ໂດຍການຊອກຫາ R ຫຼື Python ໃນອິນເຕີເນັດ, ທ່ານຈະພົບເຫັນຫລາຍລ້ານບົດຄວາມແລະກິໂລແມັດຂອງການສົນທະນາກ່ຽວກັບຫົວຂໍ້ວ່າອັນໃດດີກວ່າ, ໄວກວ່າແລະສະດວກກວ່າສໍາລັບການເຮັດວຽກກັບຂໍ້ມູນ. ແຕ່ຫນ້າເສຍດາຍ, ບົດຄວາມແລະການຂັດແຍ້ງທັງຫມົດເຫຼົ່ານີ້ບໍ່ມີປະໂຫຍດໂດຍສະເພາະ.

ຈຸດປະສົງຂອງບົດຄວາມນີ້ແມ່ນເພື່ອປຽບທຽບເຕັກນິກການປະມວນຜົນຂໍ້ມູນພື້ນຖານໃນຊຸດທີ່ນິຍົມທີ່ສຸດຂອງທັງສອງພາສາ. ແລະ​ຊ່ວຍ​ໃຫ້​ຜູ້​ອ່ານ​ຮູ້​ບາງ​ສິ່ງ​ທີ່​ເຂົາ​ເຈົ້າ​ຍັງ​ບໍ່​ທັນ​ຮູ້​ໄດ້​ໄວ. ສໍາລັບຜູ້ທີ່ຂຽນໃນ Python, ຊອກຫາວິທີເຮັດສິ່ງດຽວກັນໃນ R, ແລະໃນທາງກັບກັນ.

ໃນລະຫວ່າງບົດຄວາມພວກເຮົາຈະວິເຄາະ syntax ຂອງຊຸດທີ່ນິຍົມທີ່ສຸດໃນ R. ເຫຼົ່ານີ້ແມ່ນຊຸດທີ່ລວມຢູ່ໃນຫ້ອງສະຫມຸດ. tidyverseແລະຍັງຊຸດ data.table. ແລະປຽບທຽບ syntax ຂອງເຂົາເຈົ້າກັບ pandas, ຊຸດການວິເຄາະຂໍ້ມູນທີ່ນິຍົມທີ່ສຸດໃນ Python.

ພວກເຮົາຈະໄປເທື່ອລະກ້າວຜ່ານເສັ້ນທາງທັງຫມົດຂອງການວິເຄາະຂໍ້ມູນຈາກການໂຫຼດມັນໄປສູ່ການປະຕິບັດຫນ້າຕ່າງການວິເຄາະໂດຍໃຊ້ Python ແລະ R.

ເນື້ອໃນ

ບົດຄວາມນີ້ສາມາດຖືກນໍາໃຊ້ເປັນແຜ່ນ cheat ຖ້າຫາກວ່າທ່ານໄດ້ລືມວິທີການປະຕິບັດການປະມວນຜົນຂໍ້ມູນຈໍານວນຫນຶ່ງໃນຫນຶ່ງຂອງຊຸດທີ່ກໍາລັງພິຈາລະນາ.

1. ຄວາມແຕກຕ່າງລະຫວ່າງ syntax ຕົ້ນຕໍລະຫວ່າງ R ແລະ Python
   1.1​. ການ​ເຂົ້າ​ເຖິງ​ຫນ້າ​ທີ່ Package​
   1.2​. ການມອບໝາຍ
   1.3​. ດັດສະນີ
   1.4​. ວິທີການແລະ OOP
   1.5​. ທໍ່
   1.6​. ໂຄງສ້າງຂໍ້ມູນ
2. ສອງສາມຄໍາກ່ຽວກັບຊຸດທີ່ພວກເຮົາຈະໃຊ້
   2.1​. ເປັນລະບຽບຮຽບຮ້ອຍ
   2.2​. ຕາຕະລາງ
   2.3​. ໝີ ແພນດາ
3. ການຕິດຕັ້ງແພັກເກດ
4. ກຳລັງໂຫຼດຂໍ້ມູນ
5. ການສ້າງກອບຂໍ້ມູນ
6. ການເລືອກຖັນທີ່ທ່ານຕ້ອງການ
7. ການກັ່ນຕອງແຖວ
8. ການຈັດກຸ່ມແລະການລວບລວມ
9. ສະ​ຫະ​ພາບ​ຕັ້ງ​ຂອງ​ຕາ​ຕະ​ລາງ (UNION​)
10. ການລວມຕາຕະລາງຕາມລວງນອນ (ເຂົ້າຮ່ວມ)
11. ຫນ້າທີ່ພື້ນຖານຂອງປ່ອງຢ້ຽມແລະຖັນທີ່ຄິດໄລ່
12. ຕາຕະລາງການຕິດຕໍ່ລະຫວ່າງວິທີການປະມວນຜົນຂໍ້ມູນໃນ R ແລະ Python
13. ສະຫລຸບ
14. ແບບສຳຫຼວດສັ້ນໆກ່ຽວກັບຊຸດໃດທີ່ທ່ານໃຊ້

ຖ້າທ່ານສົນໃຈໃນການວິເຄາະຂໍ້ມູນ, ທ່ານອາດຈະຊອກຫາຂອງຂ້ອຍ telegram и youtube ຊ່ອງ. ສ່ວນໃຫຍ່ຂອງເນື້ອຫາແມ່ນອຸທິດຕົນເພື່ອພາສາ R.

ຄວາມແຕກຕ່າງລະຫວ່າງ syntax ຕົ້ນຕໍລະຫວ່າງ R ແລະ Python

ເພື່ອເຮັດໃຫ້ມັນງ່າຍຂຶ້ນສໍາລັບທ່ານທີ່ຈະປ່ຽນຈາກ Python ເປັນ R, ຫຼືໃນທາງກັບກັນ, ຂ້າພະເຈົ້າຈະໃຫ້ບາງຈຸດຕົ້ນຕໍທີ່ທ່ານຈໍາເປັນຕ້ອງເອົາໃຈໃສ່.

ການ​ເຂົ້າ​ເຖິງ​ຫນ້າ​ທີ່ Package​

ເມື່ອແພັກເກັດຖືກໂຫລດເຂົ້າໄປໃນ R, ທ່ານບໍ່ຈໍາເປັນຕ້ອງລະບຸຊື່ແພັກເກັດເພື່ອເຂົ້າເຖິງຫນ້າທີ່ຂອງມັນ. ໃນກໍລະນີຫຼາຍທີ່ສຸດ, ນີ້ບໍ່ແມ່ນທົ່ວໄປໃນ R, ແຕ່ວ່າມັນເປັນທີ່ຍອມຮັບ. ທ່ານບໍ່ຈໍາເປັນຕ້ອງນໍາເຂົ້າຊຸດໃດໆຖ້າທ່ານຕ້ອງການຫນຶ່ງໃນຫນ້າທີ່ຂອງມັນຢູ່ໃນລະຫັດຂອງທ່ານ, ແຕ່ພຽງແຕ່ໂທຫາມັນໂດຍການລະບຸຊື່ຂອງຊຸດແລະຊື່ຂອງຫນ້າທີ່. ຕົວແຍກລະຫວ່າງແພັກເກັດ ແລະຊື່ຟັງຊັນໃນ R ແມ່ນຈໍ້າສອງເມັດ. package_name::function_name().

ໃນ Python, ໃນທາງກົງກັນຂ້າມ, ມັນຖືວ່າເປັນຄລາສສິກທີ່ຈະໂທຫາຫນ້າທີ່ຂອງຊຸດໂດຍການລະບຸຊື່ຂອງມັນຢ່າງຊັດເຈນ. ເມື່ອແພັກເກັດຖືກດາວໂຫຼດແລ້ວ, ມັນມັກຈະມີຊື່ຫຍໍ້, ເຊັ່ນ:. pandas ປົກກະຕິແລ້ວແມ່ນໃຊ້ນາມສະກຸນ pd. ຟັງຊັນແພັກເກັດຖືກເຂົ້າເຖິງຜ່ານຈຸດ package_name.function_name().

ການມອບໝາຍ

ໃນ R, ມັນເປັນເລື່ອງທໍາມະດາທີ່ຈະໃຊ້ລູກສອນເພື່ອກໍານົດຄ່າໃຫ້ກັບວັດຖຸ. obj_name <- value, ເຖິງແມ່ນວ່າເຄື່ອງຫມາຍເທົ່າກັບດຽວໄດ້ຖືກອະນຸຍາດໃຫ້, ເຄື່ອງຫມາຍດຽວເທົ່າກັບ R ຖືກນໍາໃຊ້ຕົ້ນຕໍເພື່ອສົ່ງຄ່າໄປຫາ arguments.

ໃນ Python, ການມອບໝາຍແມ່ນເຮັດສະເພາະດ້ວຍເຄື່ອງໝາຍເທົ່າທຽມ obj_name = value.

ດັດສະນີ

ມັນຍັງມີຄວາມແຕກຕ່າງທີ່ຂ້ອນຂ້າງຢູ່ທີ່ນີ້. ໃນ R, ດັດສະນີເລີ່ມຕົ້ນທີ່ຫນຶ່ງແລະປະກອບມີອົງປະກອບທີ່ລະບຸໄວ້ທັງຫມົດໃນລະດັບຜົນໄດ້ຮັບ,

ໃນ Python, ການສ້າງດັດສະນີເລີ່ມຕົ້ນຈາກສູນແລະຊ່ວງທີ່ເລືອກບໍ່ລວມເອົາອົງປະກອບສຸດທ້າຍທີ່ລະບຸໄວ້ໃນດັດຊະນີ. ດັ່ງນັ້ນການອອກແບບ x[i:j] ໃນ Python ຈະບໍ່ລວມເອົາອົງປະກອບ j.

ຍັງມີຄວາມແຕກຕ່າງໃນການດັດສະນີທາງລົບ, ໃນ R notation x[-1] ຈະສົ່ງຄືນອົງປະກອບທັງໝົດຂອງ vector ຍົກເວັ້ນອັນສຸດທ້າຍ. ໃນ Python, ຫມາຍເຫດທີ່ຄ້າຍຄືກັນຈະສົ່ງຄືນພຽງແຕ່ອົງປະກອບສຸດທ້າຍ.

ວິທີການແລະ OOP

R ປະຕິບັດ OOP ໃນວິທີການຂອງຕົນເອງ, ຂ້າພະເຈົ້າໄດ້ຂຽນກ່ຽວກັບເລື່ອງນີ້ໃນບົດຄວາມ "OOP ໃນພາສາ R (ສ່ວນ 1): ຫ້ອງຮຽນ S3". ໂດຍທົ່ວໄປ, R ແມ່ນພາສາທີ່ໃຊ້ໄດ້, ແລະທຸກສິ່ງທຸກຢ່າງຢູ່ໃນມັນຖືກສ້າງຂຶ້ນໃນຫນ້າທີ່. ດັ່ງນັ້ນ, ສໍາລັບການຍົກຕົວຢ່າງ, ສໍາລັບຜູ້ໃຊ້ Excel, ໄປ tydiverse ມັນຈະງ່າຍກວ່າ pandas. ເຖິງແມ່ນວ່ານີ້ອາດຈະເປັນຄວາມຄິດເຫັນຂອງຂ້ອຍ.

ໃນສັ້ນ, ວັດຖຸໃນ R ບໍ່ມີວິທີການ (ຖ້າພວກເຮົາເວົ້າກ່ຽວກັບຫ້ອງຮຽນ S3, ແຕ່ມີການປະຕິບັດ OOP ອື່ນໆທີ່ມີຫນ້ອຍຫຼາຍ). ມີພຽງແຕ່ຟັງຊັນທົ່ວໄປທີ່ປະມວນຜົນພວກມັນແຕກຕ່າງກັນໂດຍອີງຕາມຊັ້ນຂອງວັດຖຸ.

ທໍ່

ບາງທີນີ້ແມ່ນຊື່ສໍາລັບ pandas ມັນຈະບໍ່ຖືກຕ້ອງທັງຫມົດ, ແຕ່ຂ້ອຍຈະພະຍາຍາມອະທິບາຍຄວາມຫມາຍ.

ເພື່ອບໍ່ໃຫ້ປະຫຍັດການຄິດໄລ່ລະດັບກາງແລະບໍ່ຜະລິດວັດຖຸທີ່ບໍ່ຈໍາເປັນໃນສະພາບແວດລ້ອມການເຮັດວຽກ, ທ່ານສາມາດນໍາໃຊ້ປະເພດຂອງທໍ່. ເຫຼົ່ານັ້ນ. ຜ່ານຜົນຂອງການຄິດໄລ່ຈາກຟັງຊັນຫນຶ່ງໄປຫາຫນ້າຕໍ່ໄປ, ແລະບໍ່ບັນທຶກຜົນໄດ້ຮັບລະດັບກາງ.

ໃຫ້ເອົາຕົວຢ່າງລະຫັດຕໍ່ໄປນີ້, ບ່ອນທີ່ພວກເຮົາເກັບຮັກສາການຄິດໄລ່ລະດັບປານກາງໃນວັດຖຸແຍກຕ່າງຫາກ:

temp_object <- func1()
temp_object2 <- func2(temp_object )
obj <- func3(temp_object2 )

ພວກເຮົາໄດ້ປະຕິບັດ 3 ການດໍາເນີນງານຕາມລໍາດັບ, ແລະຜົນໄດ້ຮັບຂອງແຕ່ລະຄົນໄດ້ຖືກບັນທຶກໄວ້ໃນວັດຖຸແຍກຕ່າງຫາກ. ແຕ່ຄວາມຈິງແລ້ວ, ພວກເຮົາບໍ່ຕ້ອງການວັດຖຸລະດັບປານກາງເຫຼົ່ານີ້.

ຫຼືຮ້າຍແຮງກວ່າເກົ່າ, ແຕ່ຄຸ້ນເຄີຍກັບຜູ້ໃຊ້ Excel.

obj  <- func3(func2(func1()))

ໃນກໍລະນີນີ້, ພວກເຮົາບໍ່ໄດ້ບັນທຶກຜົນການຄິດໄລ່ລະດັບປານກາງ, ແຕ່ການອ່ານລະຫັດທີ່ມີຫນ້າທີ່ຊ້ອນກັນແມ່ນບໍ່ສະດວກທີ່ສຸດ.

ພວກເຮົາຈະເບິ່ງວິທີການຈໍານວນຫນຶ່ງຂອງການປຸງແຕ່ງຂໍ້ມູນໃນ R, ແລະພວກເຂົາປະຕິບັດການດໍາເນີນການທີ່ຄ້າຍຄືກັນໃນວິທີຕ່າງໆ.

ທໍ່ໃນຫ້ອງສະຫມຸດ tidyverse ປະຕິບັດໂດຍຜູ້ປະກອບການ %>%.

obj <- func1() %>% 
            func2() %>%
            func3()

ດັ່ງນັ້ນພວກເຮົາເອົາຜົນໄດ້ຮັບຂອງການເຮັດວຽກ func1() ແລະຜ່ານມັນເປັນການໂຕ້ຖຽງທໍາອິດ func2(), ຫຼັງຈາກນັ້ນພວກເຮົາຜ່ານຜົນຂອງການຄິດໄລ່ນີ້ເປັນການໂຕ້ຖຽງທໍາອິດ func3(). ແລະໃນທີ່ສຸດ, ພວກເຮົາຂຽນການຄິດໄລ່ທັງຫມົດທີ່ປະຕິບັດເຂົ້າໄປໃນວັດຖຸ obj <-.

ທັງຫມົດຂ້າງເທິງນີ້ແມ່ນສະແດງໃຫ້ເຫັນດີກວ່າຄໍາເວົ້າໂດຍ meme ນີ້:

В data.table ຕ່ອງໂສ້ຖືກໃຊ້ໃນທາງທີ່ຄ້າຍຄືກັນ.

newDT <- DT[where, select|update|do, by][where, select|update|do, by][where, select|update|do, by]

ໃນແຕ່ລະວົງເລັບສີ່ຫລ່ຽມທີ່ທ່ານສາມາດນໍາໃຊ້ຜົນໄດ້ຮັບຂອງການດໍາເນີນງານທີ່ຜ່ານມາ.

В pandas ການປະຕິບັດງານດັ່ງກ່າວຖືກແຍກອອກໂດຍຈຸດ.

obj = df.fun1().fun2().fun3()

ເຫຼົ່ານັ້ນ. ພວກເຮົາເອົາຕາຕະລາງຂອງພວກເຮົາ df ແລະໃຊ້ວິທີການຂອງນາງ fun1(), ຫຼັງຈາກນັ້ນພວກເຮົານໍາໃຊ້ວິທີການກັບຜົນໄດ້ຮັບທີ່ໄດ້ຮັບ fun2()ຫລັງຈາກ fun3(). ຜົນໄດ້ຮັບທີ່ຖືກບັນທຶກໄວ້ໃນວັດຖຸ ວັດຖຸ .

ໂຄງສ້າງຂໍ້ມູນ

ໂຄງສ້າງຂໍ້ມູນໃນ R ແລະ Python ແມ່ນຄ້າຍຄືກັນ, ແຕ່ມີຊື່ທີ່ແຕກຕ່າງກັນ.

ລາຍ​ລະ​ອຽດ
ຊື່ໃນ R
ຊື່ໃນ Python/pandas

ໂຄງສ້າງຕາຕະລາງ
data.frame, data.table, tibble
DataFrame

ລາຍການໜຶ່ງມິຕິລະດັບຂອງຄ່າ
ແວ່ນ
ຊຸດໃນ pandas ຫຼືລາຍຊື່ໃນ Python ບໍລິສຸດ

ໂຄງສ້າງທີ່ບໍ່ແມ່ນຕາຕະລາງຫຼາຍລະດັບ
ລາຍການ
ວັດຈະນານຸກົມ

ພວກເຮົາຈະເບິ່ງບາງລັກສະນະອື່ນໆແລະຄວາມແຕກຕ່າງໃນ syntax ຂ້າງລຸ່ມນີ້.

ສອງສາມຄໍາກ່ຽວກັບຊຸດທີ່ພວກເຮົາຈະໃຊ້

ກ່ອນອື່ນ ໝົດ, ຂ້ອຍຈະບອກເຈົ້າເລັກນ້ອຍກ່ຽວກັບຊຸດທີ່ເຈົ້າຈະຄຸ້ນເຄີຍກັບໃນບົດຄວາມນີ້.

ເປັນລະບຽບຮຽບຮ້ອຍ

ເວັບໄຊທ໌ທາງການ: tidyverse.org

ຫ້ອງສະຫມຸດ tidyverse ຂຽນໂດຍ Hedley Wickham, ນັກຄົ້ນຄວ້າອາວຸໂສຂອງ RStudio. tidyverse ປະ​ກອບ​ດ້ວຍ​ຊຸດ​ທີ່​ປະ​ທັບ​ໃຈ​ທີ່​ເຮັດ​ໃຫ້​ການ​ປຸງ​ແຕ່ງ​ຂໍ້​ມູນ​ງ່າຍ​ດາຍ​, 5 ໃນ​ນັ້ນ​ແມ່ນ​ລວມ​ຢູ່​ໃນ 10 ການ​ດາວ​ໂຫຼດ​ອັນ​ດັບ​ຕົ້ນ​ຈາກ repository CRAN​.

ຫຼັກ​ຂອງ​ຫ້ອງ​ສະ​ຫມຸດ​ປະ​ກອບ​ດ້ວຍ​ຊຸດ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​: ggplot2, dplyr, tidyr, readr, purrr, tibble, stringr, forcats. ແຕ່ລະຊຸດເຫຼົ່ານີ້ແມ່ນແນໃສ່ແກ້ໄຂບັນຫາສະເພາະ. ຍົກ​ຕົວ​ຢ່າງ dplyr ສ້າງ​ສໍາ​ລັບ​ການ​ຈັດ​ການ​ຂໍ້​ມູນ​, tidyr ການ​ນໍາ​ເອົາ​ຂໍ້​ມູນ​ໄປ​ເປັນ​ຮູບ​ແບບ​ທີ່​ລະ​ອຽດ​, stringr ງ່າຍ​ໃນ​ການ​ເຮັດ​ວຽກ​ຮ່ວມ​ກັບ​ຊ່ອຍ​ແນ່​, ແລະ​ ggplot2 ແມ່ນຫນຶ່ງໃນເຄື່ອງມືການເບິ່ງເຫັນຂໍ້ມູນທີ່ນິຍົມຫຼາຍທີ່ສຸດ.

ປະໂຫຍດ tidyverse ແມ່ນ syntax ທີ່ງ່າຍດາຍແລະງ່າຍຕໍ່ການອ່ານ, ເຊິ່ງຢູ່ໃນຫຼາຍວິທີທີ່ຄ້າຍຄືກັນກັບພາສາ SQL query.

ຕາຕະລາງ

ເວັບໄຊທ໌ທາງການ: r-datatable.com

ໂດຍຜູ້ຂຽນ data.table ແມ່ນ Matt Dole ຂອງ H2O.ai.

ການ​ປ່ອຍ​ຕົວ​ຄັ້ງ​ທໍາ​ອິດ​ຂອງ​ຫ້ອງ​ສະ​ຫມຸດ​ໄດ້​ເກີດ​ຂຶ້ນ​ໃນ​ປີ 2006​.

syntax ຂອງແພັກເກັດແມ່ນບໍ່ສະດວກຄືກັບໃນ tidyverse ແລະມີ reminiscent ຫຼາຍຂອງ dataframes ຄລາສສິກໃນ R, ແຕ່ໃນເວລາດຽວກັນການຂະຫຍາຍຕົວຢ່າງຫຼວງຫຼາຍໃນການເຮັດວຽກ.

ການຫມູນໃຊ້ທັງໝົດກັບຕາຕະລາງໃນຊຸດນີ້ແມ່ນຖືກອະທິບາຍໄວ້ໃນວົງເລັບສີ່ຫຼ່ຽມ, ແລະຖ້າທ່ານແປ syntax. data.table ໃນ SQL, ທ່ານໄດ້ຮັບບາງສິ່ງບາງຢ່າງເຊັ່ນນີ້: data.table[ WHERE, SELECT, GROUP BY ]

ຄວາມເຂັ້ມແຂງຂອງຊຸດນີ້ແມ່ນຄວາມໄວໃນການປະມວນຜົນຂໍ້ມູນຈໍານວນຫລາຍ.

ໝີ ແພນດາ

ເວັບໄຊທ໌ທາງການ: pandas.pydata.org

ຊື່ຂອງຫ້ອງສະຫມຸດມາຈາກຄໍາເສດຖະສາດ "ຂໍ້ມູນກະດານ", ໃຊ້ເພື່ອອະທິບາຍຊຸດຂໍ້ມູນທີ່ມີໂຄງສ້າງຫຼາຍມິຕິ.

ໂດຍຜູ້ຂຽນ pandas ແມ່ນຊາວອາເມລິກາ Wes McKinney.

ໃນເວລາທີ່ມັນມາກັບການວິເຄາະຂໍ້ມູນໃນ Python, ເທົ່າທຽມກັນ pandas ບໍ່. ແພັກເກັດທີ່ມີລະດັບສູງຫຼາຍປະການຫຼາຍອັນທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດປະຕິບັດການຫມູນໃຊ້ກັບຂໍ້ມູນ, ຈາກການໂຫຼດຂໍ້ມູນຈາກແຫຼ່ງໃດນຶ່ງໄປຫາການເບິ່ງເຫັນມັນ.

ການຕິດຕັ້ງແພັກເກດເພີ່ມເຕີມ

ຊຸດທີ່ສົນທະນາໃນບົດຄວາມນີ້ບໍ່ໄດ້ລວມຢູ່ໃນການແຈກຢາຍ R ແລະ Python ພື້ນຖານ. ເຖິງແມ່ນວ່າມີຄໍາເຕືອນຂະຫນາດນ້ອຍ, ຖ້າທ່ານຕິດຕັ້ງການແຈກຢາຍ Anaconda, ຫຼັງຈາກນັ້ນໃຫ້ຕິດຕັ້ງເພີ່ມເຕີມ pandas ແມ່ນບໍ່ຈໍາເປັນຕ້ອງ.

ການຕິດຕັ້ງແພັກເກດໃນ R

ຖ້າທ່ານໄດ້ເປີດສະພາບແວດລ້ອມການພັດທະນາ RStudio ຢ່າງຫນ້ອຍຫນຶ່ງຄັ້ງ, ທ່ານອາດຈະຮູ້ວິທີການຕິດຕັ້ງຊຸດທີ່ກໍານົດໄວ້ໃນ R. ເພື່ອຕິດຕັ້ງແພັກເກັດ, ໃຫ້ໃຊ້ຄໍາສັ່ງມາດຕະຖານ. install.packages() ໂດຍດໍາເນີນການໂດຍກົງໃນ R ຕົວຂອງມັນເອງ.

# установка пакетов
install.packages("vroom")
install.packages("readr")
install.packages("dplyr")
install.packages("data.table")

ຫຼັງຈາກການຕິດຕັ້ງ, ການຫຸ້ມຫໍ່ຈໍາເປັນຕ້ອງເຊື່ອມຕໍ່, ເຊິ່ງໃນກໍລະນີຫຼາຍທີ່ສຸດ, ຄໍາສັ່ງຖືກນໍາໃຊ້ library().

# подключение или импорт пакетов в рабочее окружение
library(vroom)
library(readr)
library(dplyr)
library(data.table)

ການຕິດຕັ້ງແພັກເກດໃນ Python

ດັ່ງນັ້ນ, ຖ້າທ່ານມີ Python ບໍລິສຸດຕິດຕັ້ງ, ຫຼັງຈາກນັ້ນ pandas ທ່ານຈໍາເປັນຕ້ອງຕິດຕັ້ງມັນດ້ວຍຕົນເອງ. ເປີດເສັ້ນຄໍາສັ່ງ, ຫຼື terminal, ຂຶ້ນກັບລະບົບປະຕິບັດການຂອງທ່ານແລະໃສ່ຄໍາສັ່ງຕໍ່ໄປນີ້.

pip install pandas

ຫຼັງຈາກນັ້ນ, ພວກເຮົາກັບຄືນໄປຫາ Python ແລະນໍາເຂົ້າຊຸດທີ່ຕິດຕັ້ງດ້ວຍຄໍາສັ່ງ import.

import pandas as pd

ກຳລັງໂຫຼດຂໍ້ມູນ

ການຂຸດຄົ້ນຂໍ້ມູນແມ່ນຫນຶ່ງໃນຂັ້ນຕອນທີ່ສໍາຄັນທີ່ສຸດໃນການວິເຄາະຂໍ້ມູນ. ທັງ Python ແລະ R, ຖ້າຕ້ອງການ, ໃຫ້ທ່ານມີໂອກາດຢ່າງກວ້າງຂວາງທີ່ຈະໄດ້ຮັບຂໍ້ມູນຈາກແຫຼ່ງຕ່າງໆ: ໄຟລ໌ທ້ອງຖິ່ນ, ໄຟລ໌ຈາກອິນເຕີເນັດ, ເວັບໄຊທ໌, ທຸກປະເພດຂອງຖານຂໍ້ມູນ.

ຕະຫຼອດບົດຄວາມພວກເຮົາຈະນໍາໃຊ້ຊຸດຂໍ້ມູນຈໍານວນຫນຶ່ງ:

1. ສອງດາວໂຫຼດຈາກ Google Analytics.
2. ຊຸດຂໍ້ມູນຜູ້ໂດຍສານ Titanic.

ຂໍ້ມູນທັງຫມົດແມ່ນຢູ່ໃນຂອງຂ້ອຍ GitHub ໃນຮູບແບບຂອງໄຟລ໌ csv ແລະ tsv. ພວກເຮົາຈະຮ້ອງຂໍໃຫ້ເຂົາເຈົ້າມາຈາກໃສ?

ການໂຫຼດຂໍ້ມູນເຂົ້າໄປໃນ R: tidyverse, vroom, readr

ເພື່ອໂຫລດຂໍ້ມູນເຂົ້າໄປໃນຫ້ອງສະຫມຸດ tidyverse ມີສອງຊຸດ: vroom, readr. vroom ທັນສະໄຫມຫຼາຍ, ແຕ່ໃນອະນາຄົດການຫຸ້ມຫໍ່ອາດຈະຖືກລວມເຂົ້າກັນ.

ອ້າງອີງຈາກ ເອກະສານທາງການ vroom.

vroom ທຽບກັບຜູ້ອ່ານ
ການປ່ອຍຕົວຂອງ vroom ຫມາຍຄວາມວ່າສໍາລັບ readr? ສໍາລັບໃນປັດຈຸບັນ, ພວກເຮົາວາງແຜນທີ່ຈະໃຫ້ທັງສອງຊຸດພັດທະນາແຍກຕ່າງຫາກ, ແຕ່ເບິ່ງຄືວ່າພວກເຮົາຈະລວມເອົາຊຸດດັ່ງກ່າວໃນອະນາຄົດ. ຂໍ້ເສຍໜຶ່ງຂອງການອ່ານທີ່ຂີ້ຄ້ານຂອງ vroom ແມ່ນບັນຫາຂໍ້ມູນບາງຢ່າງທີ່ບໍ່ສາມາດລາຍງານໄດ້ກ່ອນໜ້າ, ສະນັ້ນວິທີທີ່ດີທີ່ສຸດທີ່ຈະຮວມພວກມັນໄດ້ຕ້ອງຄິດບາງອັນ.

vroom vs readr
ການປ່ອຍຕົວຫມາຍຄວາມວ່າແນວໃດ? vroom ການ readr? ໃນເວລານີ້, ພວກເຮົາວາງແຜນທີ່ຈະພັດທະນາແພັກເກັດທັງສອງແຍກຕ່າງຫາກ, ແຕ່ພວກເຮົາອາດຈະລວມພວກມັນໃນອະນາຄົດ. ຫນຶ່ງໃນຂໍ້ເສຍຂອງການອ່ານ lazy vroom ແມ່ນວ່າບາງບັນຫາກັບຂໍ້ມູນບໍ່ສາມາດລາຍງານລ່ວງຫນ້າໄດ້, ດັ່ງນັ້ນທ່ານຈໍາເປັນຕ້ອງຄິດກ່ຽວກັບວິທີທີ່ດີທີ່ສຸດທີ່ຈະສົມທົບພວກມັນ.

ໃນບົດຄວາມນີ້ພວກເຮົາຈະເບິ່ງທັງສອງຊຸດການໂຫຼດຂໍ້ມູນ:

ກຳລັງໂຫຼດຂໍ້ມູນໃສ່ຊຸດ R: vroom

# install.packages("vroom")
library(vroom)

# Чтение данных
## vroom
ga_nov  <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

ກຳລັງໂຫຼດຂໍ້ມູນໃສ່ R: readr

# install.packages("readr")
library(readr)

# Чтение данных
## readr
ga_nov  <- read_tsv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- read_tsv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

ໃນຊຸດ vroom, ໂດຍບໍ່ຄໍານຶງເຖິງຮູບແບບຂໍ້ມູນ csv / tsv, ການໂຫຼດແມ່ນດໍາເນີນໂດຍຫນ້າທີ່ຂອງຊື່ດຽວກັນ. vroom(), ໃນຊຸດ readr ພວກເຮົາໃຊ້ຟັງຊັນທີ່ແຕກຕ່າງກັນສໍາລັບແຕ່ລະຮູບແບບ read_tsv() и read_csv().

ກຳລັງໂຫຼດຂໍ້ມູນໃສ່ R: data.table

В data.table ມີຫນ້າທີ່ສໍາລັບການໂຫຼດຂໍ້ມູນ fread().

ກຳລັງໂຫຼດຂໍ້ມູນໃສ່ຊຸດ R: data.table

# install.packages("data.table")
library(data.table)

## data.table
ga_nov  <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

ກຳລັງໂຫຼດຂໍ້ມູນໃນ Python: pandas

ຖ້າພວກເຮົາປຽບທຽບກັບຊຸດ R, ຫຼັງຈາກນັ້ນໃນກໍລະນີນີ້ syntax ແມ່ນຢູ່ໃກ້ທີ່ສຸດ pandas ຈະ readr, ເນື່ອງຈາກວ່າ pandas ສາມາດຮ້ອງຂໍຂໍ້ມູນຈາກທຸກບ່ອນ, ແລະມີຫນ້າທີ່ທັງຫມົດໃນຊຸດນີ້ read_*().

• read_csv()
• read_excel()
• read_sql()
• read_json()
• read_html()

ແລະຟັງຊັນອື່ນໆຈໍານວນຫຼາຍທີ່ຖືກອອກແບບມາເພື່ອອ່ານຂໍ້ມູນຈາກຮູບແບບຕ່າງໆ. ແຕ່ສໍາລັບຈຸດປະສົງຂອງພວກເຮົາມັນພຽງພໍ read_table() ຫຼື read_csv() ການນໍາໃຊ້ການໂຕ້ຖຽງ Sep ເພື່ອລະບຸຕົວແຍກຖັນ.

ກຳລັງໂຫຼດຂໍ້ມູນໃນ Python: pandas

import pandas as pd

ga_nov  = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/ga_nowember.csv", sep = "t")
ga_dec  = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/ga_december.csv", sep = "t")
titanic = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/titanic.csv")

ການສ້າງກອບຂໍ້ມູນ

ໂຕະ ກໍາປັ່ນ Titanic, ທີ່ພວກເຮົາໂຫລດ, ມີພາກສະຫນາມ ເພດ, ເຊິ່ງເກັບຮັກສາຕົວລະບຸເພດຂອງຜູ້ໂດຍສານ.

ແຕ່ສໍາລັບການນໍາສະເຫນີຂໍ້ມູນທີ່ສະດວກກວ່າໃນແງ່ຂອງເພດຂອງຜູ້ໂດຍສານ, ທ່ານຄວນໃຊ້ຊື່ແທນທີ່ຈະເປັນລະຫັດເພດ.

ເພື່ອເຮັດສິ່ງນີ້, ພວກເຮົາຈະສ້າງໄດເລກະທໍລີຂະຫນາດນ້ອຍ, ຕາຕະລາງທີ່ຈະມີພຽງແຕ່ 2 ຖັນ (ລະຫັດແລະຊື່ເພດ) ແລະ 2 ແຖວຕາມລໍາດັບ.

ການສ້າງກອບຂໍ້ມູນໃນ R: tidyverse, dplyr

ໃນຕົວຢ່າງລະຫັດຂ້າງລຸ່ມນີ້, ພວກເຮົາສ້າງກອບຂໍ້ມູນທີ່ຕ້ອງການໂດຍໃຊ້ຟັງຊັນ tibble() .

ການສ້າງກອບຂໍ້ມູນໃນ R: dplyr

## dplyr
### создаём справочник
gender <- tibble(id = c(1, 2),
                 gender = c("female", "male"))

ການສ້າງກອບຂໍ້ມູນໃນ R: data.table

ການສ້າງກອບຂໍ້ມູນໃນ R: data.table

## data.table
### создаём справочник
gender <- data.table(id = c(1, 2),
                    gender = c("female", "male"))

ການສ້າງກອບຂໍ້ມູນໃນ Python: pandas

В pandas ການສ້າງເຟຣມແມ່ນດໍາເນີນໃນຫຼາຍຂັ້ນຕອນ, ທໍາອິດພວກເຮົາສ້າງວັດຈະນານຸກົມ, ແລະຫຼັງຈາກນັ້ນພວກເຮົາປ່ຽນວັດຈະນານຸກົມເປັນກອບຂໍ້ມູນ.

ການສ້າງກອບຂໍ້ມູນໃນ Python: pandas

# создаём дата фрейм
gender_dict = {'id': [1, 2],
               'gender': ["female", "male"]}
# преобразуем словарь в датафрейм
gender = pd.DataFrame.from_dict(gender_dict)

ການເລືອກຖັນ

ຕາຕະລາງທີ່ທ່ານເຮັດວຽກກັບອາດມີຂໍ້ມູນຫຼາຍສິບ ຫຼືຫຼາຍຮ້ອຍຖັນ. ແຕ່ເພື່ອປະຕິບັດການວິເຄາະ, ຕາມກົດລະບຽບ, ທ່ານບໍ່ຈໍາເປັນຕ້ອງມີຄໍລໍາທັງຫມົດທີ່ມີຢູ່ໃນຕາຕະລາງແຫຼ່ງ.

ດັ່ງນັ້ນ, ຫນຶ່ງໃນການດໍາເນີນງານທໍາອິດທີ່ເຈົ້າຈະປະຕິບັດກັບຕາຕະລາງແຫຼ່ງແມ່ນເພື່ອລ້າງມັນຂອງຂໍ້ມູນທີ່ບໍ່ຈໍາເປັນແລະເພີ່ມຄວາມຈໍາທີ່ຂໍ້ມູນນີ້ຄອບຄອງ.

ການເລືອກຖັນໃນ R: tidyverse, dplyr

syntax dplyr ແມ່ນຄ້າຍຄືກັນກັບພາສາ SQL query, ຖ້າທ່ານຄຸ້ນເຄີຍກັບມັນ, ທ່ານຈະເປັນແມ່ແບບຊຸດນີ້ຢ່າງໄວວາ.

ເພື່ອເລືອກຖັນ, ໃຊ້ຟັງຊັນ select().

ຂ້າງລຸ່ມນີ້ແມ່ນຕົວຢ່າງຂອງລະຫັດທີ່ທ່ານສາມາດເລືອກຄໍລໍາດ້ວຍວິທີຕໍ່ໄປນີ້:

• ລາຍຊື່ຂອງຖັນທີ່ຕ້ອງການ
• ອ້າງເຖິງຊື່ຖັນໂດຍໃຊ້ສຳນວນປົກກະຕິ
• ໂດຍປະເພດຂໍ້ມູນຫຼືຊັບສິນອື່ນໆຂອງຂໍ້ມູນທີ່ມີຢູ່ໃນຖັນ

ການເລືອກຖັນໃນ R: dplyr

# Выбор нужных столбцов
## dplyr
### выбрать по названию столбцов
select(ga_nov, date, source, sessions)
### исключь по названию столбцов
select(ga_nov, -medium, -bounces)
### выбрать по регулярному выражению, стобцы имена которых заканчиваются на s
select(ga_nov, matches("s$"))
### выбрать по условию, выбираем только целочисленные столбцы
select_if(ga_nov, is.integer)

ການເລືອກຖັນໃນ R: data.table

ການດໍາເນີນງານດຽວກັນໃນ data.table ຖືກປະຕິບັດແຕກຕ່າງກັນເລັກນ້ອຍ, ໃນຕອນຕົ້ນຂອງບົດຄວາມຂ້າພະເຈົ້າໄດ້ໃຫ້ຄໍາອະທິບາຍກ່ຽວກັບສິ່ງທີ່ໂຕ້ຖຽງຢູ່ໃນວົງເລັບສີ່ຫລ່ຽມໃນ. data.table.

DT[i,j,by]

ບ່ອນທີ່:
i - ບ່ອນທີ່, i.e. ການກັ່ນຕອງໂດຍແຖວ
j - ເລືອກ|ອັບເດດ|ເຮັດ, i.e. ເລືອກຖັນແລະປ່ຽນພວກມັນ
ໂດຍ - ການຈັດກຸ່ມຂໍ້ມູນ

ການເລືອກຖັນໃນ R: data.table

## data.table
### выбрать по названию столбцов
ga_nov[ , .(date, source, sessions) ]
### исключь по названию столбцов
ga_nov[ , .SD, .SDcols = ! names(ga_nov) %like% "medium|bounces" ]
### выбрать по регулярному выражению
ga_nov[, .SD, .SDcols = patterns("s$")]

ຕົວປ່ຽນແປງ .SD ອະນຸຍາດໃຫ້ທ່ານເຂົ້າເຖິງຄໍລໍາທັງຫມົດ, ແລະ .SDcols ກັ່ນຕອງຖັນທີ່ຕ້ອງການໂດຍໃຊ້ການສະແດງຜົນປົກກະຕິ, ຫຼືຟັງຊັນອື່ນເພື່ອກັ່ນຕອງຊື່ຂອງຖັນທີ່ທ່ານຕ້ອງການ.

ການເລືອກຖັນໃນ Python, pandas

ເພື່ອເລືອກຖັນຕາມຊື່ໃນ pandas ມັນພຽງພໍທີ່ຈະສະຫນອງບັນຊີລາຍຊື່ຂອງຊື່ຂອງເຂົາເຈົ້າ. ແລະເພື່ອເລືອກຫຼືຍົກເວັ້ນຄໍລໍາຕາມຊື່ໂດຍໃຊ້ການສະແດງອອກປົກກະຕິ, ທ່ານຈໍາເປັນຕ້ອງໃຊ້ຫນ້າທີ່ drop() и filter(), ແລະການໂຕ້ຖຽງ ແກນ=1, ທີ່ທ່ານຊີ້ບອກວ່າມັນຈໍາເປັນຕ້ອງປະມວນຜົນຖັນແທນທີ່ຈະເປັນແຖວ.

ເພື່ອເລືອກຊ່ອງຂໍ້ມູນຕາມປະເພດຂໍ້ມູນ, ໃຫ້ໃຊ້ຟັງຊັນ select_dtypes(), ແລະເຂົ້າໄປໃນການໂຕ້ຖຽງ ປະກອບດ້ວຍ ຫຼື ຍົກເວັ້ນ ຜ່ານບັນຊີລາຍຊື່ຂອງປະເພດຂໍ້ມູນທີ່ສອດຄ້ອງກັບຊ່ອງຂໍ້ມູນທີ່ທ່ານຕ້ອງການເລືອກ.

ການເລືອກຖັນໃນ Python: pandas

# Выбор полей по названию
ga_nov[['date', 'source', 'sessions']]
# Исключить по названию
ga_nov.drop(['medium', 'bounces'], axis=1)
# Выбрать по регулярному выражению
ga_nov.filter(regex="s$", axis=1)
# Выбрать числовые поля
ga_nov.select_dtypes(include=['number'])
# Выбрать текстовые поля
ga_nov.select_dtypes(include=['object'])

ການກັ່ນຕອງແຖວ

ຕົວຢ່າງ, ຕາຕະລາງແຫຼ່ງອາດຈະປະກອບດ້ວຍຂໍ້ມູນຫຼາຍປີ, ແຕ່ວ່າທ່ານພຽງແຕ່ຕ້ອງການວິເຄາະເດືອນທີ່ຜ່ານມາ. ອີກເທື່ອຫນຶ່ງ, ສາຍພິເສດຈະຊ້າລົງຂະບວນການປະມວນຜົນຂໍ້ມູນແລະ clog ເຖິງຫນ່ວຍຄວາມຈໍາ PC.

ການກັ່ນຕອງແຖວໃນ R: tydyverse, dplyr

В dplyr ຟັງຊັນແມ່ນໃຊ້ເພື່ອກັ່ນຕອງແຖວ filter(). ມັນໃຊ້ເວລາ dataframe ເປັນ argument ທໍາອິດ, ຫຼັງຈາກນັ້ນທ່ານລາຍຊື່ເງື່ອນໄຂການກັ່ນຕອງ.

ເມື່ອຂຽນການສະແດງອອກຢ່າງມີເຫດຜົນເພື່ອກັ່ນຕອງຕາຕະລາງ, ໃນກໍລະນີນີ້, ໃຫ້ລະບຸຊື່ຖັນໂດຍບໍ່ມີວົງຢືມແລະບໍ່ມີການປະກາດຊື່ຕາຕະລາງ.

ເມື່ອໃຊ້ຫຼາຍຕົວສະແດງເຫດຜົນເພື່ອກັ່ນຕອງ, ໃຊ້ຕົວປະຕິບັດການຕໍ່ໄປນີ້:

• & ຫຼືເຄື່ອງໝາຍຈຸດ - ມີເຫດຜົນ AND
• | - ມີເຫດຜົນ OR

ການກັ່ນຕອງແຖວໃນ R: dplyr

# фильтрация строк
## dplyr
### фильтрация строк по одному условию
filter(ga_nov, source == "google")
### фильтр по двум условиям соединённым логическим и
filter(ga_nov, source == "google" & sessions >= 10)
### фильтр по двум условиям соединённым логическим или
filter(ga_nov, source == "google" | sessions >= 10)

ການກັ່ນຕອງແຖວໃນ R: data.table

ດັ່ງທີ່ຂ້າພະເຈົ້າໄດ້ຂຽນໄວ້ຂ້າງເທິງ, ໃນ data.table syntax ການແປງຂໍ້ມູນຖືກປິດຢູ່ໃນວົງເລັບສີ່ຫຼ່ຽມ.

DT[i,j,by]

ບ່ອນທີ່:
i - ບ່ອນທີ່, i.e. ການກັ່ນຕອງໂດຍແຖວ
j - ເລືອກ|ອັບເດດ|ເຮັດ, i.e. ເລືອກຖັນແລະປ່ຽນພວກມັນ
ໂດຍ - ການຈັດກຸ່ມຂໍ້ມູນ

argument ຖືກນໍາໃຊ້ເພື່ອການກັ່ນຕອງແຖວ i, ເຊິ່ງມີຕໍາແຫນ່ງທໍາອິດໃນວົງເລັບສີ່ຫລ່ຽມ.

ຖັນແມ່ນເຂົ້າເຖິງໃນການສະແດງເຫດຜົນໂດຍບໍ່ມີເຄື່ອງໝາຍວົງຢືມ ແລະ ໂດຍບໍ່ມີການລະບຸຊື່ຕາຕະລາງ.

ການສະແດງອອກຢ່າງມີເຫດຜົນແມ່ນກ່ຽວຂ້ອງກັບກັນແລະກັນໃນລັກສະນະດຽວກັນກັບໃນ dplyr ໂດຍຜ່ານ & ແລະ | ຜູ້ປະກອບການ.

ການກັ່ນຕອງແຖວໃນ R: data.table

## data.table
### фильтрация строк по одному условию
ga_nov[source == "google"]
### фильтр по двум условиям соединённым логическим и
ga_nov[source == "google" & sessions >= 10]
### фильтр по двум условиям соединённым логическим или
ga_nov[source == "google" | sessions >= 10]

ການກັ່ນຕອງສາຍໃນ Python: pandas

ກັ່ນຕອງຕາມແຖວໃນ pandas ຄ້າຍຄືກັນກັບການກັ່ນຕອງໃນ data.table, ແລະຖືກເຮັດໃນວົງເລັບສີ່ຫຼ່ຽມ.

ໃນ​ກໍ​ລະ​ນີ​ນີ້​, ການ​ເຂົ້າ​ເຖິງ​ຖັນ​ແມ່ນ​ປະ​ຕິ​ບັດ​ຈໍາ​ເປັນ​ໂດຍ​ການ​ຊີ້​ບອກ​ຊື່​ຂອງ dataframe ໄດ້​, ຫຼັງ​ຈາກ​ນັ້ນ​ຊື່​ຖັນ​ຍັງ​ສາ​ມາດ​ໄດ້​ຮັບ​ການ​ຊີ້​ບອກ​ໃນ​ເຄື່ອງ​ຫມາຍ​ວົງ​ຢືມ​ໃນ​ວົງ​ເລັບ​ສີ່​ຫຼ່ຽມ (ຕົວຢ່າງ df['col_name']), ຫຼືບໍ່ມີວົງຢືມຫຼັງຈາກໄລຍະເວລາ (ຕົວຢ່າງ df.col_name).

ຖ້າທ່ານຕ້ອງການການກັ່ນຕອງ dataframe ໂດຍຫຼາຍເງື່ອນໄຂ, ແຕ່ລະເງື່ອນໄຂຕ້ອງຖືກຈັດໃສ່ໃນວົງເລັບ. ເງື່ອນໄຂທີ່ມີເຫດຜົນແມ່ນເຊື່ອມຕໍ່ກັນໂດຍຜູ້ປະຕິບັດງານ & и |.

ການກັ່ນຕອງສາຍໃນ Python: pandas

# Фильтрация строк таблицы
### фильтрация строк по одному условию
ga_nov[ ga_nov['source'] == "google" ]
### фильтр по двум условиям соединённым логическим и
ga_nov[(ga_nov['source'] == "google") & (ga_nov['sessions'] >= 10)]
### фильтр по двум условиям соединённым логическим или
ga_nov[(ga_nov['source'] == "google") | (ga_nov['sessions'] >= 10)]

ການຈັດກຸ່ມແລະການລວບລວມຂໍ້ມູນ

ຫນຶ່ງໃນການດໍາເນີນງານທີ່ຖືກນໍາໃຊ້ຫຼາຍທີ່ສຸດໃນການວິເຄາະຂໍ້ມູນແມ່ນການຈັດກຸ່ມແລະການລວບລວມ.

syntax ສໍາລັບການປະຕິບັດການປະຕິບັດງານເຫຼົ່ານີ້ແມ່ນກະແຈກກະຈາຍໄປທົ່ວທຸກແພັກເກັດທີ່ພວກເຮົາທົບທວນ.

ໃນກໍລະນີນີ້, ພວກເຮົາຈະເອົາ dataframe ເປັນຕົວຢ່າງ ກໍາປັ່ນ Titanic, ແລະຄິດໄລ່ຈໍານວນແລະລາຄາສະເລ່ຍຂອງປີ້ໂດຍອີງຕາມຊັ້ນ cabin.

ການຈັດກຸ່ມແລະການລວບລວມຂໍ້ມູນໃນ R: tidyverse, dplyr

В dplyr ຟັງຊັນແມ່ນໃຊ້ສໍາລັບການຈັດກຸ່ມ group_by(), ແລະສໍາລັບການລວບລວມ summarise(). ໃນ​ຄວາມ​ເປັນ​ຈິງ, dplyr ມີຄອບຄົວທັງຫມົດຂອງຫນ້າທີ່ summarise_*(), ແຕ່ຈຸດປະສົງຂອງບົດຄວາມນີ້ແມ່ນເພື່ອປຽບທຽບ syntax ພື້ນຖານ, ດັ່ງນັ້ນພວກເຮົາຈະບໍ່ເຂົ້າໄປໃນປ່າດັ່ງກ່າວ.

ຫນ້າ​ທີ່​ການ​ລວມ​ຕົວ​ພື້ນ​ຖານ​:

• sum() - ສັງ​ລວມ​
• min() / max() - ຄ່າ​ຕໍາ​່​ສຸດ​ທີ່​ແລະ​ສູງ​ສຸດ​
• mean() - ສະເລ່ຍ
• median() — ປານກາງ
• length() - ປະລິມານ

ການຈັດກຸ່ມແລະການລວບລວມໃນ R: dplyr

## dplyr
### группировка и агрегация строк
group_by(titanic, Pclass) %>%
  summarise(passangers = length(PassengerId),
            avg_price  = mean(Fare))

ເພື່ອເຮັດວຽກ group_by() ພວກເຮົາຜ່ານຕາຕະລາງເປັນການໂຕ້ຖຽງທໍາອິດ ກໍາປັ່ນ Titanic, ແລະຫຼັງຈາກນັ້ນຊີ້ໃຫ້ເຫັນພາກສະຫນາມ ຊັ້ນຮຽນ, ໂດຍທີ່ພວກເຮົາຈະຈັດກຸ່ມຕາຕະລາງຂອງພວກເຮົາ. ຜົນໄດ້ຮັບຂອງການດໍາເນີນງານນີ້ໂດຍໃຊ້ຕົວປະຕິບັດການ %>% ຜ່ານເປັນການໂຕ້ຖຽງທໍາອິດກັບຟັງຊັນ summarise(), ແລະເພີ່ມອີກ 2 ຊ່ອງຂໍ້ມູນ: ຜູ້ໂດຍສານ и ລາຄາສະເລ່ຍ. ໃນຄັ້ງທໍາອິດ, ການນໍາໃຊ້ຫນ້າທີ່ length() ຄິດໄລ່ຈໍານວນຕົ໋ວ, ແລະໃນຄັ້ງທີສອງໂດຍໃຊ້ຟັງຊັນ mean() ໄດ້ຮັບລາຄາປີ້ໂດຍສະເລ່ຍ.

ການຈັດກຸ່ມແລະການລວບລວມຂໍ້ມູນໃນ R: data.table

В data.table ການໂຕ້ຖຽງແມ່ນໃຊ້ສໍາລັບການລວບລວມ j ເຊິ່ງມີຕຳແໜ່ງທີສອງໃນວົງເລັບສີ່ຫຼ່ຽມ, ແລະສຳລັບການຈັດກຸ່ມ by ຫຼື keyby, ເຊິ່ງມີຕໍາແຫນ່ງທີສາມ.

ບັນຊີລາຍຊື່ຂອງຫນ້າທີ່ລວບລວມໃນກໍລະນີນີ້ແມ່ນຄືກັນກັບທີ່ອະທິບາຍໄວ້ໃນ dplyr, ເນື່ອງຈາກວ່າ ເຫຼົ່ານີ້ແມ່ນຫນ້າທີ່ຈາກ syntax R ພື້ນຖານ.

ການຈັດກຸ່ມແລະການລວບລວມໃນ R: data.table

## data.table
### фильтрация строк по одному условию
titanic[, .(passangers = length(PassengerId),
            avg_price  = mean(Fare)),
        by = Pclass]

ການຈັດກຸ່ມແລະການລວບລວມຂໍ້ມູນໃນ Python: pandas

ການຈັດກຸ່ມຢູ່ໃນ pandas ຄ້າຍ​ຄື​ກັບ dplyr, ແຕ່ການລວບລວມແມ່ນບໍ່ຄ້າຍຄືກັນກັບ dplyr ບໍ່ຢູ່ data.table.

ເພື່ອຈັດກຸ່ມ, ໃຊ້ວິທີການ groupby(), ທີ່ທ່ານຈໍາເປັນຕ້ອງໄດ້ຜ່ານບັນຊີລາຍຊື່ຂອງຄໍລໍາໂດຍທີ່ dataframe ຈະຖືກຈັດກຸ່ມ.

ສໍາລັບການລວບລວມທ່ານສາມາດນໍາໃຊ້ວິທີການ agg()ເຊິ່ງຍອມຮັບວັດຈະນານຸກົມ. ປຸ່ມພົດຈະນານຸກົມແມ່ນຖັນທີ່ເຈົ້າຈະໃຊ້ຟັງຊັນການລວບລວມ, ແລະຄ່າຕ່າງໆແມ່ນຊື່ຂອງຟັງຊັນການລວບລວມ.

ຟັງຊັນການລວບລວມ:

• sum() - ສັງ​ລວມ​
• min() / max() - ຄ່າ​ຕໍາ​່​ສຸດ​ທີ່​ແລະ​ສູງ​ສຸດ​
• mean() - ສະເລ່ຍ
• median() — ປານກາງ
• count() - ປະລິມານ

ການທໍາງານຂອງ reset_index() ໃນຕົວຢ່າງຂ້າງລຸ່ມນີ້ມັນຖືກນໍາໃຊ້ເພື່ອປັບດັດສະນີທີ່ຕິດກັນໃຫມ່ pandas ເປັນຄ່າເລີ່ມຕົ້ນຫຼັງຈາກການລວບລວມຂໍ້ມູນ.

ໂຊກດີ ອະນຸຍາດໃຫ້ທ່ານຍ້າຍໄປແຖວຕໍ່ໄປ.

ການຈັດກຸ່ມແລະການລວບລວມໃນ Python: pandas

# группировка и агрегация данных
titanic.groupby(["Pclass"]).
    agg({'PassengerId': 'count', 'Fare': 'mean'}).
        reset_index()

ການ​ເຊື່ອມ​ຕໍ່​ຕັ້ງ​ຂອງ​ຕາ​ຕະ​ລາງ​

ການດໍາເນີນງານທີ່ທ່ານເຂົ້າຮ່ວມສອງຫຼືຫຼາຍກວ່າຕາຕະລາງຂອງໂຄງສ້າງດຽວກັນ. ຂໍ້ມູນທີ່ພວກເຮົາໂຫລດປະກອບມີຕາຕະລາງ ga_nov и ga_dec. ຕາຕະລາງເຫຼົ່ານີ້ແມ່ນຄືກັນໃນໂຄງສ້າງ, i.e. ມີຖັນດຽວກັນ, ແລະປະເພດຂໍ້ມູນໃນຖັນເຫຼົ່ານີ້.

ນີ້ແມ່ນການອັບໂຫລດຈາກ Google Analytics ສໍາລັບເດືອນພະຈິກແລະເດືອນທັນວາ, ໃນພາກນີ້ພວກເຮົາຈະລວມຂໍ້ມູນນີ້ເຂົ້າໄປໃນຕາຕະລາງດຽວ.

ຕັ້ງຕາຕະລາງເຂົ້າຮ່ວມໃນ R: tidyverse, dplyr

В dplyr ທ່ານສາມາດສົມທົບ 2 ຕາຕະລາງເຂົ້າໄປໃນຫນຶ່ງໂດຍໃຊ້ຟັງຊັນ bind_rows(), ຜ່ານຕາຕະລາງເປັນການໂຕ້ຖຽງຂອງຕົນ.

ການກັ່ນຕອງແຖວໃນ R: dplyr

# Вертикальное объединение таблиц
## dplyr
bind_rows(ga_nov, ga_dec)

ການເຂົ້າຮ່ວມຕາຕະລາງໃນແນວຕັ້ງໃນ R: data.table

ມັນຍັງບໍ່ມີຫຍັງສັບສົນ, ໃຫ້ໃຊ້ rbind().

ການກັ່ນຕອງແຖວໃນ R: data.table

## data.table
rbind(ga_nov, ga_dec)

ການເຂົ້າຮ່ວມຕາຕະລາງໃນແນວຕັ້ງໃນ Python: pandas

В pandas ຫນ້າທີ່ຖືກນໍາໃຊ້ເພື່ອເຂົ້າຮ່ວມຕາຕະລາງ concat(), ທີ່ທ່ານຈໍາເປັນຕ້ອງໄດ້ຜ່ານບັນຊີລາຍຊື່ຂອງກອບເພື່ອສົມທົບໃຫ້ເຂົາເຈົ້າ.

ການກັ່ນຕອງສາຍໃນ Python: pandas

# вертикальное объединение таблиц
pd.concat([ga_nov, ga_dec])

ການ​ເຂົ້າ​ຮ່ວມ​ຕາມ​ລວງ​ນອນ​ຂອງ​ຕາ​ຕະ​ລາງ​

ການດໍາເນີນງານທີ່ຖັນຈາກທີສອງຖືກເພີ່ມໃສ່ຕາຕະລາງທໍາອິດໂດຍຄີ. ມັນມັກຈະຖືກນໍາໃຊ້ໃນເວລາທີ່ເສີມສ້າງຕາຕະລາງຄວາມເປັນຈິງ (ຕົວຢ່າງ, ຕາຕະລາງທີ່ມີຂໍ້ມູນການຂາຍ) ທີ່ມີຂໍ້ມູນອ້າງອີງບາງຢ່າງ (ຕົວຢ່າງ, ຄ່າໃຊ້ຈ່າຍຂອງຜະລິດຕະພັນ).

ມີຫຼາຍປະເພດຂອງການຮ່ວມ:

ໃນຕາຕະລາງທີ່ໂຫລດກ່ອນຫນ້ານີ້ ກໍາປັ່ນ Titanic ພວກເຮົາມີຖັນ ເພດ, ເຊິ່ງກົງກັບລະຫັດເພດຂອງຜູ້ໂດຍສານ:

1 - ເພດຍິງ
2 - ຊາຍ

ນອກຈາກນີ້, ພວກເຮົາໄດ້ສ້າງຕາຕະລາງ - ປື້ມອ້າງອີງ ເພດ. ສໍາລັບການນໍາສະເຫນີຂໍ້ມູນທີ່ສະດວກກວ່າກ່ຽວກັບເພດຂອງຜູ້ໂດຍສານ, ພວກເຮົາຈໍາເປັນຕ້ອງເພີ່ມຊື່ຂອງເພດຈາກໄດເລກະທໍລີ. ເພດ ກັບຕາຕະລາງ ກໍາປັ່ນ Titanic.

ຕາຕະລາງແນວນອນເຂົ້າຮ່ວມໃນ R: tidyverse, dplyr

В dplyr ມີຄອບຄົວທັງຫມົດຂອງຫນ້າທີ່ສໍາລັບການເຂົ້າຮ່ວມຕາມແນວນອນ:

• inner_join()
• left_join()
• right_join()
• full_join()
• semi_join()
• nest_join()
• anti_join()

ການນໍາໃຊ້ທົ່ວໄປທີ່ສຸດໃນການປະຕິບັດຂອງຂ້ອຍແມ່ນ left_join().

ໃນຖານະເປັນສອງການໂຕ້ຖຽງທໍາອິດ, ຫນ້າທີ່ລະບຸໄວ້ຂ້າງເທິງໃຊ້ເວລາສອງຕາຕະລາງເຂົ້າຮ່ວມ, ແລະເປັນການໂຕ້ຖຽງທີສາມ. by ທ່ານຕ້ອງລະບຸຖັນເພື່ອເຂົ້າຮ່ວມ.

ຕາຕະລາງແນວນອນເຂົ້າຮ່ວມໃນ R: dplyr

# объединяем таблицы
left_join(titanic, gender,
          by = c("Sex" = "id"))

ການເຂົ້າຮ່ວມຕາມລວງນອນຂອງຕາຕະລາງໃນ R: data.table

В data.table ທ່ານຈໍາເປັນຕ້ອງເຂົ້າຮ່ວມຕາຕະລາງໂດຍຄີໂດຍໃຊ້ຟັງຊັນ merge().

Arguments ເພື່ອ merge() ຟັງຊັນໃນ data.table

• x, y — ຕາຕະລາງສໍາລັບການເຂົ້າຮ່ວມ
• ໂດຍ — ​​ຖັນທີ່ເປັນກຸນແຈທີ່ຈະເຂົ້າຮ່ວມຖ້າມັນມີຊື່ດຽວກັນຢູ່ໃນຕາຕະລາງທັງສອງ
• by.x, by.y — ຊື່ຖັນທີ່ຈະຖືກລວມເຂົ້າກັນ, ຖ້າພວກມັນມີຊື່ຕ່າງກັນໃນຕາຕະລາງ
• all, all.x, all.y — ປະເພດເຂົ້າຮ່ວມ, ທັງໝົດຈະສົ່ງຄືນແຖວທັງໝົດຈາກທັງສອງຕາຕະລາງ, all.x ກົງກັບຄຳສັ່ງ LEFT JOIN (ຈະອອກຈາກແຖວທັງໝົດຂອງຕາຕະລາງທຳອິດ), all.y — ກົງກັບ ການ​ດໍາ​ເນີນ​ງານ​ການ​ເຂົ້າ​ຮ່ວມ​ທາງ​ຂວາ (ຈະ​ອອກ​ຈາກ​ແຖວ​ທັງ​ຫມົດ​ຂອງ​ຕາ​ຕະ​ລາງ​ທີ່​ສອງ​)​.

ການເຂົ້າຮ່ວມຕາມລວງນອນຂອງຕາຕະລາງໃນ R: data.table

# объединяем таблицы
merge(titanic, gender, by.x = "Sex", by.y = "id", all.x = T)

ຕາຕະລາງແນວນອນເຂົ້າຮ່ວມໃນ Python: pandas

ເຊັ່ນດຽວກັນກັບໃນ data.table, ໃນ pandas ຫນ້າທີ່ຖືກນໍາໃຊ້ເພື່ອເຂົ້າຮ່ວມຕາຕະລາງ merge().

Arguments ຂອງ merge() function ໃນ pandas

• ວິທີການ - ປະເພດການເຊື່ອມຕໍ່: ຊ້າຍ, ຂວາ, ນອກ, ພາຍໃນ
• on — ຖັນທີ່ເປັນກະແຈຖ້າມັນມີຊື່ດຽວກັນຢູ່ໃນຕາຕະລາງທັງສອງ
• left_on, right_on — ຊື່ຂອງຖັນຫຼັກ, ຖ້າພວກເຂົາມີຊື່ທີ່ແຕກຕ່າງກັນໃນຕາຕະລາງ

ຕາຕະລາງແນວນອນເຂົ້າຮ່ວມໃນ Python: pandas

# объединяем по ключу
titanic.merge(gender, how = "left", left_on = "Sex", right_on = "id")

ຫນ້າທີ່ພື້ນຖານຂອງປ່ອງຢ້ຽມແລະຖັນທີ່ຄິດໄລ່

ຟັງຊັນຂອງປ່ອງຢ້ຽມແມ່ນຄ້າຍຄືກັນໃນຄວາມຫມາຍຂອງຫນ້າທີ່ລວບລວມ, ແລະຍັງຖືກນໍາໃຊ້ເລື້ອຍໆໃນການວິເຄາະຂໍ້ມູນ. ແຕ່ບໍ່ເຫມືອນກັບຫນ້າທີ່ລວບລວມ, ຫນ້າທີ່ປ່ອງຢ້ຽມບໍ່ປ່ຽນແປງຈໍານວນແຖວຂອງກອບຂໍ້ມູນຂາອອກ.

ໂດຍພື້ນຖານແລ້ວ, ການນໍາໃຊ້ຫນ້າທີ່ປ່ອງຢ້ຽມ, ພວກເຮົາແບ່ງປັນກອບຂໍ້ມູນຂາເຂົ້າອອກເປັນພາກສ່ວນຕາມເງື່ອນໄຂບາງຢ່າງ, i.e. ໂດຍຄ່າຂອງຊ່ອງຂໍ້ມູນ, ຫຼືຫຼາຍຊ່ອງຂໍ້ມູນ. ແລະພວກເຮົາປະຕິບັດການຄິດໄລ່ເລກຢູ່ໃນແຕ່ລະປ່ອງຢ້ຽມ. ຜົນໄດ້ຮັບຂອງການດໍາເນີນງານເຫຼົ່ານີ້ຈະຖືກສົ່ງຄືນໃນແຕ່ລະສາຍ, i.e. ໂດຍບໍ່ມີການປ່ຽນຈໍານວນແຖວທັງຫມົດໃນຕາຕະລາງ.

ຕົວຢ່າງ, ໃຫ້ເຮົາເອົາຕາຕະລາງ ກໍາປັ່ນ Titanic. ພວກ​ເຮົາ​ສາ​ມາດ​ຄິດ​ໄລ່​ອັດ​ຕາ​ສ່ວນ​ຂອງ​ຄ່າ​ໃຊ້​ຈ່າຍ​ຂອງ​ປີ້​ແຕ່​ລະ​ຄົນ​ຢູ່​ໃນ​ຫ້ອງ​ການ​ຂອງ​ຕົນ​.

ເພື່ອເຮັດສິ່ງນີ້, ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ຮັບໃນແຕ່ລະສາຍຄ່າໃຊ້ຈ່າຍທັງຫມົດຂອງປີ້ສໍາລັບຫ້ອງໂດຍສານໃນປະຈຸບັນທີ່ປີ້ຢູ່ໃນສາຍນີ້ແມ່ນ, ຫຼັງຈາກນັ້ນແບ່ງຄ່າໃຊ້ຈ່າຍຂອງແຕ່ລະປີ້ໂດຍຄ່າໃຊ້ຈ່າຍທັງຫມົດຂອງປີ້ຂອງຫ້ອງໂດຍສານດຽວກັນ. .

ຫນ້າທີ່ປ່ອງຢ້ຽມໃນ R: tidyverse, dplyr

ເພື່ອເພີ່ມຖັນໃໝ່, ໂດຍບໍ່ຕ້ອງໃຊ້ການຈັດກຸ່ມແຖວ, in dplyr ເຮັດຫນ້າທີ່ mutate().

ທ່ານສາມາດແກ້ໄຂບັນຫາທີ່ໄດ້ອະທິບາຍຂ້າງເທິງໂດຍການຈັດກຸ່ມຂໍ້ມູນຕາມຊ່ອງຂໍ້ມູນ ຊັ້ນຮຽນ ແລະສະຫຼຸບພາກສະຫນາມໃນຖັນໃຫມ່ ເຮັດແນວໃດ. ຕໍ່ໄປ, ແຍກກຸ່ມຕາຕະລາງແລະແບ່ງຄ່າພາກສະຫນາມ ເຮັດແນວໃດ ກັບສິ່ງທີ່ເກີດຂຶ້ນໃນຂັ້ນຕອນທີ່ຜ່ານມາ.

ຫນ້າທີ່ປ່ອງຢ້ຽມໃນ R: dplyr

group_by(titanic, Pclass) %>%
  mutate(Pclass_cost = sum(Fare)) %>%
  ungroup() %>%
  mutate(ticket_fare_rate = Fare / Pclass_cost)

ຫນ້າທີ່ Window ໃນ R: data.table

ສູດການແກ້ໄຂບັນຫາຍັງຄົງຄືກັນກັບໃນ dplyr, ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ແຍກຕາຕະລາງເຂົ້າໄປໃນປ່ອງຢ້ຽມໂດຍພາກສະຫນາມ ຊັ້ນຮຽນ. ຜົນຜະລິດໃນຖັນໃຫມ່ຈໍານວນສໍາລັບກຸ່ມທີ່ສອດຄ້ອງກັນກັບແຕ່ລະແຖວ, ແລະເພີ່ມຄໍລໍາທີ່ພວກເຮົາຄິດໄລ່ສ່ວນແບ່ງຂອງຄ່າໃຊ້ຈ່າຍຂອງແຕ່ລະປີ້ໃນກຸ່ມຂອງຕົນ.

ເພື່ອເພີ່ມຖັນໃໝ່ໃສ່ data.table ປະຈຸບັນຜູ້ປະກອບການ :=. ຂ້າງລຸ່ມນີ້ແມ່ນຕົວຢ່າງຂອງການແກ້ໄຂບັນຫາໂດຍໃຊ້ຊຸດ data.table

ຫນ້າທີ່ Window ໃນ R: data.table

titanic[,c("Pclass_cost","ticket_fare_rate") := .(sum(Fare), Fare / Pclass_cost), 
        by = Pclass]

ຟັງຊັນປ່ອງຢ້ຽມໃນ Python: pandas

ວິທີໜຶ່ງເພື່ອເພີ່ມຖັນໃໝ່ໃສ່ pandas - ການ​ນໍາ​ໃຊ້​ຫນ້າ​ທີ່​ assign(). ເພື່ອສະຫຼຸບຄ່າໃຊ້ຈ່າຍຂອງປີ້ໂດຍຫ້ອງຮຽນ cabin, ໂດຍບໍ່ມີການຈັດກຸ່ມແຖວ, ພວກເຮົາຈະໃຊ້ຟັງຊັນ transform().

ຂ້າງລຸ່ມນີ້ແມ່ນຕົວຢ່າງຂອງການແກ້ໄຂທີ່ພວກເຮົາເພີ່ມໃສ່ຕາຕະລາງ ກໍາປັ່ນ Titanic ດຽວກັນ 2 ຖັນ.

ຟັງຊັນປ່ອງຢ້ຽມໃນ Python: pandas

titanic.assign(Pclass_cost      =  titanic.groupby('Pclass').Fare.transform(sum),
               ticket_fare_rate = lambda x: x['Fare'] / x['Pclass_cost'])

ຕາຕະລາງການຕອບສະ ໜອງ ຫນ້າທີ່ແລະວິທີການ

ຂ້າງລຸ່ມນີ້ແມ່ນຕາຕະລາງການຕິດຕໍ່ລະຫວ່າງວິທີການປະຕິບັດການຕ່າງໆທີ່ມີຂໍ້ມູນໃນຊຸດທີ່ພວກເຮົາໄດ້ພິຈາລະນາ.

ລາຍ​ລະ​ອຽດ
ເປັນລະບຽບຮຽບຮ້ອຍ
ຕາຕະລາງ
ໝີ ແພນດາ

ກຳລັງໂຫຼດຂໍ້ມູນ
vroom()/ readr::read_csv() / readr::read_tsv()
fread()
read_csv()

ການສ້າງກອບຂໍ້ມູນ
tibble()
data.table()
dict() + from_dict()

ການເລືອກຖັນ
select()
ການໂຕ້ຖຽງ j, ຕໍາແຫນ່ງທີສອງໃນວົງເລັບສີ່ຫລ່ຽມ
ພວກເຮົາຜ່ານບັນຊີລາຍຊື່ຂອງຖັນທີ່ຕ້ອງການໃນວົງເລັບສີ່ຫຼ່ຽມ / drop() / filter() / select_dtypes()

ການກັ່ນຕອງແຖວ
filter()
ການໂຕ້ຖຽງ i, ຕໍາແຫນ່ງທໍາອິດໃນວົງເລັບສີ່ຫລ່ຽມ
ພວກເຮົາລາຍຊື່ເງື່ອນໄຂການກັ່ນຕອງໃນວົງເລັບສີ່ຫລ່ຽມ / filter()

ການຈັດກຸ່ມແລະການລວບລວມ
group_by() + summarise()
ການໂຕ້ຖຽງ j + by
groupby() + agg()

ສະ​ຫະ​ພາບ​ຕັ້ງ​ຂອງ​ຕາ​ຕະ​ລາງ (UNION​)
bind_rows()
rbind()
concat()

ການລວມຕາຕະລາງຕາມລວງນອນ (ເຂົ້າຮ່ວມ)
left_join() / *_join()
merge()
merge()

ຫນ້າທີ່ພື້ນຖານຂອງປ່ອງຢ້ຽມແລະການເພີ່ມຄໍລໍາທີ່ຄິດໄລ່
group_by() + mutate()
ການໂຕ້ຖຽງ j ການນໍາໃຊ້ຕົວປະຕິບັດການ := + ການໂຕ້ຖຽງ by
transform() + assign()

ສະຫລຸບ

ບາງທີໃນບົດຄວາມທີ່ຂ້າພະເຈົ້າອະທິບາຍບໍ່ແມ່ນການປະຕິບັດທີ່ດີທີ່ສຸດຂອງການປຸງແຕ່ງຂໍ້ມູນ, ດັ່ງນັ້ນຂ້ອຍຈະດີໃຈຖ້າທ່ານແກ້ໄຂຂໍ້ຜິດພາດຂອງຂ້ອຍໃນຄໍາເຫັນ, ຫຼືພຽງແຕ່ຕື່ມຂໍ້ມູນໃສ່ໃນບົດຄວາມດ້ວຍເຕັກນິກອື່ນໆສໍາລັບການເຮັດວຽກກັບຂໍ້ມູນໃນ R / Python.

ດັ່ງທີ່ຂ້າພະເຈົ້າຂຽນໄວ້ຂ້າງເທິງ, ຈຸດປະສົງຂອງບົດຄວາມບໍ່ໄດ້ກໍານົດຄວາມຄິດເຫັນຂອງຄົນຫນຶ່ງວ່າພາສາໃດດີກວ່າ, ແຕ່ເພື່ອເຮັດໃຫ້ໂອກາດທີ່ຈະຮຽນຮູ້ທັງສອງພາສາ, ຫຼື, ຖ້າຈໍາເປັນ, ຍ້າຍລະຫວ່າງພວກເຂົາ.

ຖ້າທ່ານມັກບົດຄວາມ, ຂ້ອຍຈະດີໃຈທີ່ມີຜູ້ສະຫມັກໃຫມ່ຂອງຂ້ອຍ youtube и ໂທລະເລກ ຊ່ອງ.

Poll

ແພັກເກດໃດຕໍ່ໄປນີ້ທີ່ທ່ານໃຊ້ໃນວຽກຂອງເຈົ້າ?

ໃນຄໍາເຫັນທ່ານສາມາດຂຽນເຫດຜົນສໍາລັບການເລືອກຂອງທ່ານ.

ພຽງແຕ່ຜູ້ໃຊ້ລົງທະບຽນສາມາດເຂົ້າຮ່ວມໃນການສໍາຫຼວດ. ເຂົ້າ​ສູ່​ລະ​ບົບກະລຸນາ.

ທ່ານໃຊ້ຊຸດປະມວນຜົນຂໍ້ມູນໃດ (ທ່ານສາມາດເລືອກຫຼາຍທາງເລືອກ)

• 45,2%tidyverse19

• 33,3%data.table14

• 54,8%pandas23

ຜູ້ໃຊ້ 42 ຄົນລົງຄະແນນສຽງ. 9 ຜູ້ໃຊ້ງົດ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com