R csomag tidyr és új funkciói pivot_longer és pivot_wider
csomag tidyr az egyik legnépszerűbb R nyelvű könyvtár magjában található - rendezett változat.
A csomag fő célja az adatok pontos formába hozása.
Már elérhető a Habrén kiadvány ennek a csomagnak szentelték, de 2015-ig nyúlik vissza. És a legfrissebb változásokról szeretnék mesélni, amelyeket néhány napja jelentett be szerzője, Hedley Wickham.
SJK: A collect() and spread() elavult lesz?
Hadley Wickham: Bizonyos mértékig. A továbbiakban nem javasoljuk ezeknek a funkcióknak a használatát és a bennük lévő hibák javítását, de a jelenlegi állapotukban továbbra is jelen lesznek a csomagban.
Tartalom
Ha érdekel az adatelemzés, akkor az én oldalam is érdekelheti távirat и youtube csatornák. A tartalom nagy része az R nyelvnek szól.
Gól tidyr — segít az adatok úgynevezett tiszta formába hozásában. A tiszta adat olyan adat, ahol:
Minden változó egy oszlopban van.
Minden megfigyelés egy karakterlánc.
Minden érték egy cella.
Az elemzés során sokkal könnyebb és kényelmesebb azokkal az adatokkal dolgozni, amelyek rendezett adatokban jelennek meg.
A tidyr csomagban található fő funkciók
A tidyr a táblázatok átalakítására tervezett függvénykészletet tartalmaz:
fill() - hiányzó értékek kitöltése egy oszlopban korábbi értékekkel;
separate() — egy mezőt több részre oszt fel elválasztó segítségével;
unite() — végrehajtja a több mező egyesítésének műveletét, a függvény fordított műveletét separate();
pivot_longer() — egy funkció, amely az adatokat széles formátumról hosszú formátumra konvertálja;
pivot_wider() - olyan funkció, amely az adatokat hosszú formátumról széles formátumra konvertálja. A függvény által végrehajtott fordított művelete pivot_longer().
gather()elavult — egy funkció, amely az adatokat széles formátumról hosszú formátumra konvertálja;
spread()elavult - olyan funkció, amely az adatokat hosszú formátumról széles formátumra konvertálja. A függvény által végrehajtott fordított művelete gather().
Új koncepció az adatok széles formátumról hosszú formátumba konvertálására és fordítva
Korábban függvényeket használtak az ilyen típusú átalakításokhoz gather() и spread(). E függvények fennállásának évei során nyilvánvalóvá vált, hogy a legtöbb felhasználó számára, beleértve a csomag szerzőjét is, ezeknek a függvényeknek a neve és az érveik nem voltak egészen nyilvánvalóak, és nehézségeket okoztak megtalálásukban és annak megértésében, hogy ezek közül melyik függvény konvertál dátumkeret széles formátumtól hosszú formátumig, és fordítva.
Ebben a tekintetben ben tidyr Két új, fontos funkció került hozzáadásra, amelyek a dátumkeretek átalakítására szolgálnak.
Új funkciók pivot_longer() и pivot_wider() a csomag egyes funkciói ihlették cdata, amelyet John Mount és Nina Zumel készített.
A tidyr 0.8.3.9000 legújabb verziójának telepítése
A csomag új, legfrissebb verziójának telepítéséhez tidyr0.8.3.9000, ahol új funkciók állnak rendelkezésre, használja a következő kódot.
devtools::install_github("tidyverse/tidyr")
A cikk írásakor ezek a funkciók csak a csomag fejlesztői verziójában érhetők el a GitHubon.
Áttérés új funkciókra
Valójában nem nehéz átvinni a régi szkripteket, hogy új funkciókkal dolgozzanak, a jobb megértés érdekében példát veszek a régi függvények dokumentációjából, és megmutatom, hogyan hajtják végre ugyanazokat a műveleteket új funkciókkal pivot_*() funkciókat.
Konvertálja a széles formátumot hosszú formátumba.
Példakód a gyűjtési függvény dokumentációjából
# 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")
Hosszú formátum konvertálása széles formátumba.
Példakód a spread függvény dokumentációjából
# old
stocks_spread <- stocks_gather %>% spread(key = stock,
value = price)
# new
stock_wide <- stocks_long %>% pivot_wider(names_from = "stock",
values_from = "price")
Mert a fenti példákban pivot_longer() и pivot_wider(), az eredeti táblázatban készletek nincsenek oszlopok az argumentumokban names_to и értékek_hoz a nevüket idézőjelbe kell tenni.
Egy táblázat, amely segít a legkönnyebben kitalálni, hogyan válthat át egy új koncepcióval való munkavégzésre tidyr.
Megjegyzés a szerzőtől
Az összes alábbi szöveg adaptív, akár szabad fordításnak is mondanám matricák a tidyverse könyvtár hivatalos weboldaláról.
Egy egyszerű példa az adatok széles formátumból hosszú formátumba konvertálására
pivot_longer () — meghosszabbítja az adatkészleteket az oszlopok számának csökkentésével és a sorok számának növelésével.
A cikkben bemutatott példák futtatásához először csatlakoztatnia kell a szükséges csomagokat:
library(tidyr)
library(dplyr)
library(readr)
Tegyük fel, hogy van egy táblázatunk egy felmérés eredményeivel, amelyben (többek között) megkérdezték az embereket a vallásukról és az éves jövedelmükről:
Ez a táblázat sorokban tartalmazza a válaszadók vallási adatait, a jövedelmi szintek pedig az oszlopnevek között vannak elszórva. Az egyes kategóriák válaszadóinak számát a cellaértékek tárolják a vallás és a jövedelmi szint metszéspontjában. Ahhoz, hogy a táblázatot szép, helyes formátumba hozzuk, elegendő használni pivot_longer():
Első érv nyakörvek, leírja, hogy mely oszlopokat kell egyesíteni. Ebben az esetben az összes oszlop, kivéve idő.
Érv names_to megadja annak a változónak a nevét, amely az általunk összefűzött oszlopok nevéből jön létre.
értékek_hoz annak a változónak a nevét adja meg, amely az egyesített oszlopok celláinak értékeiben tárolt adatokból jön létre.
Műszaki adatok
Ez a csomag új funkciója tidyr, amely korábban nem volt elérhető, ha örökölt funkciókkal dolgozott.
A specifikáció egy adatkeret, amelynek minden sora az új kimeneti dátumkeret egy oszlopának, valamint két speciális oszlopnak felel meg, amelyek a következőkkel kezdődnek:
. Név tartalmazza az eredeti oszlopnevet.
.érték tartalmazza a cellaértékeket tartalmazó oszlop nevét.
A specifikáció többi oszlopa azt tükrözi, hogy az új oszlop hogyan jeleníti meg a tömörített oszlopok nevét . Név.
A specifikáció leírja az oszlopnévben tárolt metaadatokat, oszloponként egy sorral és változónként egy oszloppal, az oszlopnévvel kombinálva, ez a meghatározás pillanatnyilag zavarónak tűnhet, de néhány példa után sok lesz. világosabb.
A specifikáció lényege, hogy lekérheti, módosíthatja és új metaadatokat határozhat meg a konvertálandó adatkerethez.
Ha egy táblázatot széles formátumról hosszú formátumra konvertál, használja a függvényt a specifikációk használatához pivot_longer_spec().
Ez a függvény az, hogy bármilyen dátumkeretet felvesz, és a fent leírt módon generálja a metaadatait.
Példaként vegyük a csomaghoz mellékelt who adatkészletet tidyr. Ez az adatkészlet a Nemzetközi Egészségügyi Szervezet által szolgáltatott információkat tartalmaz a tuberkulózis előfordulásáról.
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
Építsük fel a specifikációját.
spec <- who %>%
pivot_longer_spec(new_sp_m014:newrel_f65, values_to = "count")
mezők ország, isoxnumx, isoxnumx már változók. A mi feladatunk az oszlopok lapozása new_sp_m014 on newrel_f65.
Ezen oszlopok nevei a következő információkat tárolják:
Előtag new_ azt jelzi, hogy az oszlop az új tuberkulózisos esetek adatait tartalmazza, az aktuális dátumkeret csak az új betegségekről tartalmaz információkat, így ennek az előtagnak a jelenlegi kontextusban nincs jelentősége.
sp/rel/sp/ep egy betegség diagnosztizálásának módszerét írja le.
m/f a beteg neme.
014/1524/2535/3544/4554/65 beteg életkora.
Ezeket az oszlopokat a függvény segítségével feloszthatjuk extract()reguláris kifejezés használatával.
Végül annak érdekében, hogy az általunk létrehozott specifikációt az eredeti dátumkeretre alkalmazzuk akik érvet kell használnunk spec funkcióban 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
Mindaz, amit az imént tettünk, sematikusan a következőképpen ábrázolható:
Több értéket használó specifikáció (.value)
A fenti példában a specifikáció oszlop .érték csak egy értéket tartalmazott, a legtöbb esetben ez a helyzet.
Időnként azonban olyan helyzet adódhat, amikor adatokat kell gyűjtenie olyan oszlopokból, amelyekben különböző adattípusok vannak. Egy örökölt függvény használata spread() ezt elég nehéz lenne megtenni.
Az alábbi példa innen származik matricák a csomaghoz adattábla.
A létrehozott dátumkeret soronként egy család gyermekeinek adatait tartalmazza. A családoknak lehet egy vagy két gyermeke. Gyermekenként megadjuk a születési dátumot és a nemet, az adatok külön oszlopban szerepelnek, a mi feladatunk, hogy ezeket az adatokat a megfelelő formátumba hozzuk elemzésre.
Felhívjuk figyelmét, hogy két változónk van minden gyermekről információval: a nemük és a születési dátumuk (az oszlopok az előtaggal Keresztség születési dátumot, előtaggal ellátott oszlopokat tartalmaznak nemek tartalmazza a gyermek nemét). A várható eredmény az, hogy külön oszlopokban jelenjenek meg. Ezt megtehetjük egy olyan specifikáció generálásával, amelyben az oszlop .value két különböző jelentése lesz.
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
Tehát nézzük meg lépésről lépésre a fenti kód által végrehajtott műveleteket.
pivot_longer_spec(-family) — hozzon létre egy olyan specifikációt, amely a család oszlop kivételével az összes létező oszlopot tömöríti.
separate(col = name, into = c(".value", "child")) - osztja szét az oszlopot . Név, amely tartalmazza a forrásmezők nevét, aláhúzásjellel és a kapott értékeket az oszlopokba beírva .érték и gyermek.
mutate(child = parse_number(child)) — átalakítja a mezőértékeket gyermek szövegtől numerikus adattípusig.
Most alkalmazhatjuk a kapott specifikációt az eredeti adatkeretre, és a táblázatot a kívánt formába hozhatjuk.
Érveket használunk na.rm = TRUE, mert az adatok jelenlegi formája extra sorok létrehozását kényszeríti a nem létező megfigyelésekhez. Mert a 2-es családnak csak egy gyermeke van, na.rm = TRUE garantálja, hogy a 2. családnak egy sora lesz a kimenetben.
Dátumkeretek átalakítása hosszúról széles formátumra
pivot_wider() - az inverz transzformáció, és fordítva a sorok számának csökkentésével növeli a dátumkeret oszlopainak számát.
Ezt a fajta átalakítást rendkívül ritkán alkalmazzák az adatok pontos formába hozására, azonban ez a technika hasznos lehet prezentációkban használt pivot táblák létrehozásához, vagy más eszközökkel való integrációhoz.
Valójában a funkciókat pivot_longer() и pivot_wider() szimmetrikusak, és egymáshoz képest fordított cselekvéseket hoznak létre, azaz: df %>% pivot_longer(spec = spec) %>% pivot_wider(spec = spec) и df %>% pivot_wider(spec = spec) %>% pivot_longer(spec = spec) visszaadja az eredeti df-et.
A legegyszerűbb példa egy táblázat széles formátumba konvertálására
A funkció működésének bemutatása pivot_wider() az adatkészletet fogjuk használni hal_találkozások, amely információkat tárol arról, hogy a különböző állomások hogyan rögzítik a halak folyó menti mozgását.
#> # 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
A legtöbb esetben ez a táblázat informatívabb és könnyebben használható, ha az egyes állomásokra vonatkozó információkat külön oszlopban jeleníti meg.
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>
Ez az adatkészlet csak akkor rögzít információkat, ha az állomás halat észlelt, pl. Ha valamelyik állomás nem rögzített egy halat, akkor ezek az adatok nem fognak szerepelni a táblázatban. Ez azt jelenti, hogy a kimenet tele lesz NA-val.
Ebben az esetben azonban tudjuk, hogy a rekord hiánya azt jelenti, hogy a halat nem látták, így használhatjuk az érvelést értékek_kitöltése funkcióban pivot_wider() és töltse ki a hiányzó értékeket nullákkal:
Képzelje el, hogy van egy táblázatunk, amely a termék, ország és év kombinációját tartalmazza. Tesztdátumkeret létrehozásához futtassa a következő kódot:
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
Feladatunk az adatkeret kibővítése úgy, hogy egy-egy oszlop tartalmazza a termék- és országkombinációra vonatkozó adatokat. Ehhez csak adja át az érvet nevek_tól az összevonandó mezők nevét tartalmazó vektor.
Specifikációkat is alkalmazhat egy függvényre pivot_wider(). De amikor alávetik pivot_wider() a specifikáció az ellenkező átalakítást hajtja végre pivot_longer(): A megadott oszlopok . Név, innen származó értékeket használva .érték és egyéb oszlopok.
Ehhez az adatkészlethez egyéni specifikációt hozhat létre, ha azt szeretné, hogy minden lehetséges ország- és termékkombinációnak legyen saját oszlopa, ne csak az adatokban szereplőknek:
#> # 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
Számos fejlett példa az új tidyr koncepcióval való munkavégzésre
Adatok törlése az Egyesült Államok népszámlálási bevételei és bérleti díjai adatkészletének példáján.
Adatkészlet us_bérleti_jövedelem mediánjövedelemre és bérleti díjra vonatkozó információkat tartalmaz az Egyesült Államok minden államára vonatkozóan 2017-ben (az adatkészlet a csomagban elérhető tidycensus).
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
Abban a formában, ahogyan az adatokat az adatkészletben tárolják us_bérleti_jövedelem a velük való munka rendkívül kényelmetlen, ezért szeretnénk létrehozni egy oszlopos adathalmazt: bérlés, rent_moe, hogyan, jövedelem_pénz. Számos módja van ennek a specifikációnak a létrehozására, de a lényeg az, hogy létre kell hoznunk a változóértékek és a változóértékek minden kombinációját. becslés/moemajd generálja az oszlop nevét.
Néha egy adathalmaz kívánt formába hozása több lépést igényel.
Adatkészlet world_bank_pop Világbanki adatokat tartalmaz az egyes országok 2000 és 2018 közötti népességéről.
Célunk egy tiszta adathalmaz létrehozása, amelyben minden változó a saját oszlopában található. Nem világos, hogy pontosan milyen lépésekre van szükség, de kezdjük a legnyilvánvalóbb problémával: az évszám több oszlopra oszlik.
Ennek kijavításához a funkciót kell használni pivot_longer().
A következő lépés az indikátorváltozó megtekintése. 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
Ahol SP.POP.GROW a népességnövekedés, SP.POP.TOTL a teljes népesség, és SP.URB. * ugyanaz, de csak városi területekre. Osszuk ezeket az értékeket két változóra: terület - terület (teljes vagy városi) és egy tényleges adatokat tartalmazó változó (népesség vagy növekedés):
Ennek a listának a táblázatba foglalása meglehetősen nehéz, mert nincs olyan változó, amely azonosítaná, hogy melyik kapcsolathoz melyik adat tartozik. Ezt úgy javíthatjuk, hogy megjegyezzük, hogy minden új kapcsolattartó adata "névvel" kezdődik, így létrehozhatunk egy egyedi azonosítót, és minden alkalommal növelhetjük azt eggyel, amikor a mezőoszlop a "name" értéket tartalmazza:
#> # 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
Most, hogy minden kapcsolathoz egyedi azonosítóval rendelkezünk, a mezőt és az értéket oszlopokká alakíthatjuk:
#> # 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>
Következtetés
Személyes véleményem az, hogy az új koncepció tidyr valóban intuitívabb, és funkcionalitásában jelentősen felülmúlja a régi funkciókat spread() и gather(). Remélem, ez a cikk segített megbirkózni pivot_longer() и pivot_wider().