Paquete R tidyr y sus nuevas funciones pivot_longer y pivot_wider
Paquete ordenar incluido en el núcleo de una de las bibliotecas más populares en el lenguaje R: tidyverse.
El objetivo principal del paquete es llevar los datos de forma precisa.
Ya disponible en Habré publicación dedicado a este paquete, pero se remonta a 2015. Y quiero hablaros de los cambios más actuales, que fueron anunciados hace unos días por su autor, Hedley Wickham.
SJK: ¿Recopilar() y difundir() quedarán obsoletos?
hadley wickham: Hasta cierto punto. Ya no recomendaremos el uso de estas funciones ni corregiremos errores en ellas, pero seguirán estando presentes en el paquete en su estado actual.
contenido
Si te interesa el análisis de datos, quizás te interese mi Telegram. и Youtube canales. La mayor parte del contenido está dedicado al lenguaje R.
objetivo ordenar — le ayudará a llevar los datos a la denominada forma ordenada. Los datos ordenados son datos donde:
Cada variable está en una columna.
Cada observación es una cadena.
Cada valor es una celda.
Es mucho más fácil y conveniente trabajar con datos que se presentan ordenados al realizar el análisis.
Funciones principales incluidas en el paquete tidyr
tidyr contiene un conjunto de funciones diseñadas para transformar tablas:
fill() — completar los valores faltantes en una columna con valores anteriores;
separate() — divide un campo en varios usando un separador;
unite() — realiza la operación de combinar varios campos en uno, la acción inversa de la función separate();
pivot_longer() — una función que convierte datos de formato ancho a formato largo;
pivot_wider() - una función que convierte datos de formato largo a formato ancho. La operación inversa a la que realiza la función. pivot_longer().
gather()obsoleto — una función que convierte datos de formato ancho a formato largo;
spread()obsoleto - una función que convierte datos de formato largo a formato ancho. La operación inversa a la que realiza la función. gather().
Nuevo concepto para convertir datos de formato ancho a largo y viceversa
Anteriormente, se utilizaban funciones para este tipo de transformación. gather() и spread(). A lo largo de los años de existencia de estas funciones, se hizo evidente que para la mayoría de los usuarios, incluido el autor del paquete, los nombres de estas funciones y sus argumentos no eran del todo obvios, y causaban dificultades para encontrarlas y comprender cuál de estas funciones convierte un marco de fecha de formato ancho a largo, y viceversa.
En este sentido, en ordenar Se han agregado dos funciones nuevas e importantes diseñadas para transformar marcos de fechas.
Nuevas características pivot_longer() и pivot_wider() se inspiraron en algunas de las características del paquete cdatos, creado por John Mount y Nina Zumel.
Instalación de la versión más actual de tidyr 0.8.3.9000
Para instalar la versión nueva y más actual del paquete ordenar0.8.3.9000, donde haya nuevas funciones disponibles, utilice el siguiente código.
devtools::install_github("tidyverse/tidyr")
Al momento de escribir este artículo, estas funciones solo están disponibles en la versión de desarrollo del paquete en GitHub.
Transición a nuevas funciones
De hecho, no es difícil transferir scripts antiguos para trabajar con nuevas funciones; para una mejor comprensión, tomaré un ejemplo de la documentación de funciones antiguas y mostraré cómo se realizan las mismas operaciones usando otras nuevas. pivot_*() funciones
Convierta formato ancho a formato largo.
Código de ejemplo de la documentación de la función de recopilación
# 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")
Conversión de formato largo a formato ancho.
Código de ejemplo de la documentación de la función de extensión
# old
stocks_spread <- stocks_gather %>% spread(key = stock,
value = price)
# new
stock_wide <- stocks_long %>% pivot_wider(names_from = "stock",
values_from = "price")
Porque en los ejemplos anteriores de trabajo con pivot_longer() и pivot_wider(), en la tabla original acciones no hay columnas enumeradas en los argumentos nombres_a и valores_a sus nombres deben estar entre comillas.
Una tabla que le ayudará a descubrir más fácilmente cómo pasar a trabajar con un nuevo concepto. ordenar.
Nota del autor
Todo el texto a continuación es adaptable, incluso diría que es traducción gratuita. viñetas del sitio web oficial de la biblioteca tidyverse.
Un ejemplo sencillo de conversión de datos de formato ancho a largo
pivot_longer () — alarga los conjuntos de datos al reducir el número de columnas y aumentar el número de filas.
Para ejecutar los ejemplos presentados en el artículo, primero debe conectar los paquetes necesarios:
library(tidyr)
library(dplyr)
library(readr)
Digamos que tenemos una tabla con los resultados de una encuesta que (entre otras cosas) preguntaba a la gente sobre su religión e ingresos anuales:
Esta tabla contiene datos religiosos de los encuestados en filas y los niveles de ingresos están dispersos en los nombres de las columnas. El número de encuestados de cada categoría se almacena en los valores de celda en la intersección de religión y nivel de ingresos. Para que la tabla tenga un formato ordenado y correcto, basta con utilizar pivot_longer():
Primer argumento cols, describe qué columnas deben fusionarse. En este caso, todas las columnas excepto equipo.
Argumento nombres_a da el nombre de la variable que se creará a partir de los nombres de las columnas que concatenamos.
valores_a da el nombre de una variable que se creará a partir de los datos almacenados en los valores de las celdas de las columnas fusionadas.
Especificaciones
Esta es una nueva funcionalidad del paquete. ordenar, que anteriormente no estaba disponible cuando se trabajaba con funciones heredadas.
Una especificación es un marco de datos, cada fila del cual corresponde a una columna en el nuevo marco de fechas de salida y dos columnas especiales que comienzan con:
. Nombre contiene el nombre de la columna original.
valor contiene el nombre de la columna que contendrá los valores de la celda.
Las columnas restantes de la especificación reflejan cómo la nueva columna mostrará el nombre de las columnas comprimidas de . Nombre.
La especificación describe los metadatos almacenados en un nombre de columna, con una fila para cada columna y una columna para cada variable, combinados con el nombre de la columna. Esta definición puede parecer confusa en este momento, pero después de ver algunos ejemplos se volverá mucho más confusa. más claro.
El objetivo de la especificación es que puede recuperar, modificar y definir nuevos metadatos para el marco de datos que se está convirtiendo.
Para trabajar con especificaciones al convertir una tabla de un formato ancho a un formato largo, use la función pivot_longer_spec().
El funcionamiento de esta función es que toma cualquier marco de fechas y genera sus metadatos de la manera descrita anteriormente.
Como ejemplo, tomemos el conjunto de datos who que se proporciona con el paquete. ordenar. Este conjunto de datos contiene información proporcionada por la organización internacional de la salud sobre la incidencia de la tuberculosis.
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 variables
Construyamos su especificación.
spec <- who %>%
pivot_longer_spec(new_sp_m014:newrel_f65, values_to = "count")
campos país, iso2, iso3 ya son variables. Nuestra tarea es voltear las columnas con nuevo_sp_m014 en newrel_f65.
Los nombres de estas columnas almacenan la siguiente información:
Prefijo new_ indica que la columna contiene datos sobre nuevos casos de tuberculosis, el marco de fechas actual contiene información solo sobre nuevas enfermedades, por lo que este prefijo en el contexto actual no tiene ningún significado.
sp/rel/sp/ep describe un método para diagnosticar una enfermedad.
m/f género del paciente.
014/1524/2535/3544/4554/65 rango de edad del paciente.
Podemos dividir estas columnas usando la función extract()usando expresiones regulares.
#> # 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 rows
Tenga en cuenta la columna . Nombre debe permanecer sin cambios ya que este es nuestro índice en los nombres de las columnas del conjunto de datos original.
Género y edad (columnas género и edad ) tienen valores fijos y conocidos, por lo que se recomienda convertir estas columnas a factores:
Finalmente, para aplicar la especificación que creamos al marco de fechas original (entornos urbanos), liderados por sus Ayuntamientos, que son responsables de validar e integrar las herramientas en su propio contexto aportando sus necesidades y retos. necesitamos usar un argumento especulación en función 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 rows
Todo lo que acabamos de hacer se puede representar esquemáticamente de la siguiente manera:
En el ejemplo anterior, la columna de especificación valor contenía solo un valor, en la mayoría de los casos este es el caso.
Pero ocasionalmente puede surgir una situación en la que necesite recopilar datos de columnas con diferentes tipos de datos en valores. Usando una función heredada spread() esto sería bastante difícil de hacer.
El siguiente ejemplo está tomado de viñetas al paquete tabla de datos.
El marco de fechas creado contiene datos sobre los hijos de una familia en cada fila. Las familias pueden tener uno o dos hijos. Para cada niño, se proporcionan datos sobre la fecha de nacimiento y el sexo, y los datos de cada niño están en columnas separadas; nuestra tarea es llevar estos datos al formato correcto para su análisis.
Tenga en cuenta que tenemos dos variables con información de cada niño: su sexo y fecha de nacimiento (columnas con el prefijo bautismo contiene fecha de nacimiento, columnas con prefijo género contener el sexo del niño). El resultado esperado es que aparezcan en columnas separadas. Podemos hacer esto generando una especificación en la que la columna .value tendrá dos significados diferentes.
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 2
Entonces, echemos un vistazo paso a paso a las acciones realizadas por el código anterior.
pivot_longer_spec(-family) — cree una especificación que comprima todas las columnas existentes excepto la columna de familia.
separate(col = name, into = c(".value", "child")) - dividir la columna . Nombre, que contiene los nombres de los campos de origen, usando el guión bajo e ingresando los valores resultantes en las columnas valor и sus hijos.
mutate(child = parse_number(child)) — transformar los valores del campo sus hijos de texto a tipo de datos numérico.
Ahora podemos aplicar la especificación resultante al marco de datos original y llevar la tabla al formato deseado.
Usamos argumento na.rm = TRUE, porque la forma actual de los datos obliga a la creación de filas adicionales para observaciones inexistentes. Porque la familia 2 tiene un solo hijo, na.rm = TRUE garantiza que la familia 2 tendrá una fila en la salida.
Conversión de marcos de fecha de formato largo a ancho
pivot_wider() - es la transformación inversa, y viceversa aumenta el número de columnas del marco de fecha al reducir el número de filas.
Este tipo de transformación rara vez se utiliza para dar un formato preciso a los datos; sin embargo, esta técnica puede ser útil para crear tablas dinámicas utilizadas en presentaciones o para la integración con otras herramientas.
En realidad las funciones pivot_longer() и pivot_wider() son simétricos y producen acciones inversas entre sí, es decir: df %>% pivot_longer(spec = spec) %>% pivot_wider(spec = spec) и df %>% pivot_wider(spec = spec) %>% pivot_longer(spec = spec) devolverá el df original.
El ejemplo más sencillo de convertir una tabla a formato ancho.
Para demostrar cómo funciona la función. pivot_wider() usaremos el conjunto de datos encuentros_con-peces, que almacena información sobre cómo las diferentes estaciones registran el movimiento de los peces a lo largo del río.
#> # 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 rows
En la mayoría de los casos, esta tabla será más informativa y más fácil de usar si presenta la información de cada estación en una columna separada.
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>
Este conjunto de datos solo registra información cuando la estación ha detectado peces, es decir, Si alguna estación no registró algún pez, estos datos no estarán en la tabla. Esto significa que la salida se llenará con NA.
Sin embargo, en este caso sabemos que la ausencia de un registro significa que el pez no fue visto, por lo que podemos usar el argumento valores_relleno en función pivot_wider() y llena estos valores faltantes con ceros:
Generar un nombre de columna a partir de múltiples variables fuente
Imaginemos que tenemos una tabla que contiene una combinación de producto, país y año. Para generar un marco de fecha de prueba, puede ejecutar el siguiente código:
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 rows
Nuestra tarea es expandir el marco de datos para que una columna contenga datos para cada combinación de producto y país. Para hacer esto, simplemente pase el argumento. nombres_de un vector que contiene los nombres de los campos que se van a fusionar.
También puede aplicar especificaciones a una función. pivot_wider(). Pero cuando se presenta a pivot_wider() la especificación hace la conversión opuesta pivot_longer(): Las columnas especificadas en . Nombre, usando valores de valor y otras columnas.
Para este conjunto de datos, puede generar una especificación personalizada si desea que cada combinación posible de países y productos tenga su propia columna, no solo las presentes en los datos:
#> # 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 value
df %>% 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 0.594
Varios ejemplos avanzados de cómo trabajar con el nuevo concepto tidyr.
Limpieza de datos utilizando como ejemplo el conjunto de datos de ingresos y alquileres del censo de EE. UU.
Conjunto de datos nosotros_alquiler_ingresos contiene información sobre ingresos medios y alquileres para cada estado de EE. UU. para 2017 (conjunto de datos disponible en el paquete tidycenso).
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 rows
En la forma en que se almacenan los datos en el conjunto de datos. nosotros_alquiler_ingresos trabajar con ellos es extremadamente inconveniente, por lo que nos gustaría crear un conjunto de datos con columnas: alquiler, alquiler_moe, cómo, ingresos_moe. Hay muchas formas de crear esta especificación, pero el punto principal es que necesitamos generar cada combinación de valores variables y estimación/mesy luego generar el nombre de la columna.
A veces, llevar un conjunto de datos al formato deseado requiere varios pasos.
Conjunto de datos banco_mundial_pop Contiene datos del Banco Mundial sobre la población de cada país entre 2000 y 2018.
Nuestro objetivo es crear un conjunto de datos ordenado con cada variable en su propia columna. No está claro exactamente qué pasos se necesitan, pero comenzaremos con el problema más obvio: el año se distribuye en varias columnas.
Para solucionar este problema es necesario utilizar la función pivot_longer().
El siguiente paso es observar la variable indicadora. 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 4752
Donde SP.POP.GROW es el crecimiento de la población, SP.POP.TOTL es la población total y SP.URB. *lo mismo, pero sólo para zonas urbanas. Dividamos estos valores en dos variables: área - área (total o urbana) y una variable que contiene datos reales (población o crecimiento):
Tabular esta lista es bastante difícil porque no existe una variable que identifique qué datos pertenecen a qué contacto. Podemos solucionar este problema observando que los datos de cada nuevo contacto comienzan con "nombre", por lo que podemos crear un identificador único e incrementarlo en uno cada vez que la columna del campo contenga el valor "nombre":
#> # 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 3
Ahora que tenemos una identificación única para cada contacto, podemos convertir el campo y el valor en columnas:
#> # 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>
Conclusión
Mi opinión personal es que el nuevo concepto ordenar verdaderamente más intuitivo y significativamente superior en funcionalidad a las funciones heredadas spread() и gather(). Espero que este artículo te haya ayudado a lidiar con pivot_longer() и pivot_wider().