Pecyn taclus cynnwys yng nghraidd un o'r llyfrgelloedd mwyaf poblogaidd yn yr iaith R - taclus.
Prif bwrpas y pecyn yw dod â'r data i ffurf gywir.
Eisoes ar gael ar Habré ymroddedig i'r pecyn hwn, ond mae'n dyddio'n ôl i 2015. Ac rwyf am ddweud wrthych am y newidiadau mwyaf cyfredol, a gyhoeddwyd ychydig ddyddiau yn ôl gan ei awdur, Hedley Wickham.
Mae S.J.K.: A fydd casglu() a lledaenu() yn cael ei anghymeradwyo?
Hadley Wickham: I ryw raddau. Ni fyddwn bellach yn argymell defnyddio'r swyddogaethau hyn ac yn trwsio bygiau ynddynt, ond byddant yn parhau i fod yn bresennol yn y pecyn yn eu cyflwr presennol.
Cynnwys
Os oes gennych ddiddordeb mewn dadansoddi data, efallai y bydd gennych ddiddordeb yn fy и sianeli. Mae'r rhan fwyaf o'r cynnwys wedi'i neilltuo i'r iaith R.
Cysyniad Data Taclus
Nod taclus — eich helpu i ddod â'r data i ffurf daclus, fel y'i gelwir. Data taclus yw data lle:
- Mae pob newidyn mewn colofn.
- Mae pob arsylwad yn llinyn.
- Mae pob gwerth yn gell.
Mae'n llawer haws ac yn fwy cyfleus i weithio gyda data a gyflwynir mewn data taclus wrth gynnal dadansoddiad.
Prif swyddogaethau wedi'u cynnwys yn y pecyn taclus
mae tidyr yn cynnwys set o swyddogaethau a gynlluniwyd i drawsnewid tablau:
fill()— llenwi gwerthoedd coll mewn colofn gyda gwerthoedd blaenorol;separate()— yn rhannu un maes yn sawl un gan ddefnyddio gwahanydd;unite()— yn cyflawni gweithrediad cyfuno sawl maes yn un, gweithred gwrthdro'r ffwythiantseparate();pivot_longer()— swyddogaeth sy'n trosi data o fformat eang i fformat hir;pivot_wider()- swyddogaeth sy'n trosi data o fformat hir i fformat eang. Gweithrediad cefn yr un a gyflawnir gan y swyddogaethpivot_longer().gather()hen ffasiwn — swyddogaeth sy'n trosi data o fformat eang i fformat hir;spread()hen ffasiwn - swyddogaeth sy'n trosi data o fformat hir i fformat eang. Gweithrediad cefn yr un a gyflawnir gan y swyddogaethgather().
Cysyniad newydd ar gyfer trosi data o fformat eang i fformat hir ac i'r gwrthwyneb
Yn flaenorol, defnyddiwyd swyddogaethau ar gyfer y math hwn o drawsnewid gather() и spread(). Dros y blynyddoedd o fodolaeth y swyddogaethau hyn, daeth yn amlwg i'r rhan fwyaf o ddefnyddwyr, gan gynnwys awdur y pecyn, nad oedd enwau'r swyddogaethau hyn a'u dadleuon yn hollol amlwg, a achosodd anawsterau wrth ddod o hyd iddynt a deall pa rai o'r swyddogaethau hyn sy'n trosi. ffrâm dyddiad o fformat llydan i hir, ac i'r gwrthwyneb.
Yn hyn o beth, yn taclus Mae dwy swyddogaeth newydd, bwysig wedi'u hychwanegu sydd wedi'u cynllunio i drawsnewid fframiau dyddiad.
Nodweddion newydd pivot_longer() и pivot_wider() wedi'u hysbrydoli gan rai o'r nodweddion yn y pecyn cdata, a grëwyd gan John Mount a Nina Zumel.
Gosod y fersiwn mwyaf cyfredol o taclus 0.8.3.9000
I osod y fersiwn newydd, mwyaf cyfredol o'r pecyn taclus 0.8.3.9000, lle mae nodweddion newydd ar gael, defnyddiwch y cod canlynol.
devtools::install_github("tidyverse/tidyr")
Ar adeg ysgrifennu, dim ond yn fersiwn datblygu'r pecyn ar GitHub y mae'r swyddogaethau hyn ar gael.
Pontio i nodweddion newydd
Mewn gwirionedd, nid yw'n anodd trosglwyddo hen sgriptiau i weithio gyda swyddogaethau newydd; er mwyn deall yn well, byddaf yn cymryd enghraifft o ddogfennaeth hen swyddogaethau ac yn dangos sut mae'r un gweithrediadau'n cael eu perfformio gan ddefnyddio rhai newydd pivot_*() swyddogaethau.
Trosi fformat eang i fformat hir.
Cod enghreifftiol o ddogfennaeth y swyddogaeth gasglu
# example
library(dplyr)
stocks <- data.frame(
time = as.Date('2009-01-01') + 0:9,
X = rnorm(10, 0, 1),
Y = rnorm(10, 0, 2),
Z = rnorm(10, 0, 4)
)
# old
stocks_gather <- stocks %>% gather(key = stock,
value = price,
-time)
# new
stocks_long <- stocks %>% pivot_longer(cols = -time,
names_to = "stock",
values_to = "price")
Trosi fformat hir i fformat eang.
Cod enghreifftiol o ddogfennaeth swyddogaeth taenu
# old
stocks_spread <- stocks_gather %>% spread(key = stock,
value = price)
# new
stock_wide <- stocks_long %>% pivot_wider(names_from = "stock",
values_from = "price")
Achos yn yr enghreifftiau uchod o weithio gyda pivot_longer() и pivot_wider(), yn y tabl gwreiddiol stociau dim colofnau wedi'u rhestru mewn dadleuon enwau_i и gwerthoedd_i rhaid i'w henwau fod mewn dyfynodau.
Tabl a fydd yn eich helpu i ddarganfod yn haws sut i newid i weithio gyda chysyniad newydd taclus.
Nodyn gan yr awdur
Mae'r holl destun isod yn addasol, byddwn hyd yn oed yn dweud cyfieithu am ddim oddi ar wefan swyddogol y llyfrgell taclus.
Enghraifft syml o drosi data o fformat eang i fformat hir
pivot_longer () — yn gwneud setiau data yn hirach trwy leihau nifer y colofnau a chynyddu nifer y rhesi.
I redeg yr enghreifftiau a gyflwynir yn yr erthygl, yn gyntaf mae angen i chi gysylltu'r pecynnau angenrheidiol:
library(tidyr)
library(dplyr)
library(readr)Gadewch i ni ddweud bod gennym dabl gyda chanlyniadau arolwg a ofynnodd (ymhlith pethau eraill) i bobl am eu crefydd a'u hincwm blynyddol:
#> # A tibble: 18 x 11
#> religion `<$10k` `$10-20k` `$20-30k` `$30-40k` `$40-50k` `$50-75k`
#> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Agnostic 27 34 60 81 76 137
#> 2 Atheist 12 27 37 52 35 70
#> 3 Buddhist 27 21 30 34 33 58
#> 4 Catholic 418 617 732 670 638 1116
#> 5 Don’t k… 15 14 15 11 10 35
#> 6 Evangel… 575 869 1064 982 881 1486
#> 7 Hindu 1 9 7 9 11 34
#> 8 Histori… 228 244 236 238 197 223
#> 9 Jehovah… 20 27 24 24 21 30
#> 10 Jewish 19 19 25 25 30 95
#> # … with 8 more rows, and 4 more variables: `$75-100k` <dbl>,
#> # `$100-150k` <dbl>, `>150k` <dbl>, `Don't know/refused` <dbl>Mae'r tabl hwn yn cynnwys data crefydd ymatebwyr mewn rhesi, ac mae lefelau incwm wedi'u gwasgaru ar draws enwau colofnau. Mae nifer yr ymatebwyr o bob categori yn cael ei storio yn y gwerthoedd celloedd ar groesffordd crefydd a lefel incwm. Er mwyn dod â'r bwrdd i fformat taclus, cywir, mae'n ddigon i'w ddefnyddio pivot_longer():
pew %>%
pivot_longer(cols = -religion, names_to = "income", values_to = "count")pew %>%
pivot_longer(cols = -religion, names_to = "income", values_to = "count")
#> # A tibble: 180 x 3
#> religion income count
#> <chr> <chr> <dbl>
#> 1 Agnostic <$10k 27
#> 2 Agnostic $10-20k 34
#> 3 Agnostic $20-30k 60
#> 4 Agnostic $30-40k 81
#> 5 Agnostic $40-50k 76
#> 6 Agnostic $50-75k 137
#> 7 Agnostic $75-100k 122
#> 8 Agnostic $100-150k 109
#> 9 Agnostic >150k 84
#> 10 Agnostic Don't know/refused 96
#> # … with 170 more rowsDadleuon Swyddogaeth pivot_longer()
- Dadl gyntaf coleri, yn disgrifio pa golofnau sydd angen eu huno. Yn yr achos hwn, pob colofn ac eithrio amser.
- ddadl enwau_i yn rhoi enw'r newidyn a fydd yn cael ei greu o enwau'r colofnau a gydgatenwyd gennym.
- gwerthoedd_i yn rhoi enw newidyn a fydd yn cael ei greu o'r data sydd wedi'i storio yng ngwerthoedd celloedd y colofnau cyfun.
Manylebau
Mae hwn yn swyddogaeth newydd o'r pecyn taclus, nad oedd ar gael o'r blaen wrth weithio gyda swyddogaethau etifeddol.
Ffrâm ddata yw manyleb, y mae pob rhes ohoni yn cyfateb i un golofn yn y ffrâm dyddiad allbwn newydd, a dwy golofn arbennig sy'n dechrau gyda:
- . Enw yn cynnwys enw gwreiddiol y golofn.
- .gwerth yn cynnwys enw'r golofn a fydd yn cynnwys gwerthoedd y gell.
Mae'r colofnau sy'n weddill yn y fanyleb yn adlewyrchu sut y bydd y golofn newydd yn dangos enw'r colofnau cywasgedig o . Enw.
Mae'r fanyleb yn disgrifio'r metadata sydd wedi'i storio mewn enw colofn, gydag un rhes ar gyfer pob colofn ac un golofn ar gyfer pob newidyn, ynghyd ag enw'r golofn, gall y diffiniad hwn ymddangos yn ddryslyd ar hyn o bryd, ond ar ôl edrych ar ychydig o enghreifftiau bydd yn dod yn llawer cliriach.
Pwynt y fanyleb yw y gallwch adalw, addasu, a diffinio metadata newydd ar gyfer y ffrâm ddata sy'n cael ei throsi.
I weithio gyda manylebau wrth drosi tabl o fformat eang i fformat hir, defnyddiwch y swyddogaeth pivot_longer_spec().
Sut mae'r swyddogaeth hon yn gweithio yw ei fod yn cymryd unrhyw ffrâm dyddiad ac yn cynhyrchu ei fetadata yn y modd a ddisgrifir uchod.
Er enghraifft, gadewch i ni gymryd y set ddata pwy a ddarperir gyda'r pecyn taclus. Mae'r set ddata hon yn cynnwys gwybodaeth a ddarparwyd gan y sefydliad iechyd rhyngwladol ar yr achosion o dwbercwlosis.
who
#> # A tibble: 7,240 x 60
#> country iso2 iso3 year new_sp_m014 new_sp_m1524 new_sp_m2534
#> <chr> <chr> <chr> <int> <int> <int> <int>
#> 1 Afghan… AF AFG 1980 NA NA NA
#> 2 Afghan… AF AFG 1981 NA NA NA
#> 3 Afghan… AF AFG 1982 NA NA NA
#> 4 Afghan… AF AFG 1983 NA NA NA
#> 5 Afghan… AF AFG 1984 NA NA NA
#> 6 Afghan… AF AFG 1985 NA NA NA
#> 7 Afghan… AF AFG 1986 NA NA NA
#> 8 Afghan… AF AFG 1987 NA NA NA
#> 9 Afghan… AF AFG 1988 NA NA NA
#> 10 Afghan… AF AFG 1989 NA NA NA
#> # … with 7,230 more rows, and 53 more variablesGadewch i ni adeiladu ei fanyleb.
spec <- who %>%
pivot_longer_spec(new_sp_m014:newrel_f65, values_to = "count")#> # A tibble: 56 x 3
#> .name .value name
#> <chr> <chr> <chr>
#> 1 new_sp_m014 count new_sp_m014
#> 2 new_sp_m1524 count new_sp_m1524
#> 3 new_sp_m2534 count new_sp_m2534
#> 4 new_sp_m3544 count new_sp_m3544
#> 5 new_sp_m4554 count new_sp_m4554
#> 6 new_sp_m5564 count new_sp_m5564
#> 7 new_sp_m65 count new_sp_m65
#> 8 new_sp_f014 count new_sp_f014
#> 9 new_sp_f1524 count new_sp_f1524
#> 10 new_sp_f2534 count new_sp_f2534
#> # … with 46 more rowsMaes gwlad, isoxnumx, isoxnumx sydd eisoes yn newidynnau. Ein tasg ni yw troi'r colofnau gyda newydd_sp_m014 ar newrel_f65.
Mae enwau'r colofnau hyn yn storio'r wybodaeth ganlynol:
- Rhagddodiad
new_yn nodi bod y golofn yn cynnwys data ar achosion newydd o dwbercwlosis, mae'r ffrâm dyddiad cyfredol yn cynnwys gwybodaeth am glefydau newydd yn unig, felly nid oes unrhyw ystyr i'r rhagddodiad hwn yn y cyd-destun presennol. sp/rel/sp/epyn disgrifio dull o wneud diagnosis o glefyd.m/frhyw y claf.014/1524/2535/3544/4554/65ystod oedran y claf.
Gallwn rannu'r colofnau hyn gan ddefnyddio'r ffwythiant extract()defnyddio mynegiant rheolaidd.
spec <- spec %>%
extract(name, c("diagnosis", "gender", "age"), "new_?(.*)_(.)(.*)")#> # A tibble: 56 x 5
#> .name .value diagnosis gender age
#> <chr> <chr> <chr> <chr> <chr>
#> 1 new_sp_m014 count sp m 014
#> 2 new_sp_m1524 count sp m 1524
#> 3 new_sp_m2534 count sp m 2534
#> 4 new_sp_m3544 count sp m 3544
#> 5 new_sp_m4554 count sp m 4554
#> 6 new_sp_m5564 count sp m 5564
#> 7 new_sp_m65 count sp m 65
#> 8 new_sp_f014 count sp f 014
#> 9 new_sp_f1524 count sp f 1524
#> 10 new_sp_f2534 count sp f 2534
#> # … with 46 more rowsSylwch ar y golofn . Enw aros heb ei newid gan mai hwn yw ein mynegai i enwau colofnau'r set ddata wreiddiol.
Rhyw ac oedran (colofnau rhyw и oedran) â gwerthoedd sefydlog a hysbys, felly argymhellir trosi'r colofnau hyn yn ffactorau:
spec <- spec %>%
mutate(
gender = factor(gender, levels = c("f", "m")),
age = factor(age, levels = unique(age), ordered = TRUE)
) Yn olaf, er mwyn cymhwyso'r fanyleb a grëwyd gennym i'r ffrâm dyddiad gwreiddiol sy'n mae angen inni ddefnyddio dadl spec mewn swyddogaeth pivot_longer().
who %>% pivot_longer(spec = spec)
#> # A tibble: 405,440 x 8
#> country iso2 iso3 year diagnosis gender age count
#> <chr> <chr> <chr> <int> <chr> <fct> <ord> <int>
#> 1 Afghanistan AF AFG 1980 sp m 014 NA
#> 2 Afghanistan AF AFG 1980 sp m 1524 NA
#> 3 Afghanistan AF AFG 1980 sp m 2534 NA
#> 4 Afghanistan AF AFG 1980 sp m 3544 NA
#> 5 Afghanistan AF AFG 1980 sp m 4554 NA
#> 6 Afghanistan AF AFG 1980 sp m 5564 NA
#> 7 Afghanistan AF AFG 1980 sp m 65 NA
#> 8 Afghanistan AF AFG 1980 sp f 014 NA
#> 9 Afghanistan AF AFG 1980 sp f 1524 NA
#> 10 Afghanistan AF AFG 1980 sp f 2534 NA
#> # … with 405,430 more rowsGellir darlunio popeth a wnaethom yn sgematig fel a ganlyn:
Manyleb gan ddefnyddio gwerthoedd lluosog (.value)
Yn yr enghraifft uchod, y golofn fanyleb .gwerth cynnwys dim ond un gwerth, yn y rhan fwyaf o achosion mae hyn yn wir.
Ond weithiau gall sefyllfa godi pan fydd angen i chi gasglu data o golofnau gyda gwahanol fathau o ddata mewn gwerthoedd. Defnyddio swyddogaeth etifeddiaeth spread() byddai hyn yn eithaf anodd ei wneud.
Cymerir yr enghraifft isod o i'r pecyn data.tabl.
Gadewch i ni greu ffrâm data hyfforddi.
family <- tibble::tribble(
~family, ~dob_child1, ~dob_child2, ~gender_child1, ~gender_child2,
1L, "1998-11-26", "2000-01-29", 1L, 2L,
2L, "1996-06-22", NA, 2L, NA,
3L, "2002-07-11", "2004-04-05", 2L, 2L,
4L, "2004-10-10", "2009-08-27", 1L, 1L,
5L, "2000-12-05", "2005-02-28", 2L, 1L,
)
family <- family %>% mutate_at(vars(starts_with("dob")), parse_date)#> # A tibble: 5 x 5
#> family dob_child1 dob_child2 gender_child1 gender_child2
#> <int> <date> <date> <int> <int>
#> 1 1 1998-11-26 2000-01-29 1 2
#> 2 2 1996-06-22 NA 2 NA
#> 3 3 2002-07-11 2004-04-05 2 2
#> 4 4 2004-10-10 2009-08-27 1 1
#> 5 5 2000-12-05 2005-02-28 2 1Mae'r ffrâm dyddiad a grëwyd yn cynnwys data ar blant un teulu ym mhob llinell. Gall fod gan deuluoedd un neu ddau o blant. Ar gyfer pob plentyn, darperir data ar ddyddiad geni a rhyw, ac mae’r data ar gyfer pob plentyn mewn colofnau ar wahân; ein tasg ni yw dod â’r data hwn i’r fformat cywir i’w ddadansoddi.
Sylwch fod gennym ddau newidyn gyda gwybodaeth am bob plentyn: eu rhyw a dyddiad geni (colofnau gyda'r rhagddodiad Dop cynnwys dyddiad geni, colofnau gyda rhagddodiad rhyw cynnwys rhyw y plentyn). Y canlyniad disgwyliedig yw y dylent ymddangos mewn colofnau ar wahân. Gallwn wneud hyn drwy gynhyrchu manyleb y mae'r golofn .value bydd ganddo ddau ystyr gwahanol.
spec <- family %>%
pivot_longer_spec(-family) %>%
separate(col = name, into = c(".value", "child"))%>%
mutate(child = parse_number(child))
#> # A tibble: 4 x 3
#> .name .value child
#> <chr> <chr> <dbl>
#> 1 dob_child1 dob 1
#> 2 dob_child2 dob 2
#> 3 gender_child1 gender 1
#> 4 gender_child2 gender 2Felly, gadewch i ni edrych gam wrth gam ar y camau gweithredu a gyflawnir gan y cod uchod.
pivot_longer_spec(-family)— creu manyleb sy'n cywasgu'r holl golofnau presennol ac eithrio'r golofn deulu.separate(col = name, into = c(".value", "child"))- hollti'r golofn . Enw, sy'n cynnwys enwau'r meysydd ffynhonnell, gan ddefnyddio'r tanlinellu a nodi'r gwerthoedd canlyniadol i'r colofnau .gwerth и plentyn.mutate(child = parse_number(child))— trawsnewid y gwerthoedd maes plentyn o destun i fath data rhifol.
Nawr gallwn gymhwyso'r fanyleb ganlyniadol i'r ffrâm ddata wreiddiol a dod â'r tabl i'r ffurf a ddymunir.
family %>%
pivot_longer(spec = spec, na.rm = T)#> # A tibble: 9 x 4
#> family child dob gender
#> <int> <dbl> <date> <int>
#> 1 1 1 1998-11-26 1
#> 2 1 2 2000-01-29 2
#> 3 2 1 1996-06-22 2
#> 4 3 1 2002-07-11 2
#> 5 3 2 2004-04-05 2
#> 6 4 1 2004-10-10 1
#> 7 4 2 2009-08-27 1
#> 8 5 1 2000-12-05 2
#> 9 5 2 2005-02-28 1Rydym yn defnyddio dadl na.rm = TRUE, oherwydd bod ffurf bresennol y data yn gorfodi creu rhesi ychwanegol ar gyfer arsylwadau nad ydynt yn bodoli. Achos Dim ond un plentyn sydd gan deulu 2, na.rm = TRUE yn gwarantu y bydd gan deulu 2 un rhes yn yr allbwn.
Trosi fframiau dyddiad o fformat hir i eang
pivot_wider() - yw'r trawsnewidiad gwrthdro, ac i'r gwrthwyneb yn cynyddu nifer y colofnau o'r ffrâm dyddiad trwy leihau nifer y rhesi.
Anaml iawn y defnyddir y math hwn o drawsnewid i ddod â data i ffurf gywir, fodd bynnag, gall y dechneg hon fod yn ddefnyddiol ar gyfer creu tablau colyn a ddefnyddir mewn cyflwyniadau, neu ar gyfer integreiddio â rhai offer eraill.
Mewn gwirionedd y swyddogaethau pivot_longer() и pivot_wider() yn gymesur, ac yn cynhyrchu gweithredoedd gwrthdro i'w gilydd, h.y.: df %>% pivot_longer(spec = spec) %>% pivot_wider(spec = spec) и df %>% pivot_wider(spec = spec) %>% pivot_longer(spec = spec) yn dychwelyd y df gwreiddiol.
Yr enghraifft symlaf o drosi tabl i fformat eang
I ddangos sut mae'r ffwythiant yn gweithio pivot_wider() byddwn yn defnyddio'r set ddata pysgod_encounters, sy'n storio gwybodaeth am sut mae gwahanol orsafoedd yn cofnodi symudiad pysgod ar hyd yr afon.
#> # A tibble: 114 x 3
#> fish station seen
#> <fct> <fct> <int>
#> 1 4842 Release 1
#> 2 4842 I80_1 1
#> 3 4842 Lisbon 1
#> 4 4842 Rstr 1
#> 5 4842 Base_TD 1
#> 6 4842 BCE 1
#> 7 4842 BCW 1
#> 8 4842 BCE2 1
#> 9 4842 BCW2 1
#> 10 4842 MAE 1
#> # … with 104 more rowsYn y rhan fwyaf o achosion, bydd y tabl hwn yn fwy addysgiadol ac yn haws ei ddefnyddio os byddwch yn cyflwyno gwybodaeth ar gyfer pob gorsaf mewn colofn ar wahân.
fish_encounters %>% pivot_wider(names_from = station, values_from = seen)
fish_encounters %>% pivot_wider(names_from = station, values_from = seen)
#> # A tibble: 19 x 12
#> fish Release I80_1 Lisbon Rstr Base_TD BCE BCW BCE2 BCW2 MAE
#> <fct> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
#> 1 4842 1 1 1 1 1 1 1 1 1 1
#> 2 4843 1 1 1 1 1 1 1 1 1 1
#> 3 4844 1 1 1 1 1 1 1 1 1 1
#> 4 4845 1 1 1 1 1 NA NA NA NA NA
#> 5 4847 1 1 1 NA NA NA NA NA NA NA
#> 6 4848 1 1 1 1 NA NA NA NA NA NA
#> 7 4849 1 1 NA NA NA NA NA NA NA NA
#> 8 4850 1 1 NA 1 1 1 1 NA NA NA
#> 9 4851 1 1 NA NA NA NA NA NA NA NA
#> 10 4854 1 1 NA NA NA NA NA NA NA NA
#> # … with 9 more rows, and 1 more variable: MAW <int>Mae’r set ddata hon ond yn cofnodi gwybodaeth pan fydd pysgod wedi’u canfod gan yr orsaf, h.y. os na chafodd unrhyw bysgod ei gofnodi gan ryw orsaf, yna ni fydd y data hwn yn y tabl. Mae hyn yn golygu y bydd yr allbwn yn cael ei lenwi â NA.
Fodd bynnag, yn yr achos hwn rydym yn gwybod bod absenoldeb cofnod yn golygu na welwyd y pysgod, felly gallwn ddefnyddio'r ddadl gwerthoedd_lenwi mewn swyddogaeth pivot_wider() a llenwch y gwerthoedd coll hyn gyda sero:
fish_encounters %>% pivot_wider(
names_from = station,
values_from = seen,
values_fill = list(seen = 0)
)#> # A tibble: 19 x 12
#> fish Release I80_1 Lisbon Rstr Base_TD BCE BCW BCE2 BCW2 MAE
#> <fct> <int> <int> <int> <int> <int> <int> <int> <int> <int> <int>
#> 1 4842 1 1 1 1 1 1 1 1 1 1
#> 2 4843 1 1 1 1 1 1 1 1 1 1
#> 3 4844 1 1 1 1 1 1 1 1 1 1
#> 4 4845 1 1 1 1 1 0 0 0 0 0
#> 5 4847 1 1 1 0 0 0 0 0 0 0
#> 6 4848 1 1 1 1 0 0 0 0 0 0
#> 7 4849 1 1 0 0 0 0 0 0 0 0
#> 8 4850 1 1 0 1 1 1 1 0 0 0
#> 9 4851 1 1 0 0 0 0 0 0 0 0
#> 10 4854 1 1 0 0 0 0 0 0 0 0
#> # … with 9 more rows, and 1 more variable: MAW <int>Cynhyrchu enw colofn o newidynnau ffynhonnell lluosog
Dychmygwch fod gennym fwrdd sy'n cynnwys cyfuniad o gynnyrch, gwlad a blwyddyn. I gynhyrchu ffrâm dyddiad prawf, gallwch redeg y cod canlynol:
df <- expand_grid(
product = c("A", "B"),
country = c("AI", "EI"),
year = 2000:2014
) %>%
filter((product == "A" & country == "AI") | product == "B") %>%
mutate(value = rnorm(nrow(.)))#> # A tibble: 45 x 4
#> product country year value
#> <chr> <chr> <int> <dbl>
#> 1 A AI 2000 -2.05
#> 2 A AI 2001 -0.676
#> 3 A AI 2002 1.60
#> 4 A AI 2003 -0.353
#> 5 A AI 2004 -0.00530
#> 6 A AI 2005 0.442
#> 7 A AI 2006 -0.610
#> 8 A AI 2007 -2.77
#> 9 A AI 2008 0.899
#> 10 A AI 2009 -0.106
#> # … with 35 more rowsEin tasg ni yw ehangu'r ffrâm ddata fel bod un golofn yn cynnwys data ar gyfer pob cyfuniad o gynnyrch a gwlad. I wneud hyn, rhowch y ddadl i mewn enwau_o fector yn cynnwys enwau'r meysydd sydd i'w huno.
df %>% pivot_wider(names_from = c(product, country),
values_from = "value")#> # A tibble: 15 x 4
#> year A_AI B_AI B_EI
#> <int> <dbl> <dbl> <dbl>
#> 1 2000 -2.05 0.607 1.20
#> 2 2001 -0.676 1.65 -0.114
#> 3 2002 1.60 -0.0245 0.501
#> 4 2003 -0.353 1.30 -0.459
#> 5 2004 -0.00530 0.921 -0.0589
#> 6 2005 0.442 -1.55 0.594
#> 7 2006 -0.610 0.380 -1.28
#> 8 2007 -2.77 0.830 0.637
#> 9 2008 0.899 0.0175 -1.30
#> 10 2009 -0.106 -0.195 1.03
#> # … with 5 more rowsGallwch hefyd gymhwyso manylebau i swyddogaeth pivot_wider(). Ond pan ymostwng i pivot_wider() mae'r fanyleb yn trosi i'r gwrthwyneb pivot_longer(): Y colofnau a nodir yn . Enw, gan ddefnyddio gwerthoedd o .gwerth a cholofnau eraill.
Ar gyfer y set ddata hon, gallwch gynhyrchu manyleb wedi'i theilwra os ydych chi am i bob gwlad a chyfuniad cynnyrch posibl gael ei golofn ei hun, nid dim ond y rhai sy'n bresennol yn y data:
spec <- df %>%
expand(product, country, .value = "value") %>%
unite(".name", product, country, remove = FALSE)#> # A tibble: 4 x 4
#> .name product country .value
#> <chr> <chr> <chr> <chr>
#> 1 A_AI A AI value
#> 2 A_EI A EI value
#> 3 B_AI B AI value
#> 4 B_EI B EI valuedf %>% pivot_wider(spec = spec) %>% head()#> # A tibble: 6 x 5
#> year A_AI A_EI B_AI B_EI
#> <int> <dbl> <dbl> <dbl> <dbl>
#> 1 2000 -2.05 NA 0.607 1.20
#> 2 2001 -0.676 NA 1.65 -0.114
#> 3 2002 1.60 NA -0.0245 0.501
#> 4 2003 -0.353 NA 1.30 -0.459
#> 5 2004 -0.00530 NA 0.921 -0.0589
#> 6 2005 0.442 NA -1.55 0.594Sawl enghraifft ddatblygedig o weithio gyda'r cysyniad taclus newydd
Glanhau data gan ddefnyddio set ddata Incwm a Rhent Cyfrifiad yr UD fel enghraifft.
Set ddata ni_rhent_incwm yn cynnwys incwm canolrifol a gwybodaeth rhent ar gyfer pob talaith yn UDA ar gyfer 2017 (set ddata ar gael yn y pecyn cyfrif taclus).
us_rent_income
#> # A tibble: 104 x 5
#> GEOID NAME variable estimate moe
#> <chr> <chr> <chr> <dbl> <dbl>
#> 1 01 Alabama income 24476 136
#> 2 01 Alabama rent 747 3
#> 3 02 Alaska income 32940 508
#> 4 02 Alaska rent 1200 13
#> 5 04 Arizona income 27517 148
#> 6 04 Arizona rent 972 4
#> 7 05 Arkansas income 23789 165
#> 8 05 Arkansas rent 709 5
#> 9 06 California income 29454 109
#> 10 06 California rent 1358 3
#> # … with 94 more rowsAr y ffurf y mae'r data'n cael ei storio yn y set ddata ni_rhent_incwm mae gweithio gyda nhw yn hynod anghyfleus, felly hoffem greu set ddata gyda cholofnau: rhent, rhent_moe, Dewch, incwm_moe. Mae yna lawer o ffyrdd i greu'r fanyleb hon, ond y prif bwynt yw bod angen i ni gynhyrchu pob cyfuniad o werthoedd amrywiol a amcangyfrif/moeac yna cynhyrchu enw'r golofn.
spec <- us_rent_income %>%
expand(variable, .value = c("estimate", "moe")) %>%
mutate(
.name = paste0(variable, ifelse(.value == "moe", "_moe", ""))
)#> # A tibble: 4 x 3
#> variable .value .name
#> <chr> <chr> <chr>
#> 1 income estimate income
#> 2 income moe income_moe
#> 3 rent estimate rent
#> 4 rent moe rent_moeDarparu'r fanyleb hon pivot_wider() yn rhoi'r canlyniad yr ydym yn edrych amdano:
us_rent_income %>% pivot_wider(spec = spec)
#> # A tibble: 52 x 6
#> GEOID NAME income income_moe rent rent_moe
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 01 Alabama 24476 136 747 3
#> 2 02 Alaska 32940 508 1200 13
#> 3 04 Arizona 27517 148 972 4
#> 4 05 Arkansas 23789 165 709 5
#> 5 06 California 29454 109 1358 3
#> 6 08 Colorado 32401 109 1125 5
#> 7 09 Connecticut 35326 195 1123 5
#> 8 10 Delaware 31560 247 1076 10
#> 9 11 District of Columbia 43198 681 1424 17
#> 10 12 Florida 25952 70 1077 3
#> # … with 42 more rowsBanc y Byd
Weithiau mae angen sawl cam i ddod â set ddata i'r ffurf a ddymunir.
Set ddata byd_banc_pop yn cynnwys data Banc y Byd ar boblogaeth pob gwlad rhwng 2000 a 2018.
#> # A tibble: 1,056 x 20
#> country indicator `2000` `2001` `2002` `2003` `2004` `2005` `2006`
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 ABW SP.URB.T… 4.24e4 4.30e4 4.37e4 4.42e4 4.47e+4 4.49e+4 4.49e+4
#> 2 ABW SP.URB.G… 1.18e0 1.41e0 1.43e0 1.31e0 9.51e-1 4.91e-1 -1.78e-2
#> 3 ABW SP.POP.T… 9.09e4 9.29e4 9.50e4 9.70e4 9.87e+4 1.00e+5 1.01e+5
#> 4 ABW SP.POP.G… 2.06e0 2.23e0 2.23e0 2.11e0 1.76e+0 1.30e+0 7.98e-1
#> 5 AFG SP.URB.T… 4.44e6 4.65e6 4.89e6 5.16e6 5.43e+6 5.69e+6 5.93e+6
#> 6 AFG SP.URB.G… 3.91e0 4.66e0 5.13e0 5.23e0 5.12e+0 4.77e+0 4.12e+0
#> 7 AFG SP.POP.T… 2.01e7 2.10e7 2.20e7 2.31e7 2.41e+7 2.51e+7 2.59e+7
#> 8 AFG SP.POP.G… 3.49e0 4.25e0 4.72e0 4.82e0 4.47e+0 3.87e+0 3.23e+0
#> 9 AGO SP.URB.T… 8.23e6 8.71e6 9.22e6 9.77e6 1.03e+7 1.09e+7 1.15e+7
#> 10 AGO SP.URB.G… 5.44e0 5.59e0 5.70e0 5.76e0 5.75e+0 5.69e+0 4.92e+0
#> # … with 1,046 more rows, and 11 more variables: `2007` <dbl>,
#> # `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>, `2012` <dbl>,
#> # `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>, `2017` <dbl>Ein nod yw creu set ddata daclus gyda phob newidyn yn ei golofn ei hun. Nid yw'n glir yn union pa gamau sydd eu hangen, ond byddwn yn dechrau gyda'r broblem fwyaf amlwg: mae'r flwyddyn wedi'i lledaenu ar draws colofnau lluosog.
Er mwyn trwsio hyn mae angen i chi ddefnyddio'r swyddogaeth pivot_longer().
pop2 <- world_bank_pop %>%
pivot_longer(`2000`:`2017`, names_to = "year")#> # A tibble: 19,008 x 4
#> country indicator year value
#> <chr> <chr> <chr> <dbl>
#> 1 ABW SP.URB.TOTL 2000 42444
#> 2 ABW SP.URB.TOTL 2001 43048
#> 3 ABW SP.URB.TOTL 2002 43670
#> 4 ABW SP.URB.TOTL 2003 44246
#> 5 ABW SP.URB.TOTL 2004 44669
#> 6 ABW SP.URB.TOTL 2005 44889
#> 7 ABW SP.URB.TOTL 2006 44881
#> 8 ABW SP.URB.TOTL 2007 44686
#> 9 ABW SP.URB.TOTL 2008 44375
#> 10 ABW SP.URB.TOTL 2009 44052
#> # … with 18,998 more rowsY cam nesaf yw edrych ar y newidyn dangosydd.
pop2 %>% count(indicator)
#> # A tibble: 4 x 2
#> indicator n
#> <chr> <int>
#> 1 SP.POP.GROW 4752
#> 2 SP.POP.TOTL 4752
#> 3 SP.URB.GROW 4752
#> 4 SP.URB.TOTL 4752Lle mae SP.POP.GROW yn dwf poblogaeth, SP.POP.TOTL yw cyfanswm y boblogaeth, a SP.URB. * yr un peth, ond dim ond ar gyfer ardaloedd trefol. Gadewch i ni rannu'r gwerthoedd hyn yn ddau newidyn: ardal - ardal (cyfanswm neu drefol) a newidyn sy'n cynnwys data gwirioneddol (poblogaeth neu dwf):
pop3 <- pop2 %>%
separate(indicator, c(NA, "area", "variable"))#> # A tibble: 19,008 x 5
#> country area variable year value
#> <chr> <chr> <chr> <chr> <dbl>
#> 1 ABW URB TOTL 2000 42444
#> 2 ABW URB TOTL 2001 43048
#> 3 ABW URB TOTL 2002 43670
#> 4 ABW URB TOTL 2003 44246
#> 5 ABW URB TOTL 2004 44669
#> 6 ABW URB TOTL 2005 44889
#> 7 ABW URB TOTL 2006 44881
#> 8 ABW URB TOTL 2007 44686
#> 9 ABW URB TOTL 2008 44375
#> 10 ABW URB TOTL 2009 44052
#> # … with 18,998 more rowsNawr y cyfan sy'n rhaid i ni ei wneud yw rhannu'r newidyn yn ddwy golofn:
pop3 %>%
pivot_wider(names_from = variable, values_from = value)#> # A tibble: 9,504 x 5
#> country area year TOTL GROW
#> <chr> <chr> <chr> <dbl> <dbl>
#> 1 ABW URB 2000 42444 1.18
#> 2 ABW URB 2001 43048 1.41
#> 3 ABW URB 2002 43670 1.43
#> 4 ABW URB 2003 44246 1.31
#> 5 ABW URB 2004 44669 0.951
#> 6 ABW URB 2005 44889 0.491
#> 7 ABW URB 2006 44881 -0.0178
#> 8 ABW URB 2007 44686 -0.435
#> 9 ABW URB 2008 44375 -0.698
#> 10 ABW URB 2009 44052 -0.731
#> # … with 9,494 more rowsRhestr gyswllt
Un enghraifft olaf, dychmygwch fod gennych restr gyswllt y gwnaethoch ei chopïo a'i phastio o wefan:
contacts <- tribble(
~field, ~value,
"name", "Jiena McLellan",
"company", "Toyota",
"name", "John Smith",
"company", "google",
"email", "[email protected]",
"name", "Huxley Ratcliffe"
)Mae tablu'r rhestr hon yn eithaf anodd oherwydd nid oes newidyn sy'n nodi pa ddata sy'n perthyn i ba gyswllt. Gallwn drwsio hyn trwy nodi bod data pob cyswllt newydd yn dechrau gyda "enw", fel y gallwn greu dynodwr unigryw a'i gynyddu fesul un bob tro mae colofn y maes yn cynnwys y gwerth "enw":
contacts <- contacts %>%
mutate(
person_id = cumsum(field == "name")
)
contacts#> # A tibble: 6 x 3
#> field value person_id
#> <chr> <chr> <int>
#> 1 name Jiena McLellan 1
#> 2 company Toyota 1
#> 3 name John Smith 2
#> 4 company google 2
#> 5 email [email protected] 2
#> 6 name Huxley Ratcliffe 3Nawr bod gennym ID unigryw ar gyfer pob cyswllt, gallwn droi'r maes a'r gwerth yn golofnau:
contacts %>%
pivot_wider(names_from = field, values_from = value)#> # A tibble: 3 x 4
#> person_id name company email
#> <int> <chr> <chr> <chr>
#> 1 1 Jiena McLellan Toyota <NA>
#> 2 2 John Smith google [email protected]
#> 3 3 Huxley Ratcliffe <NA> <NA>Casgliad
Fy marn bersonol yw bod y cysyniad newydd taclus yn wirioneddol fwy sythweledol, ac yn sylweddol well o ran ymarferoldeb i swyddogaethau etifeddol spread() и gather(). Rwy'n gobeithio bod yr erthygl hon wedi eich helpu i ddelio â hi pivot_longer() и pivot_wider().
Ffynhonnell: hab.com