R Language
ordentlich
Suche…
Tbl_df erstellen
A tbl_df (ausgesprochen Tibble diff) ist eine Variation eines Datenrahmens , der oft in tidyverse Paketen verwendet wird. Es ist im tibble- Paket implementiert.
Verwenden Sie die Funktion as_data_frame
, um einen Datenrahmen in eine Tbl_df-Datei umzuwandeln:
library(tibble)
mtcars_tbl <- as_data_frame(mtcars)
Einer der bemerkenswertesten Unterschiede zwischen data.frames und tbl_dfs ist, wie sie gedruckt werden:
# A tibble: 32 x 11
mpg cyl disp hp drat wt qsec vs am gear carb
* <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
5 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
6 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
7 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
8 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
9 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
10 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
# ... with 22 more rows
- Die gedruckte Ausgabe enthält eine Zusammenfassung der Abmessungen der Tabelle (
32 x 11
). - Es beinhaltet den Typ jeder Spalte (
dbl
) - Es gibt eine begrenzte Anzahl von Zeilen aus. (Um dies zu ändern, verwenden Sie
options(tibble.print_max = [number])
).
Viele Funktionen im dplyr-Paket funktionieren natürlich mit tbl_dfs, wie beispielsweise group_by()
.
Tidyverse: eine Übersicht
Was ist tidyverse
?
tidyverse
ist der schnelle und elegante Weg, um aus Basic R
ein verbessertes Werkzeug zu machen, das von Hadley / Rstudio neu gestaltet wurde. Die Entwicklung aller in tidyverse
enthaltenen tidyverse
folgt den Grundregeln des Manifestes von The tidy tools . Aber lassen Sie die Autoren zuerst ihr Meisterwerk beschreiben:
Tidyverse besteht aus einer Reihe von Paketen, die in Harmonie arbeiten, da sie gemeinsame Datenrepräsentationen und API-Design verwenden. Das Paket tidyverse ist so konzipiert, dass es einfach ist, Core-Pakete mit einem einzigen Befehl von tidyverse zu installieren und zu laden.
Der beste Ort, um mehr über die Pakete in Ordnung zu erfahren, und wie sie zusammenpassen, ist R for Data Science. Erwarten Sie in den kommenden Monaten mehr über die Ordnung in Ordnung, während ich an verbesserten Paket-Websites arbeite, die Zitierweise vereinfachen und ein gemeinsames Zuhause für Diskussionen über die Datenanalyse mit der Ordnung bereitstellen.
( Quelle ))
Wie benutze ich es?
Nur bei den normalen R
Paketen müssen Sie das Paket installieren und laden.
install.package("tidyverse")
library("tidyverse")
Der Unterschied besteht darin, dass mit einem einzigen Befehl mehrere Dutzend Pakete installiert / geladen werden. Als Bonus kann man sich darauf verlassen, dass alle installierten / geladenen Pakete kompatible Versionen haben.
Was sind das für Pakete?
Die allgemein bekannten und weit verbreiteten Pakete:
- ggplot2 : erweiterte Datenvisualisierung SO_doc
- dplyr : schneller ( Rcpp ) und kohärenter Ansatz zur Datenmanipulation SO_doc
- tidyr : Werkzeuge zur Datenaufbereitung von SO_doc
- readr : für den Datenimport.
- purrr : lässt Ihre reinen Funktionen schnurren, indem Sie die funktionalen Programmierwerkzeuge von R mit wichtigen Funktionen aus anderen Sprachen im Stil der JS-Pakete underscore.js, lodash und lazy.js.
- tibble : eine moderne umgestaltung von datenrahmen .
- magrittr : piping , um Code lesbarer zu machen SO_doc
Pakete zur Bearbeitung bestimmter Datenformate:
- hms : einfach mal ablesen
- stringr : Bietet einen zusammenhängenden Satz von Funktionen, der das Arbeiten mit Strings so einfach wie möglich macht
- lubridate : erweiterte Datums- / Zeitmanipulationen SO_doc
- forcats : Fortgeschrittene Arbeit mit Faktoren .
Datenimport:
- DBI : Definiert eine gemeinsame Schnittstelle zwischen R und Datenbankverwaltungssystemen (DBMS).
- Port : SPSS- , SAS- und Stata-Dateien SO_doc können problemlos importiert werden
- httr : Das Ziel von httr ist es, einen Wrapper für das curl-Paket bereitzustellen, der an die Anforderungen moderner Web-APIs angepasst ist
- jsonlite : ein schneller JSON-Parser und Generator, der für statistische Daten und das Web optimiert ist
- readxl : read.xls- und .xlsx-Dateien, ohne dass die Abhängigkeitspakete SO_doc erforderlich sind
- rvest : rvest hilft Ihnen, Informationen von den Webseiten SO_doc abzurufen
- xml2 : für XML
Und modellieren:
- modelr : bietet Funktionen, mit denen Sie beim Modellieren elegante Pipelines erstellen können
- Besen : Einfach die Modelle in ordentliche Daten extrahieren
Schließlich tidyverse
die Verwendung von:
- knitr : Die erstaunliche universelle Programmier-Engine für allgemeine Kenntnisse mit leichtgewichtigen APIs, die Benutzern die volle Kontrolle über die Ausgabe ohne umfangreiche Codierungsarbeit ermöglichen. SO_docs: eins , zwei
- rmarkdown : Rstudio-Paket für reproduzierbare Programmierung. SO_docs: eins , zwei , drei , vier