В повечето случаи при работа с отговора, получен от API, или с други данни с комплексна дребнавидна структура, ще се сблъскате с формати JSON и XML.
Тези формати имат много предимства: те съхраняват данни компактно и позволяват избягване на излишно дублиране на информация.
Недостатък на тези формати е сложността на тяхната обработка и анализ. Неструктурираните данни не могат да се използват в изчисления и не могат да се изграждат на тяхна основа визуализации.
Тази статия е логично продължение на публикацията . Тя ще ви помогне да приведете неструктурирани конструкции на данни в познат, подходящ за анализ табличен вид с помощта на пакета tidyr, който е част от основната библиотека tidyverse, и неговите функции от семейството на unnest_*().
Съдържание
Ако се интересувате от анализ на данни, вероятно ще ви бъдат интересни моите и канали. Голямата част от съдържанието, което се отнася до езика R.
Въведение
Rectangling (бел. преводача, не намерих адекватни преводи на този термин, затова го оставяме както е.) — това е процесът на преобразуване на неструктурирани данни с вложени масиви в двуизмерна таблица, състояща се от познатите ни редове и колони. В tidyr има няколко функции, които ще ви помогнат да разгърнете вложените колони-списъци и да приведете данните в правоъгълна, таблична форма:
unnest_longer()взема всеки елемент от списък-колона и създава нов ред.unnest_wider()взема всеки елемент от списък-колона и създава нова колона.unnest_auto()автоматично определя коя от функциите е най-добре да се използва
unnest_longer()илиunnest_wider().hoist()е подобна наunnest_wider()но избира само указаните компоненти и позволява работа с няколко нива на вложеност.
Повечето проблеми, свързани с преобразуването на неструктурирани данни с няколко нива на вложеност в двуизмерна таблица, могат да бъдат решени, комбинирайки посочените функции с dplyr.
За демонстрация на тези техники, ще използваме пакета repurrrsive, който предоставя няколко сложни, многостепенни списъка, получени от уеб-API.
library(tidyr)
library(dplyr)
library(repurrrsive)Потребители на GitHub
Да започнем с gh_users, списък, който съдържа информация за шест потребителя на GitHub. Първо ще преобразуваме списъка gh_users в tibble рамка.:
users <- tibble( user = gh_users ) Това изглежда малко нелогично: защо да се представя списък gh_users, към по-сложна структура от данни? Но дата фреймът има голямо предимство: той обединява няколко вектора, така че всичко се проследява в един обект.
Всеки елемент на обекта users е именуван списък, в който всеки елемент представлява колона.
names(users$user[[1]])
#> [1] "login" "id" "avatar_url"
#> [4] "gravatar_id" "url" "html_url"
#> [7] "followers_url" "following_url" "gists_url"
#> [10] "starred_url" "subscriptions_url" "organizations_url"
#> [13] "repos_url" "events_url" "received_events_url"
#> [16] "type" "site_admin" "name"
#> [19] "company" "blog" "location"
#> [22] "email" "hireable" "bio"
#> [25] "public_repos" "public_gists" "followers"
#> [28] "following" "created_at" "updated_at"Има два начина да се преобразуват компонентите на списъка в колони. unnest_wider() взима всеки компонент и създава нова колона:
users %>% unnest_wider(user)
#> # A tibble: 6 x 30
#> login id avatar_url gravatar_id url html_url followers_url
#>
#> 1 gabo… 6.60e5 https://a… "" http… https:/… https://api.…
#> 2 jenn… 5.99e5 https://a… "" http… https:/… https://api.…
#> 3 jtle… 1.57e6 https://a… "" http… https:/… https://api.…
#> 4 juli… 1.25e7 https://a… "" http… https:/… https://api.…
#> 5 leep… 3.51e6 https://a… "" http… https:/… https://api.…
#> 6 masa… 8.36e6 https://a… "" http… https:/… https://api.…
#> # … с още 23 променливи: following_url , gists_url ,
#> # starred_url , subscriptions_url , organizations_url ,
#> # repos_url , events_url , received_events_url ,
#> # type , site_admin , name , company , blog ,
#> # location , email , public_repos , public_gists ,
#> # followers , following , created_at , updated_at ,
#> # bio , hireableВ този случай получихме таблица, състояща се от 30 колони, и повечето от тях не са ни нужни, затова можем вместо unnest_wider() да се използва hoist(). hoist() да извлечем избраните компоненти, използвайки същия синтаксис, който purrr::pluck():
пользователи %> % hoist(user,
followers = "followers",
login = "login",
url = "html_url"
)
#> # A tibble: 6 x 4
#> followers login url user
#>
#> 1 303 gaborcsardi https://github.com/gaborcsardi
#> 2 780 jennybc https://github.com/jennybc
#> 3 3958 jtleek https://github.com/jtleek
#> 4 115 juliasilge https://github.com/juliasilge
#> 5 213 leeper https://github.com/leeper
#> 6 34 masalmon https://github.com/masalmonhoist() премахва указаните именовани компоненти от списъка-колона user, така че можете да разглеждате hoist() като прехвърляне на компоненти от вътрешния списък на дата фрейма на неговото най-горно ниво.
Репозиторита на Github
Подравняване на списъка gh_repos започваме по подобен начин, като го преобразуваме в tibble:
repos # A tibble: 6 x 1
#> repo
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6Този път елементите user представляват списък от хранилища, принадлежащи на този потребител. Всяко хранилище е отделно наблюдение, така че според концепцията за подредени данни (бележка tidy data) те трябва да станат нови редове, поради което използваме unnest_longer() , а не unnest_wider():
repos % unnest_longer(repo)
repos
#> # A tibble: 176 x 1
#> repo
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6
#> 7
#> 8
#> 9
#> 10
#> # … с 166 повече редаСега можем да използваме unnest_wider() или hoist() :
repos %> % hoist(repo,
login = c("owner", "login"),
name = "name",
homepage = "homepage",
watchers = "watchers_count"
)
#> # A tibble: 176 x 5
#> login name homepage watchers repo
#>
#> 1 gaborcsardi after 5
#> 2 gaborcsardi argufy 19
#> 3 gaborcsardi ask 5
#> 4 gaborcsardi baseimports 0
#> 5 gaborcsardi citest 0
#> 6 gaborcsardi clisymbols "" 18
#> 7 gaborcsardi cmaker 0
#> 8 gaborcsardi cmark 0
#> 9 gaborcsardi conditions 0
#> 10 gaborcsardi crayon 52
#> # … с 166 повече редаОбърнете внимание на използването на c("owner", "login"): това ни позволява да получим стойността на второто ниво от вложения списък собственикАлтернативен подход е да получите целия списък собственик и след това с функцията unnest_wider() да поставите всеки негов елемент в колона:
repos %>%
hoist(repo, owner = "owner") %>%
unnest_wider(owner)
#> # A tibble: 176 x 18
#> login id avatar_url gravatar_id url html_url followers_url
#>
#> 1 gabo… 660288 https://a… "" http… https:… https://api.…
#> 2 gabo… 660288 https://a… "" http… https:… https://api.…
#> 3 gabo… 660288 https://a… "" http… https:… https://api.…
#> 4 gabo… 660288 https://a… "" http… https:… https://api.…
#> 5 gabo… 660288 https://a… "" http… https:… https://api.…
#> 6 gabo… 660288 https://a… "" http… https:… https://api.…
#> 7 gabo… 660288 https://a… "" http… https:… https://api.…
#> 8 gabo… 660288 https://a… "" http… https:… https://api.…
#> 9 gabo… 660288 https://a… "" http… https:… https://api.…
#> 10 gabo… 660288 https://a… "" http… https:… https://api.…
#> # … с 166 повече реда и 11 повече променливи: following_url ,
#> # gists_url , starred_url , subscriptions_url ,
#> # organizations_url , repos_url , events_url ,
#> # received_events_url , type , site_admin , repoВместо да размишлявате над избора на необходимата функция unnest_longer() или unnest_wider() можете да използвате unnest_auto(). Тази функция използва няколко евристични метода, за да подбере най-подходящата функция за трансформация на данни и извежда съобщение за избрания метод.
tibble(repo = gh_repos) %>%
unnest_auto(repo) %>%
unnest_auto(repo)
#> Използване на `unnest_longer(repo)`; нямат имена
#> Използване на `unnest_wider(repo)`; елементите имат 68 общи имена
#> # A tibble: 176 x 67
#> id name full_name owner private html_url description fork url
#>
#> 1 6.12e7 after gaborcsa… 2 4.05e7 argu… gaborcsa… 3 3.64e7 ask gaborcsa… 4 3.49e7 base… gaborcsa… 5 6.16e7 cite… gaborcsa… 6 3.39e7 clis… gaborcsa… 7 3.72e7 cmak… gaborcsa… 8 6.80e7 cmark gaborcsa… 9 6.32e7 cond… gaborcsa… <nam… FALSE https:/… TRUE http…
#> 10 2.43e7 cray… gaborcsa… # … с 166 повече реда и 58 допълнителни променливи: forks_url ,
#> # keys_url , collaborators_url , teams_url ,
#> # hooks_url , issue_events_url , events_url ,
#> # assignees_url , branches_url , tags_url ,
#> # blobs_url , git_tags_url , git_refs_url ,
#> # trees_url , statuses_url , languages_url ,
#> # stargazers_url , contributors_url , subscribers_url ,
#> # subscription_url , commits_url , git_commits_url ,
#> # comments_url , issue_comment_url , contents_url ,
#> # compare_url , merges_url , archive_url ,
#> # downloads_url , issues_url , pulls_url ,
#> # milestones_url , notifications_url , labels_url ,
#> # releases_url , deployments_url , created_at ,
#> # updated_at , pushed_at , git_url , ssh_url ,
#> # clone_url , svn_url , size , stargazers_count ,
#> # watchers_count , language , has_issues ,
#> # has_downloads , has_wiki , has_pages ,
#> # forks_count , open_issues_count , forks ,
#> # open_issues , watchers , default_branch ,
#> # homepageПерсонажи от Игра на тронове
got_chars има идентична структура с gh_users: това е набор от именовани списъци, където всеки елемент от вътрешния списък описва определен атрибут на персонаж от Игра на тронове. Превеждане got_chars в табличен вид започваме с създаването на дата фрейм, както и в споменатите по-рано примери, а след това ще преместим всеки елемент в отделна колона:
chars # A tibble: 30 x 1
#> char
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6
#> 7
#> 8
#> 9
#> 10
#> # … with 20 more rows
chars2 % unnest_wider(char)
chars2
#> # A tibble: 30 x 18
#> url id name gender culture born died alive titles aliases father
#> &&
#> 1 http… 1022 Theo… Male Ironbo… In 2… "" TRUE <chr … 2 http… 1052 Tyri… Male "" In 2… "" TRUE <chr … 3 http… 1074 Vict… Male Ironbo… In 2… "" TRUE <chr … 4 http… 1109 Will Male "" "" In 2… FALSE <chr … 5 http… 1166 Areo… Male Norvos… In 2… "" TRUE <chr … 6 http… 1267 Chett Male "" At H… In 2… FALSE <chr … 7 http… 1295 Cres… Male "" In 2… In 2… FALSE <chr … 8 http… 130 Aria… Female Dornish In 2… "" TRUE <chr … 9 http… 1303 Daen… Female Valyri… In 2… "" TRUE <chr … 10 http… 1319 Davo… Male Wester… In 2… "" TRUE <chr … # … with 20 more rows, and 7 more variables: mother , spouse ,
#> # allegiances , books , povBooks , tvSeries ,
#> # playedByСтруктура got_chars малко по-сложно от gh_users, тъй като някои елементи от списъка char самите по себе си са списъци, в резултат на което получаваме колони — списъци:
chars2 %>% select_if(is.list)
#> # A tibble: 30 x 7
#> titles aliases allegiances books povBooks tvSeries playedBy
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6
#> 7
#> 8
#> 9
#> 10
#> # … with 20 повече редаВашите последващи действия зависят от целите на анализа. Може би ще е необходимо да поставите в редовете информация за всяка книга и сериал, в който се появява персонажът:
chars2 %>%
select(name, books, tvSeries) %>%
pivot_longer(c(books, tvSeries), names_to = "media", values_to = "value") %>%
unnest_longer(value)
#> # A tibble: 180 x 3
#> name media value
#>
#> 1 Theon Greyjoy books A Game of Thrones
#> 2 Theon Greyjoy books A Storm of Swords
#> 3 Theon Greyjoy books A Feast for Crows
#> 4 Theon Greyjoy tvSeries Season 1
#> 5 Theon Greyjoy tvSeries Season 2
#> 6 Theon Greyjoy tvSeries Season 3
#> 7 Theon Greyjoy tvSeries Season 4
#> 8 Theon Greyjoy tvSeries Season 5
#> 9 Theon Greyjoy tvSeries Season 6
#> 10 Tyrion Lannister books A Feast for Crows
#> # … с още 170 редаИли, може би, искате да създадете таблица, която да ви позволи да свържете персонажа с произведението:
chars2 %>%
select(name, title = titles) %>%
unnest_longer(title)
#> # A tibble: 60 x 2
#> name title
#>
#> 1 Theon Greyjoy Prince of Winterfell
#> 2 Theon Greyjoy Captain of Sea Bitch
#> 3 Theon Greyjoy Lord of the Iron Islands (по закон на зелените земи)
#> 4 Tyrion Lannister Acting Hand of the King (бивш)
#> 5 Tyrion Lannister Master of Coin (бивш)
#> 6 Victarion Greyjoy Lord Captain of the Iron Fleet
#> 7 Victarion Greyjoy Master of the Iron Victory
#> 8 Will ""
#> 9 Areo Hotah Captain of the Guard at Sunspear
#> 10 Chett ""
#> # … с още 50 реда(Обърнете внимание на празните стойности "" в полето title, това е свързано с грешки, допуснати при въвеждане на данните в got_chars: всъщност персонажите, за които няма съответстващи заглавия на книги и сериали в полето title трябва да имат вектор с дължина 0, а не вектор с дължина 1, съдържащ празна строка.)
Можем да пренапишем горния пример, използвайки функцията unnest_auto(). Този подход е удобен за единичен анализ, но не трябва да се разчита на unnest_auto() за редовна употреба. Работата е там, че ако структурата на данните ви се промени unnest_auto() може да се промени избраният механизъм за преобразуване на данни, ако първоначално той е преобразувал колони-списъци в редове, използвайки unnest_longer(), то при промяна на структурата на входящите данни логиката може да бъде променена в полза на unnest_wider(), и използването на такъв подход постоянно може да доведе до неочаквани грешки.
tibble(char = got_chars) %>%
unnest_auto(char) %>%
select(name, title = titles) %>%
unnest_auto(title)
#> Използване на `unnest_wider(char)`; елементите имат 18 общи имена
#> Използване на `unnest_longer(title)`; нито един елемент няма имена
#> # A tibble: 60 x 2
#> name title
#>
#> 1 Theon Greyjoy Prince of Winterfell
#> 2 Theon Greyjoy Captain of Sea Bitch
#> 3 Theon Greyjoy Lord of the Iron Islands (by law of the green lands)
#> 4 Tyrion Lannister Acting Hand of the King (former)
#> 5 Tyrion Lannister Master of Coin (former)
#> 6 Victarion Greyjoy Lord Captain of the Iron Fleet
#> 7 Victarion Greyjoy Master of the Iron Victory
#> 8 Will ""
#> 9 Areo Hotah Captain of the Guard at Sunspear
#> 10 Chett ""
#> # … с още 50 редаГеокодиране с помощта на Google
Следва да разгледаме по-сложната структура на данните, получавани от услугата за геокодиране на Google. Кеширането на идентификационни данни противоречи на условията за работа с API на Google Maps, затова първо ще напиша проста обвивка за API. Тя е основана на съхраняване на ключа на API на Google Maps в променливата среда; ако в променливите на среда нямате запазен ключ за работа с API на Google Maps, кодовите фрагменти, представени в този раздел, няма да бъдат изпълнени.
has_key <- !identical(Sys.getenv("GOOGLE_MAPS_API_KEY"), "")
if (!has_key) {
message("Няма намерен ключ за API на Google Maps; кодовите блокове няма да бъдат изпълнени")
}
# https://developers.google.com/maps/documentation/geocoding
geocode <- function(address, api_key = Sys.getenv("GOOGLE_MAPS_API_KEY")) {
url <- "https://maps.googleapis.com/maps/api/geocode/json"
url <- paste0(url, "?address=", URLencode(address), "&key=", api_key)
jsonlite::read_json(url)
}Списъкът, който връща тази функция, е доста сложен:
хюстън Списък от 2
#> $ results:Списък от 1
#> ..$ :Списък от 5
#> .. ..$ address_components:Списък от 4
#> .. .. ..$ :Списък от 3
#> .. .. .. ..$ long_name : chr "Хюстън"
#> .. .. .. ..$ short_name: chr "Хюстън"
#> .. .. .. ..$ types :Списък от 2
#> .. .. .. .. ..$ : chr "locality"
#> .. .. .. .. ..$ : chr "political"
#> .. .. ..$ :Списък от 3
#> .. .. .. ..$ long_name : chr "Окръг Харис"
#> .. .. .. ..$ short_name: chr "Окръг Харис"
#> .. .. .. ..$ types :Списък от 2
#> .. .. .. .. ..$ : chr "administrative_area_level_2"
#> .. .. .. .. ..$ : chr "political"
#> .. .. ..$ :Списък от 3
#> .. .. .. ..$ long_name : chr "Тексас"
#> .. .. .. ..$ short_name: chr "TX"
#> .. .. .. ..$ types :Списък от 2
#> .. .. .. .. ..$ : chr "administrative_area_level_1"
#> .. .. .. .. ..$ : chr "political"
#> .. .. ..$ :Списък от 3
#> .. .. .. ..$ long_name : chr "Съединени щати"
#> .. .. .. ..$ short_name: chr "САЩ"
#> .. .. .. ..$ types :Списък от 2
#> .. .. .. .. ..$ : chr "country"
#> .. .. .. .. ..$ : chr "political"
#> .. ..$ formatted_address : chr "Хюстън, TX, САЩ"
#> .. ..$ geometry :Списък от 4
#> .. .. ..$ bounds :Списък от 2
#> .. .. .. ..$ northeast:Списък от 2
#> .. .. .. .. ..$ lat: num 30.1
#> .. .. .. .. ..$ lng: num -95
#> .. .. .. ..$ southwest:Списък от 2
#> .. .. .. .. ..$ lat: num 29.5
#> .. .. .. .. ..$ lng: num -95.8
#> .. .. ..$ location :Списък от 2
#> .. .. .. ..$ lat: num 29.8
#> .. .. .. ..$ lng: num -95.4
#> .. .. ..$ location_type: chr "ПРИБЛИЗИТЕЛНО"
#> .. .. ..$ viewport :Списък от 2
#> .. .. .. ..$ northeast:Списък от 2
#> .. .. .. .. ..$ lat: num 30.1
#> .. .. .. .. ..$ lng: num -95
#> .. .. .. ..$ southwest:Списък от 2
#> .. .. .. .. ..$ lat: num 29.5
#> .. .. .. .. ..$ lng: num -95.8
#> .. ..$ place_id : chr "ChIJAYWNSLS4QIYROwVl894CDco"
#> .. ..$ types :Списък от 2
#> .. .. ..$ : chr "locality"
#> .. .. ..$ : chr "political"
#> $ status : chr "OK"За щастие, можем стъпка по стъпка да решим проблема с преобразуването на тези данни в табличен формат с помощта на функции tidyr. За да направя задачата малко по-сложна и реалистична, ще започна с геокодирането на няколко града:
града <- c ( "Хюстън" , "Лос Анджелис" , "Ню Йорк" , "Чикаго" , "Спрингфийлд" ) града_geo <- purrr::map (града, геокод) Полученият резултат ще преобразувам в tibble, за удобство ще добавя колона с име на съответстващия град.
loc # A tibble: 5 x 2
#> city json
#>
#> 1 Хюстън
#> 2 Лос Анджелис
#> 3 Ню Йорк
#> 4 Чикаго
#> 5 СпрингфийлдПървото ниво съдържа компоненти status и резултат, които можем да разгърнем с помощта на unnest_wider() :
loc %>%
unnest_wider(json)
#> # A tibble: 5 x 3
#> city results status
#>
#> 1 Хюстън OK
#> 2 Лос Анджелис OK
#> 3 Ню Йорк OK
#> 4 Чикаго OK
#> 5 Спрингфийлд OKОбърнете внимание, че results е многостепенен списък. Повечето градове имат 1 елемент (представляващ уникалната стойност, съответстваща на API за геокодиране), но в Спрингфилд има два. Можем да ги извадим в отделни редове с помощта на unnest_longer() :
loc %>%
unnest_wider(json) %>%
unnest_longer(results)
#> # A tibble: 5 x 3
#> city results status
#>
#> 1 Houston OK
#> 2 LA OK
#> 3 New York OK
#> 4 Chicago OK
#> 5 Springfield OKСега всички те имат еднакви компоненти, както може да се види с помощта на unnest_wider():
loc %>%
unnest_wider(json) %>%
unnest_longer(results) %>%
unnest_wider(results)
#> # A tibble: 5 x 7
#> city address_componen… formatted_addre… geometry place_id types status
#>
#> 1 Houst… Houston, TX, USA <named … ChIJAYWN… 2 LA Los Angeles, CA… <named … ChIJE9on… 3 New Y… New York, NY, U… <named … ChIJOwg_… 4 Chica… Chicago, IL, USA <named … ChIJ7cv0… 5 Sprin… Springfield, MO… <named … ChIJP5jI… <lis… OKМожем да намерим координатите на ширината и дължината на всеки град, като разширим списъка geometry:
loc %>%
unnest_wider(json) %>%
unnest_longer(results) %>%
unnest_wider(results) %>%
unnest_wider(geometry)
#> # A tibble: 5 x 10
#> city address_compone… formatted_addre… bounds location location_type
#>
#> 1 Hous… Houston, TX, USA <name… 2 LA Los Angeles, CA… <name… 3 New … New York, NY, U… <name… 4 Chic… Chicago, IL, USA <name… 5 Spri… Springfield, MO… <name… # … with 4 more variables: viewport , place_id , types ,
#> # statusА след това местоположението, за което е необходимо да се разшири location:
loc %>%
unnest_wider(json) %>%
unnest_longer(results) %>%
unnest_wider(results) %>%
unnest_wider(geometry) %>%
unnest_wider(location)
#>% # A tibble: 5 x 11
#>% city address_compone… formatted_addre… bounds lat lng location_type
#>%
#>% 1 Hous… Houston, TX, USA % 2 LA Los Angeles, CA… % 3 New … New York, NY, U… % 4 Chic… Chicago, IL, USA % 5 Spri… Springfield, MO… % # … with 4 more variables: viewport , place_id , types ,
#>% # statusОтново, unnest_auto() облекчава описаната операция с някои рискове, които могат да бъдат предизвикани от промени в структурата на входящите данни:
loc %>%
unnest_auto(json) %>%
unnest_auto(results) %>%
unnest_auto(results) %>%
unnest_auto(geometry) %>%
unnest_auto(location)
#>% Using `unnest_wider(json)`; elements have 2 names in common
#>% Using `unnest_longer(results)`; no element has names
#>% Using `unnest_wider(results)`; elements have 5 names in common
#>% Using `unnest_wider(geometry)`; elements have 4 names in common
#>% Using `unnest_wider(location)`; elements have 2 names in common
#>% # A tibble: 5 x 11
#>% city address_compone… formatted_addre… bounds lat lng location_type
#>%
#>% 1 Hous… Houston, TX, USA % 2 LA Los Angeles, CA… % 3 New … New York, NY, U… % 4 Chic… Chicago, IL, USA % 5 Spri… Springfield, MO… % # … with 4 more variables: viewport , place_id , types ,
#>% # statusСъщо така можем просто да разгледаме първия адрес за всеки град:
loc %>%
unnest_wider(json) %>%
hoist(results, first_result = 1) %>%
unnest_wider(first_result) %>%
unnest_wider(geometry) %>%
unnest_wider(location)
#>% # A tibble: 5 x 11
#>% city address_compone… formatted_addre… bounds lat lng location_type
#>%
#>% 1 Hous… Houston, TX, USA % 2 LA Los Angeles, CA… % 3 New … New York, NY, U… % 4 Chic… Chicago, IL, USA % 5 Spri… Springfield, MO… % # … with 4 more variables: viewport , place_id , types ,
#>% # statusИли да използваме hoist() за многостепенно потапяне, за да преминем директно до lat и lng.
loc %>%
hoist(json,
lat = list("results", 1, "geometry", "location", "lat"),
lng = list("results", 1, "geometry", "location", "lng")
)
#> # A tibble: 5 x 4
#> city lat lng json
#>
#> 1 Houston 29.8 -95.4
#> 2 LA 34.1 -118.
#> 3 New York 40.7 -74.0
#> 4 Chicago 41.9 -87.6
#> 5 Springfield 37.2 -93.3Дискография на Шарла Гелфанд
В заключение, ще разгледаме най-сложната конструкция — дискографията на Шарла Гелфанд. Както в предходните примери, започваме с конвертиране на списъка в дата фрейм с един стълб, след което ще го разширим, за да стойността на всеки компонент е в отделен стълб. Ще преобразувам и стълба date_added в съответния формат на дата и час в R.
discs %
unnest_wider(disc) %>%
mutate(date_added = as.POSIXct(strptime(date_added, "%Y-%m-%dT%H:%M:%S")))
discs
#> # A tibble: 155 x 5
#> instance_id date_added basic_information id rating
#>
#> 1 354823933 2019-02-16 17:48:59 7496378 0
#> 2 354092601 2019-02-13 14:13:11 4490852 0
#> 3 354091476 2019-02-13 14:07:23 9827276 0
#> 4 351244906 2019-02-02 11:39:58 9769203 0
#> 5 351244801 2019-02-02 11:39:37 7237138 0
#> 6 351052065 2019-02-01 20:40:53 13117042 0
#> 7 350315345 2019-01-29 15:48:37 7113575 0
#> 8 350315103 2019-01-29 15:47:22 10540713 0
#> 9 350314507 2019-01-29 15:44:08 11260950 0
#> 10 350314047 2019-01-29 15:41:35 11726853 0
#> # … с 145 допълнителни редаНа това ниво получихме информация за времето, когато всеки диск е бил добавен в дискографията на Шарла, но все още не виждаме никакви данни за тези дискове. За да направим това, трябва да разширим стълба basic_information:
discs %>% unnest_wider(basic_information)
#> Column name `id` must not be duplicated.
#> Use .name_repair to specify repair.За съжаление ще получим грешка, тъй като в списъка basic_information има стълб с едно и също име basic_information. При подобна грешка, за да определим бързо причината, можем да използваме names_repair = "unique":
дисков %>% unnest_wider(basic_information, names_repair = "unique")
#> Новые имена:
#> * id -> id...6
#> * id -> id...14
#> # Тиббл: 155 x 15
#> instance_id date_added labels year artists id...6 thumb title
#>
#> 1 354823933 2019-02-16 17:48:59 <list… 2015 2 354092601 2019-02-13 14:13:11 <list… 2013 3 354091476 2019-02-13 14:07:23 <list… 2017 4 351244906 2019-02-02 11:39:58 <list… 2017 5 351244801 2019-02-02 11:39:37 <list… 2015 6 351052065 2019-02-01 20:40:53 <list… 2019 7 350315345 2019-01-29 15:48:37 <list… 2014 8 350315103 2019-01-29 15:47:22 <list… 2015 9 350314507 2019-01-29 15:44:08 <list… 2017 10 350314047 2019-01-29 15:41:35 <list… 2017 # … с еще 145 строками и 7 дополнительными переменными: форматы ,
#> # cover_image , resource_url , master_id ,
#> # master_url , id...14 , рейтингПроблемът е, че basic_information повторяет столбец id, который также хранится на верхнем уровне, поэтому мы можем просто удалить его:
дисков %>%
select(-id) %>%
unnest_wider(basic_information)
#> # Тиббл: 155 x 14
#> instance_id date_added labels year artists id thumb title
#>
#> 1 354823933 2019-02-16 17:48:59 <list… 2015 2 354092601 2019-02-13 14:13:11 <list… 2013 3 354091476 2019-02-13 14:07:23 <list… 2017 4 351244906 2019-02-02 11:39:58 <list… 2017 5 351244801 2019-02-02 11:39:37 <list… 2015 6 351052065 2019-02-01 20:40:53 <list… 2019 7 350315345 2019-01-29 15:48:37 <list… 2014 8 350315103 2019-01-29 15:47:22 <list… 2015 9 350314507 2019-01-29 15:44:08 <list… 2017 10 350314047 2019-01-29 15:41:35 <list… 2017 # … с еще 145 строками и 6 дополнительными переменными: форматы ,
#> # cover_image , resource_url , master_id ,
#> # master_url , рейтингВ качестве альтернативы, мы могли бы использовать hoist():
диск %>%
hoist(basic_information,
title = "title",
year = "year",
label = list("labels", 1, "name"),
artist = list("artists", 1, "name")
)
#> # Тибл: 155 x 9
#> instance_id date_added title year label artist
#>
#> 1 354823933 2019-02-16 17:48:59 Demo 2015 Tobi… Mollot
#> 2 354092601 2019-02-13 14:13:11 Obse… 2013 La V… Una B…
#> 3 354091476 2019-02-13 14:07:23 I 2017 La V… S.H.I…
#> 4 351244906 2019-02-02 11:39:58 Oído… 2017 La V… Rata …
#> 5 351244801 2019-02-02 11:39:37 A Ca… 2015 Kato… Ivy (…
#> 6 351052065 2019-02-01 20:40:53 Tash… 2019 High… Tashme
#> 7 350315345 2019-01-29 15:48:37 Demo 2014 Mind… Desgr…
#> 8 350315103 2019-01-29 15:47:22 Let … 2015 Not … Phant…
#> 9 350314507 2019-01-29 15:44:08 Sub … 2017 Not … Sub S…
#> 10 350314047 2019-01-29 15:41:35 Demo 2017 Pres… Small…
#> # … с 145 другими строками и 3 другими переменными: basic_information ,
#> # id , ratingТук аз бързо извличам името на първия лейбъл и изпълнител по индекс, потапяйки се в вложен списък.
По-систематичният подход включва създаване на отделни таблици за изпълнителя и лейбъла:
диск %>%
hoist(basic_information, artist = "artists") %>%
select(disc_id = id, artist) %>%
unnest_longer(artist) %>%
unnest_wider(artist)
#> # Тибл: 167 x 8
#> disc_id join name anv tracks role resource_url id
#>
#> 1 7496378 "" Mollot "" "" "" https://api.discog… 4.62e6
#> 2 4490852 "" Una Bèstia… "" "" "" https://api.discog… 3.19e6
#> 3 9827276 "" S.H.I.T. (… "" "" "" https://api.discog… 2.77e6
#> 4 9769203 "" Rata Negra "" "" "" https://api.discog… 4.28e6
#> 5 7237138 "" Ivy (18) "" "" "" https://api.discog… 3.60e6
#> 6 13117042 "" Tashme "" "" "" https://api.discog… 5.21e6
#> 7 7113575 "" Desgraciad… "" "" "" https://api.discog… 4.45e6
#> 8 10540713 "" Phantom He… "" "" "" https://api.discog… 4.27e6
#> 9 11260950 "" Sub Space … "" "" "" https://api.discog… 5.69e6
#> 10 11726853 "" Small Man … "" "" "" https://api.discog… 6.37e6
#> # … с 157 други реда
dиск %>%
hoist(basic_information, format = "formats") %>%
select(disc_id = id, format) %>%
unnest_longer(format) %>%
unnest_wider(format) %>%
unnest_longer(descriptions)
#> # Тибл: 280 x 5
#> disc_id descriptions text name qty
#>
#> 1 7496378 Numbered Black Cassette 1
#> 2 4490852 LP Vinyl 1
#> 3 9827276 "7"" Vinyl 1
#> 4 9827276 45 RPM Vinyl 1
#> 5 9827276 EP Vinyl 1
#> 6 9769203 LP Vinyl 1
#> 7 9769203 Album Vinyl 1
#> 8 7237138 "7"" Vinyl 1
#> 9 7237138 45 RPM Vinyl 1
#> 10 13117042 "7"" Vinyl 1
#> # … с 270 други редаСлед това можете да ги присъедините обратно към оригиналния набор от данни при необходимост.
Заключение
В ядрото на библиотеката tidyverse влизат множество полезни пакети, обединени от обща философия за обработка на данни.
В тази статия разгледахме семейството на функциите unnest_*(), които са насочени към работа с извличането на елементи от вложени списъци. Този пакет съдържа множество други полезни функции, които опростяват трансформирането на данни според концепцията Tidy Data.
Източник: habr.com
