R Language
Función de división
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)))