebnisse. Dies kann folgendermaßen durchgeführt werden:
> (result <- do.call("rbind", topcor))
X1 X2 correlation
setosa Sepal.Width Sepal.Length 0.7425467
versicolor Petal.Width Petal.Length 0.7866681
virginica Petal.Length Sepal.Length 0.8642247
Verwenden von Split im Split-Apply-Combine-Paradigma
Eine beliebte Form der Datenanalyse ist das Aufteilen-Anwenden-Kombinieren , bei dem Sie Ihre Daten in Gruppen aufteilen, für jede Gruppe eine Art Verarbeitung durchführen und dann die Ergebnisse kombinieren.
Betrachten wir eine Datenanalyse, bei der wir die zwei Autos mit den besten Meilen pro Gallone (mpg) für jede Zylinderanzahl (cyl) im eingebauten mtcars-Datensatz erhalten möchten. Zuerst teilen wir den mtcars
nach der Zylinderanzahl auf:
(spl <- split(mtcars, mtcars$cyl))
# $`4`
# mpg cyl disp hp drat wt qsec vs am gear carb
# Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
# Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
# Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
# Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
# ...
#
# $`6`
# mpg cyl disp hp drat wt qsec vs am gear carb
# Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
# Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
# Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
# Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
# ...
#
# $`8`
# mpg cyl disp hp drat wt qsec vs am gear carb
# Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
# Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
# Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
# Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
# ...
Dies hat eine Liste von Datenrahmen zurückgegeben, einen für jede Zylinderanzahl. Wie durch die Ausgabe angegeben ist , könnten wir den entsprechenden Datenrahmen mit erhalten spl$`4`
, spl$`6`
und spl$`8`
(einige könnten es optisch ansprechender zu verwenden spl$"4"
oder spl[["4"]]
statt.
Jetzt können wir lapply
um durch diese Liste zu lapply
, indem wir unsere Funktion verwenden, die die Autos mit den besten 2 mpg-Werten aus jedem Listenelement extrahiert:
(best2 <- lapply(spl, function(x) tail(x[order(x$mpg),], 2)))
# $`4`
# mpg cyl disp hp drat wt qsec vs am gear carb
# Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
# Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
#
# $`6`
# mpg cyl disp hp drat wt qsec vs am gear carb
# Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
# Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
#
# $`8`
# mpg cyl disp hp drat wt qsec vs am gear carb
# Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
# Pontiac Firebird 19.2 8 400 175 3.08 3.845 17.05 0 0 3 2
Schließlich können wir alles mit rbind
. Wir wollen rbind(best2[["4"]], best2[["6"]], best2[["8"]])
nennen rbind(best2[["4"]], best2[["6"]], best2[["8"]])
, aber das wäre langweilig, wenn wir eine riesige Liste hätten. Als Ergebnis verwenden wir:
do.call(rbind, best2)
# mpg cyl disp hp drat wt qsec vs am gear carb
# 4.Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
# 4.Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
# 6.Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
# 6.Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
# 8.Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
# 8.Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
Dies gibt das Ergebnis von rbind
(Argument 1, eine Funktion) zurück, wobei alle Elemente von best2
(Argument 2, eine Liste) als Argumente übergeben werden.
Mit einfachen Analysen wie dieser kann es kompakter sein (und möglicherweise viel weniger lesbar!), Wenn Sie die gesamte Split-Apply-Kombination in einer einzigen Codezeile ausführen:
do.call(rbind, lapply(split(mtcars, mtcars$cyl), function(x) tail(x[order(x$mpg),], 2)))
Es ist auch erwähnenswert, dass die lapply(split(x,f), FUN)
alternativ mit der Funktion ?by
lapply(split(x,f), FUN)
gerahmt werden kann:
by(mtcars, mtcars$cyl, function(x) tail(x[order(x$mpg),], 2))
do.call(rbind, by(mtcars, mtcars$cyl, function(x) tail(x[order(x$mpg),], 2)))