Buscar..


Uso básico de split

split permite dividir un vector o un data.frame en grupos con respecto a un factor / grupo de variables. Esta ventilación en cubos toma la forma de una lista, que luego se puede utilizar para aplicar cálculos de grupo ( for bucles o lapply / sapply ).

El primer ejemplo muestra el uso de la split en un vector:

Considere el siguiente vector de letras:

testdata <- c("e", "o", "r", "g", "a", "y", "w", "q", "i", "s", "b", "v", "x", "h", "u")

El objetivo es separar esas letras en voyels y consonants , es decir, dividirlas según el tipo de letra.

Primero creamos un vector de agrupación:

 vowels <- c('a','e','i','o','u','y')
 letter_type <- ifelse(testdata %in% vowels, "vowels", "consonants") 

Tenga en cuenta que letter_type tiene la misma longitud que nuestro vector testdata . Ahora podemos split estos datos de prueba en los dos grupos, vowels y consonants :

split(testdata, letter_type)
#$consonants
#[1] "r" "g" "w" "q" "s" "b" "v" "x" "h"

#$vowels
#[1] "e" "o" "a" "y" "i" "u"

Por lo tanto, el resultado es una lista de los nombres que vienen de nuestro vector de agrupación / factor de tipo de letter_type .

split también tiene un método para lidiar con data.frames.

Considere, por ejemplo, los datos del iris :

data(iris)

Al usar split , se puede crear una lista que contenga un data.frame por especie de iris (variable: 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

(contiene solo datos para grupo setosa).

Una operación de ejemplo sería calcular la matriz de correlación por especie de iris; uno usaría entonces 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

Luego podemos recuperar por grupo el mejor par de variables correlacionadas: (la matriz de correlación se remodela / funde, la diagonal se filtra y se selecciona el mejor registro)

> 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

Tenga en cuenta que uno de los cálculos se realiza en tal nivel grupal, uno puede estar interesado en apilar los resultados, lo que se puede hacer con:

> (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

Usando split en el paradigma split-apply-combine

Una forma popular de análisis de datos es dividir-aplicar-combinar , en la cual usted divide sus datos en grupos, aplica algún tipo de procesamiento en cada grupo y luego combina los resultados.

Consideremos un análisis de datos en el que deseamos obtener los dos autos con las mejores millas por galón (mpg) para cada recuento de cilindros (cyl) en el conjunto de datos mtcars incorporado. Primero, dividimos el marco de datos mtcars por el conteo de cilindros:

(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
# ...

Esto ha devuelto una lista de marcos de datos, uno para cada recuento de cilindros. Como lo indica la salida, podríamos obtener los marcos de datos relevantes con spl$`4` , spl$`6` y spl$`8` (a algunos les puede spl$`8` más atractivo visualmente usar spl$"4" o spl[["4"]] lugar).

Ahora, podemos usar lapply para recorrer esta lista, aplicando nuestra función que extrae los autos con los mejores valores de 2 mpg de cada uno de los elementos de la lista:

(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

Finalmente, podemos combinar todo juntos utilizando rbind . Queremos llamar a rbind(best2[["4"]], best2[["6"]], best2[["8"]]) , pero esto sería tedioso si tuviéramos una lista enorme. Como resultado, utilizamos:

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

Esto devuelve el resultado de rbind (argumento 1, una función) con todos los elementos de best2 (argumento 2, una lista) pasados ​​como argumentos.

Con análisis simples como este, puede ser más compacto (¡y posiblemente mucho menos legible!) Para hacer toda la combinación de aplicar-dividir en una sola línea de código:

do.call(rbind, lapply(split(mtcars, mtcars$cyl), function(x) tail(x[order(x$mpg),], 2)))

También vale la pena señalar que la lapply(split(x,f), FUN) puede encuadrarse alternativamente usando la función ?by lapply(split(x,f), FUN) :

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)))


Modified text is an extract of the original Stack Overflow Documentation
Licenciado bajo CC BY-SA 3.0
No afiliado a Stack Overflow