R Language
dplyr
Zoeken…
Opmerkingen
dplyr is een iteratie van plyr die een flexibele op "werkwoord" gebaseerde functies biedt om gegevens in R te manipuleren. De nieuwste versie van dplyr kan worden gedownload van CRAN met
install.package("dplyr")
Het sleutelobject in dplyr is een tbl, een weergave van een gegevensstructuur in tabelvorm. Momenteel ondersteunt dplyr (versie 0.5.0):
- gegevensframes
- gegevenstabellen
- SQLite
- PostgreSQL / Redshift
- MySQL / MariaDB
- BigQuery
- MonetDB
- gegevenskubussen met arrays (gedeeltelijke implementatie)
dplyr's werkwoorden met enkele tabel
dplyr introduceert een grammatica van gegevensmanipulatie in R Het biedt een consistente interface om met gegevens te werken, ongeacht waar deze zijn opgeslagen: data.frame , data.table of een database . De belangrijkste onderdelen van dplyr zijn geschreven met behulp van Rcpp , wat het zeer snel maakt voor het werken met gegevens in het geheugen.
De filosofie van dplyr is om kleine functies te hebben die één ding goed doen. De vijf eenvoudige functies ( filter , arrange , select , mutate en summarise ) kunnen worden gebruikt om nieuwe manieren te onthullen om gegevens te beschrijven. In combinatie met group_by kunnen deze functies worden gebruikt om groepsgewijze samenvattingstatistieken te berekenen.
Syntaxis-overeenkomsten
Al deze functies hebben een vergelijkbare syntaxis:
- Het eerste argument voor al deze functies is altijd een gegevensframe
- Kolommen kunnen direct worden doorverwezen met behulp van kale variabelenamen (dat wil zeggen, zonder
$) - Deze functies wijzigen de oorspronkelijke gegevens zelf niet, dwz ze hebben geen bijwerkingen. Daarom moeten de resultaten altijd in een object worden opgeslagen.
We zullen de ingebouwde mtcars- gegevensset gebruiken om de enkele dplyr dplyr te verkennen. Voordat we het type mtcars naar tbl_df (omdat het afdrukken schoner wordt), voegen we de rownames van de dataset toe als een kolom met de rownames_to_column functie uit het tibble- pakket.
library(dplyr) # This documentation was written using version 0.5.0
mtcars_tbl <- as_data_frame(tibble::rownames_to_column(mtcars, "cars"))
# examine the structure of data
head(mtcars_tbl)
# A tibble: 6 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
#2 Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
#3 Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
#4 Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
#5 Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
#6 Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
filter
filter helpt subsetrijen die aan bepaalde criteria voldoen. Het eerste argument is de naam van het data.frame en de tweede (en volgende) argumenten zijn de criteria die de gegevens filteren (deze criteria moeten worden geëvalueerd als TRUE of FALSE )
Subset alle auto's met 4 cilinders - cyl :
filter(mtcars_tbl, cyl == 4)
# A tibble: 11 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
#2 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
#3 Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
#4 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#5 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
# ... with 6 more rows
We kunnen aan meerdere criteria voldoen, gescheiden door een komma. Om de auto's met 4 of 6 cilinders - cyl en 5 versnellingen - gear :
filter(mtcars_tbl, cyl == 4 | cyl == 6, gear == 5)
# A tibble: 3 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.7 0 1 5 2
#2 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.9 1 1 5 2
#3 Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.5 0 1 5 6
filter selecteert rijen op basis van criteria. Gebruik slice om rijen op positie te selecteren. slice heeft slechts 2 argumenten: de eerste is een data.frame en de tweede is een geheel getal data.frame .
Om rijen 6 tot en met 9 te selecteren:
slice(mtcars_tbl, 6:9)
# A tibble: 4 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Valiant 18.1 6 225.0 105 2.76 3.46 20.22 1 0 3 1
#2 Duster 360 14.3 8 360.0 245 3.21 3.57 15.84 0 0 3 4
#3 Merc 240D 24.4 4 146.7 62 3.69 3.19 20.00 1 0 4 2
#4 Merc 230 22.8 4 140.8 95 3.92 3.15 22.90 1 0 4 2
Of:
slice(mtcars_tbl, -c(1:5, 10:n()))
Dit resulteert in dezelfde uitvoer als slice(mtcars_tbl, 6:9)
n() staat voor het aantal waarnemingen in de huidige groep
regelen
arrange wordt gebruikt om de gegevens te sorteren op een opgegeven variabele (n). Net als het vorige werkwoord (en alle andere functies in dplyr ), is het eerste argument een data.frame en de daaruit voortvloeiende argumenten worden gebruikt om de gegevens te sorteren. Als er meer dan één variabele wordt doorgegeven, worden de gegevens eerst gesorteerd op de eerste variabele en vervolgens op de tweede variabele, enzovoort.
Om de gegevens per paardenkracht te bestellen - hp
arrange(mtcars_tbl, hp)
# A tibble: 32 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
#2 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
#3 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
#4 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#5 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
#6 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
# ... with 26 more rows
Om de gegevens in mijlen per gallon - mpg in aflopende volgorde te arrange , gevolgd door het aantal cilinders - cyl :
arrange(mtcars_tbl, desc(mpg), cyl)
# A tibble: 32 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
#2 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
#3 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
#4 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
#5 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
#6 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
# ... with 26 more rows
kiezen
select wordt gebruikt om slechts een subset van variabelen te selecteren. Om alleen mpg , disp , wt , qsec en vs uit mtcars_tbl :
select(mtcars_tbl, mpg, disp, wt, qsec, vs)
# A tibble: 32 x 5
# mpg disp wt qsec vs
# <dbl> <dbl> <dbl> <dbl> <dbl>
#1 21.0 160.0 2.620 16.46 0
#2 21.0 160.0 2.875 17.02 0
#3 22.8 108.0 2.320 18.61 1
#4 21.4 258.0 3.215 19.44 1
#5 18.7 360.0 3.440 17.02 0
#6 18.1 225.0 3.460 20.22 1
# ... with 26 more rows
: notatie kan worden gebruikt om opeenvolgende kolommen te selecteren. Kolommen selecteren uit cars via disp en vs via carb :
select(mtcars_tbl, cars:disp, vs:carb)
# A tibble: 32 x 8
# cars mpg cyl disp vs am gear carb
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Mazda RX4 21.0 6 160.0 0 1 4 4
#2 Mazda RX4 Wag 21.0 6 160.0 0 1 4 4
#3 Datsun 710 22.8 4 108.0 1 1 4 1
#4 Hornet 4 Drive 21.4 6 258.0 1 0 3 1
#5 Hornet Sportabout 18.7 8 360.0 0 0 3 2
#6 Valiant 18.1 6 225.0 1 0 3 1
# ... with 26 more rows
of select(mtcars_tbl, -(hp:qsec))
Voor gegevenssets die meerdere kolommen bevatten, kan het vervelend zijn om meerdere kolommen op naam te selecteren. Om het leven gemakkelijker te maken, zijn er een aantal starts_with() zoals starts_with() , ends_with() , contains() , matches() , num_range() , one_of() en everything() ) die kunnen worden gebruikt in select . Zie ?select_helpers en ?select voor meer informatie over het gebruik ervan.
Opmerking : Terwijl we rechtstreeks naar kolommen verwijzen in select() , gebruiken we kale kolomnamen, maar aanhalingstekens moeten worden gebruikt bij het verwijzen naar kolommen in helpfuncties.
Kolommen hernoemen tijdens het selecteren:
select(mtcars_tbl, cylinders = cyl, displacement = disp)
# A tibble: 32 x 2
# cylinders displacement
# <dbl> <dbl>
#1 6 160.0
#2 6 160.0
#3 4 108.0
#4 6 258.0
#5 8 360.0
#6 6 225.0
# ... with 26 more rows
Zoals verwacht, vallen alle andere variabelen weg.
Om kolommen hernoemen zonder te laten vallen andere variabelen, gebruik rename :
rename(mtcars_tbl, cylinders = cyl, displacement = disp)
# A tibble: 32 x 12
# cars mpg cylinders displacement hp drat wt qsec vs
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0
#2 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0
#3 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1
#4 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1
#5 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0
#6 Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1
# ... with 26 more rows, and 3 more variables: am <dbl>, gear <dbl>, carb <dbl>
muteren
mutate kan worden gebruikt om nieuwe kolommen aan de gegevens toe te voegen. Net als alle andere functies in dplyr , voegt muteren de nieuw gemaakte kolommen niet toe aan de oorspronkelijke gegevens. Kolommen worden aan het einde van het data.frame .
mutate(mtcars_tbl, weight_ton = wt/2, weight_pounds = weight_ton * 2000)
# A tibble: 32 x 14
# cars mpg cyl disp hp drat wt qsec vs am gear carb weight_ton weight_pounds
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 1.3100 2620
#2 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 1.4375 2875
#3 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 1.1600 2320
#4 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 1.6075 3215
#5 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 1.7200 3440
#6 Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1 1.7300 3460
# ... with 26 more rows
Let op het gebruik van weight_ton bij het maken van weight_pounds . In tegenstelling tot base R kunnen we met mutate verwijzen naar kolommen die we zojuist hebben gemaakt om te worden gebruikt voor een volgende bewerking.
Gebruik transmute plaats van mutate om alleen de nieuw gemaakte kolommen te behouden:
transmute(mtcars_tbl, weight_ton = wt/2, weight_pounds = weight_ton * 2000)
# A tibble: 32 x 2
# weight_ton weight_pounds
# <dbl> <dbl>
#1 1.3100 2620
#2 1.4375 2875
#3 1.1600 2320
#4 1.6075 3215
#5 1.7200 3440
#6 1.7300 3460
# ... with 26 more rows
samenvatten
summarise berekent samenvattende statistieken van variabelen door meerdere waarden samen te vouwen tot een enkele waarde. Het kan meerdere statistieken berekenen en we kunnen deze samenvattingskolommen een naam geven in dezelfde verklaring.
Om het gemiddelde en de standaarddeviatie van mpg en disp van alle auto's in de dataset te berekenen:
summarise(mtcars_tbl, mean_mpg = mean(mpg), sd_mpg = sd(mpg),
mean_disp = mean(disp), sd_disp = sd(disp))
# A tibble: 1 x 4
# mean_mpg sd_mpg mean_disp sd_disp
# <dbl> <dbl> <dbl> <dbl>
#1 20.09062 6.026948 230.7219 123.9387
group_by
group_by kan worden gebruikt om group_by bewerkingen op gegevens uit te voeren. Wanneer de hierboven gedefinieerde werkwoorden op deze gegroepeerde gegevens worden toegepast, worden ze automatisch op elke groep afzonderlijk toegepast.
mean en sd van mpg door cyl :
by_cyl <- group_by(mtcars_tbl, cyl)
summarise(by_cyl, mean_mpg = mean(mpg), sd_mpg = sd(mpg))
# A tibble: 3 x 3
# cyl mean_mpg sd_mpg
# <dbl> <dbl> <dbl>
#1 4 26.66364 4.509828
#2 6 19.74286 1.453567
#3 8 15.10000 2.560048
Alles samenbrengen
We selecteren kolommen van cars via hp en gear , orden de rijen op cyl en van hoogste naar laagste mpg , groeperen de gegevens op gear en subset alleen die auto's hebben mpg > 20 en hp > 75
selected <- select(mtcars_tbl, cars:hp, gear)
ordered <- arrange(selected, cyl, desc(mpg))
by_cyl <- group_by(ordered, gear)
filter(by_cyl, mpg > 20, hp > 75)
Source: local data frame [9 x 6]
Groups: gear [3]
# cars mpg cyl disp hp gear
# <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 Lotus Europa 30.4 4 95.1 113 5
#2 Porsche 914-2 26.0 4 120.3 91 5
#3 Datsun 710 22.8 4 108.0 93 4
#4 Merc 230 22.8 4 140.8 95 4
#5 Toyota Corona 21.5 4 120.1 97 3
# ... with 4 more rows
Misschien zijn we niet geïnteresseerd in de tussenresultaten, we kunnen hetzelfde resultaat bereiken als hierboven door de functieaanroepen in te pakken:
filter(
group_by(
arrange(
select(
mtcars_tbl, cars:hp
), cyl, desc(mpg)
), cyl
),mpg > 20, hp > 75
)
Dit kan een beetje moeilijk te lezen zijn. Dus dplyr bewerkingen kunnen worden gekoppeld met behulp van de pipe %>% operator. De bovenstaande code vertaalt zich naar:
mtcars_tbl %>%
select(cars:hp) %>%
arrange(cyl, desc(mpg)) %>%
group_by(cyl) %>%
filter(mpg > 20, hp > 75)
vat meerdere kolommen samen
dplyr biedt dplyr summarise_all() om functies toe te passen op alle (niet-groeperende) kolommen.
Om het aantal afzonderlijke waarden voor elke kolom te vinden:
mtcars_tbl %>%
summarise_all(n_distinct)
# A tibble: 1 x 12
# cars mpg cyl disp hp drat wt qsec vs am gear carb
# <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
#1 32 25 3 27 22 22 29 30 2 2 3 6
Om het aantal afzonderlijke waarden voor elke kolom per cyl :
mtcars_tbl %>%
group_by(cyl) %>%
summarise_all(n_distinct)
# A tibble: 3 x 12
# cyl cars mpg disp hp drat wt qsec vs am gear carb
# <dbl> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
#1 4 11 9 11 10 10 11 11 2 2 3 2
#2 6 7 6 5 4 5 6 7 2 2 3 3
#3 8 14 12 11 9 11 13 14 1 2 2 4
Merk op dat we zojuist de instructie group_by moesten toevoegen en de rest van de code is hetzelfde. De output bestaat nu uit drie rijen - één voor elke unieke waarde van cyl .
Om summarise specifieke meerdere kolommen, gebruik summarise_at
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"), mean)
# A tibble: 3 x 4
# cyl mpg disp hp
# <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636
#2 6 19.74286 183.3143 122.28571
#3 8 15.10000 353.1000 209.21429
helper functies ( ?select_helpers ) kan worden gebruikt in de plaats van kolomnamen om specifieke kolommen te selecteren
Als u meerdere functies wilt toepassen, geeft u de functienamen door als een tekenvector:
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
c("mean", "sd"))
of wikkel ze in funs :
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
funs(mean, sd))
# A tibble: 3 x 7
# cyl mpg_mean disp_mean hp_mean mpg_sd disp_sd hp_sd
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.509828 26.87159 20.93453
#2 6 19.74286 183.3143 122.28571 1.453567 41.56246 24.26049
#3 8 15.10000 353.1000 209.21429 2.560048 67.77132 50.97689
Kolomnamen worden nu toegevoegd met functienamen om ze verschillend te houden. Om dit te wijzigen, geeft u de naam die moet worden toegevoegd met de functie:
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
c(Mean = "mean", SD = "sd"))
mtcars_tbl %>%
group_by(cyl) %>%
summarise_at(c("mpg", "disp", "hp"),
funs(Mean = mean, SD = sd))
# A tibble: 3 x 7
# cyl mpg_Mean disp_Mean hp_Mean mpg_SD disp_SD hp_SD
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.509828 26.87159 20.93453
#2 6 19.74286 183.3143 122.28571 1.453567 41.56246 24.26049
#3 8 15.10000 353.1000 209.21429 2.560048 67.77132 50.97689
Gebruik summarise_if u voorwaardelijk kolommen wilt selecteren:
Neem het mean van alle kolommen die numeric gegroepeerd per cyl :
mtcars_tbl %>%
group_by(cyl) %>%
summarise_if(is.numeric, mean)
# A tibble: 3 x 11
# cyl mpg disp hp drat wt qsec
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.070909 2.285727 19.13727
#2 6 19.74286 183.3143 122.28571 3.585714 3.117143 17.97714
#3 8 15.10000 353.1000 209.21429 3.229286 3.999214 16.77214
# ... with 4 more variables: vs <dbl>, am <dbl>, gear <dbl>,
# carb <dbl>
Sommige variabelen zijn echter discreet en het mean van deze variabelen heeft geen zin.
Om het mean te nemen van alleen continue variabelen per cyl :
mtcars_tbl %>%
group_by(cyl) %>%
summarise_if(function(x) is.numeric(x) & n_distinct(x) > 6, mean)
# A tibble: 3 x 7
# cyl mpg disp hp drat wt qsec
# <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#1 4 26.66364 105.1364 82.63636 4.070909 2.285727 19.13727
#2 6 19.74286 183.3143 122.28571 3.585714 3.117143 17.97714
#3 8 15.10000 353.1000 209.21429 3.229286 3.999214 16.77214
Subset-observatie (rijen)
dplyr::filter() - Selecteer een subset van rijen in een gegevensframe die aan logische criteria voldoen:
dplyr::filter(iris,Sepal.Length>7)
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# 1 7.1 3.0 5.9 2.1 virginica
# 2 7.6 3.0 6.6 2.1 virginica
# 3 7.3 2.9 6.3 1.8 virginica
# 4 7.2 3.6 6.1 2.5 virginica
# 5 7.7 3.8 6.7 2.2 virginica
# 6 7.7 2.6 6.9 2.3 virginica
# 7 7.7 2.8 6.7 2.0 virginica
# 8 7.2 3.2 6.0 1.8 virginica
# 9 7.2 3.0 5.8 1.6 virginica
# 10 7.4 2.8 6.1 1.9 virginica
# 11 7.9 3.8 6.4 2.0 virginica
# 12 7.7 3.0 6.1 2.3 virginica
dplyr::distinct() - Verwijder dubbele rijen:
distinct(iris, Sepal.Length, .keep_all = TRUE)
# 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
# 7 4.4 2.9 1.4 0.2 setosa
# 8 4.8 3.4 1.6 0.2 setosa
# 9 4.3 3.0 1.1 0.1 setosa
# 10 5.8 4.0 1.2 0.2 setosa
# 11 5.7 4.4 1.5 0.4 setosa
# 12 5.2 3.5 1.5 0.2 setosa
# 13 5.5 4.2 1.4 0.2 setosa
# 14 4.5 2.3 1.3 0.3 setosa
# 15 5.3 3.7 1.5 0.2 setosa
# 16 7.0 3.2 4.7 1.4 versicolor
# 17 6.4 3.2 4.5 1.5 versicolor
# 18 6.9 3.1 4.9 1.5 versicolor
# 19 6.5 2.8 4.6 1.5 versicolor
# 20 6.3 3.3 4.7 1.6 versicolor
# 21 6.6 2.9 4.6 1.3 versicolor
# 22 5.9 3.0 4.2 1.5 versicolor
# 23 6.0 2.2 4.0 1.0 versicolor
# 24 6.1 2.9 4.7 1.4 versicolor
# 25 5.6 2.9 3.6 1.3 versicolor
# 26 6.7 3.1 4.4 1.4 versicolor
# 27 6.2 2.2 4.5 1.5 versicolor
# 28 6.8 2.8 4.8 1.4 versicolor
# 29 7.1 3.0 5.9 2.1 virginica
# 30 7.6 3.0 6.6 2.1 virginica
# 31 7.3 2.9 6.3 1.8 virginica
# 32 7.2 3.6 6.1 2.5 virginica
# 33 7.7 3.8 6.7 2.2 virginica
# 34 7.4 2.8 6.1 1.9 virginica
# 35 7.9 3.8 6.4 2.0 virginica
Aggregeren met%>% (pijp) operator
De buis (%>%) operator kan worden gebruikt in combinatie met dplyr functies. In dit voorbeeld gebruiken we de mtcars gegevensset (zie help("mtcars") voor meer informatie) om te laten zien hoe een gegevensframe kan worden samengevat en om variabelen aan de gegevens toe te voegen met het resultaat van de toepassing van een functie.
library(dplyr)
library(magrittr)
df <- mtcars
df$cars <- rownames(df) #just add the cars names to the df
df <- df[,c(ncol(df),1:(ncol(df)-1))] # and place the names in the first column
1. Vat de gegevens samen
Om statistieken te berekenen gebruiken we een summarize en de juiste functies. In dit geval wordt n() gebruikt om het aantal gevallen te tellen.
df %>%
summarize(count=n(),mean_mpg = mean(mpg, na.rm = TRUE),
min_weight = min(wt),max_weight = max(wt))
# count mean_mpg min_weight max_weight
#1 32 20.09062 1.513 5.424
2. Statistieken berekenen per groep
Het is mogelijk om de statistieken te berekenen op basis van groepen gegevens. In dit geval op Aantal cilinders en Aantal versnellingen vooruit
df %>%
group_by(cyl, gear) %>%
summarize(count=n(),mean_mpg = mean(mpg, na.rm = TRUE),
min_weight = min(wt),max_weight = max(wt))
# Source: local data frame [8 x 6]
# Groups: cyl [?]
#
# cyl gear count mean_mpg min_weight max_weight
# <dbl> <dbl> <int> <dbl> <dbl> <dbl>
#1 4 3 1 21.500 2.465 2.465
#2 4 4 8 26.925 1.615 3.190
#3 4 5 2 28.200 1.513 2.140
#4 6 3 2 19.750 3.215 3.460
#5 6 4 4 19.750 2.620 3.440
#6 6 5 1 19.700 2.770 2.770
#7 8 3 12 15.050 3.435 5.424
#8 8 5 2 15.400 3.170 3.570
Voorbeelden van NSE en stringvariabelen in dpylr
dplyr gebruikt Non-Standard Evaluation (NSE), daarom kunnen we de variabelenamen normaal gesproken zonder aanhalingstekens gebruiken. Soms moeten we echter tijdens de gegevenspijplijn onze variabelenamen ophalen uit andere bronnen, zoals een Shiny-selectievak. In het geval van functies zoals select , kunnen we select_ gebruiken om een select_ te gebruiken om te selecteren
variable1 <- "Sepal.Length"
variable2 <- "Sepal.Width"
iris %>%
select_(variable1, variable2) %>%
head(n=5)
# Sepal.Length Sepal.Width
# 1 5.1 3.5
# 2 4.9 3.0
# 3 4.7 3.2
# 4 4.6 3.1
# 5 5.0 3.6
Maar als we willen andere functies, zoals een samenvatting of filter te gebruiken moeten we gebruiken interp functie van lazyeval pakket
variable1 <- "Sepal.Length"
variable2 <- "Sepal.Width"
variable3 <- "Species"
iris %>%
select_(variable1, variable2, variable3) %>%
group_by_(variable3) %>%
summarize_(mean1 = lazyeval::interp(~mean(var), var = as.name(variable1)), mean2 = lazyeval::interp(~mean(var), var = as.name(variable2)))
# Species mean1 mean2
# <fctr> <dbl> <dbl>
# 1 setosa 5.006 3.428
# 2 versicolor 5.936 2.770
# 3 virginica 6.588 2.974