Pakiet R tidyr i jego nowe funkcje obrotowe_longer i obrotowe_wider
Pakiet porządek zawarte w rdzeniu jednej z najpopularniejszych bibliotek w języku R - schludny świat.
Głównym celem pakietu jest doprowadzenie danych do dokładnej postaci.
Już dostępny na Habré opublikowanie poświęcone temu pakietowi, ale jego początki sięgają 2015 r. A ja chcę Wam opowiedzieć o najbardziej aktualnych zmianach, które kilka dni temu ogłosił jej autor, Hedley Wickham.
SJK: Czy metody zbierania() i spread() staną się przestarzałe?
Hadleya Wickhama: Do pewnego stopnia. Nie będziemy już zalecać korzystania z tych funkcji i naprawiać w nich błędów, ale nadal będą one obecne w pakiecie w ich obecnym stanie.
Zawartość
Jeśli interesuje Cię analiza danych, być może zainteresuje Cię mój telegram и youtube kanały. Większość treści jest poświęcona językowi R.
cel porządek — pomogą Ci doprowadzić dane do tzw. zgrabnej formy. Czyste dane to dane, w których:
Każda zmienna znajduje się w kolumnie.
Każda obserwacja jest ciągiem znaków.
Każda wartość jest komórką.
O wiele łatwiej i wygodniej jest pracować z danymi, które są prezentowane w uporządkowanej formie podczas przeprowadzania analizy.
Główne funkcje zawarte w pakiecie tidyr
tidyr zawiera zestaw funkcji przeznaczonych do transformacji tabel:
fill() — uzupełnienie brakujących wartości w kolumnie poprzednimi wartościami;
separate() — dzieli jedno pole na kilka za pomocą separatora;
unite() — wykonuje operację łączenia kilku pól w jedno, działanie odwrotne funkcji separate();
pivot_longer() — funkcja konwertująca dane z formatu szerokiego na format długi;
pivot_wider() - funkcja konwertująca dane z formatu długiego na format szeroki. Operacja odwrotna do tej wykonywanej przez funkcję pivot_longer().
gather()przestarzały — funkcja konwertująca dane z formatu szerokiego na format długi;
spread()przestarzały - funkcja konwertująca dane z formatu długiego na format szeroki. Operacja odwrotna do tej wykonywanej przez funkcję gather().
Nowa koncepcja konwersji danych z formatu szerokiego na długi i odwrotnie
Wcześniej do tego rodzaju transformacji używano funkcji gather() и spread(). Z biegiem lat istnienia tych funkcji stało się oczywiste, że dla większości użytkowników, w tym także dla autora pakietu, nazwy tych funkcji i ich argumenty nie były do końca oczywiste, co powodowało trudności w ich odnalezieniu i zrozumieniu, która z tych funkcji konwertuje ramkę daty z formatu szerokiego na długi i odwrotnie.
W związku z tym w porządek Dodano dwie nowe, ważne funkcje, które mają za zadanie przekształcać ramki dat.
Nowe funkcje pivot_longer() и pivot_wider() zostały zainspirowane niektórymi funkcjami pakietu cdane, stworzony przez Johna Mounta i Ninę Zumel.
Instalowanie najnowszej wersji tidyr 0.8.3.9000
Aby zainstalować nową, najbardziej aktualną wersję pakietu porządek0.8.3.9000, jeśli dostępne są nowe funkcje, użyj poniższego kodu.
devtools::install_github("tidyverse/tidyr")
W chwili pisania tego tekstu funkcje te są dostępne tylko w wersji deweloperskiej pakietu na GitHub.
Przejście na nowe funkcje
Tak naprawdę przeniesienie starych skryptów do pracy z nowymi funkcjami nie jest trudne; dla lepszego zrozumienia wezmę przykład z dokumentacji starych funkcji i pokażę, jak te same operacje są wykonywane przy użyciu nowych pivot_*() Funkcje.
Konwertuj szeroki format na długi format.
Przykładowy kod z dokumentacji funkcji zbierania
# 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")
Konwersja formatu długiego na format szeroki.
Przykładowy kod z dokumentacji funkcji rozprzestrzeniania
# old
stocks_spread <- stocks_gather %>% spread(key = stock,
value = price)
# new
stock_wide <- stocks_long %>% pivot_wider(names_from = "stock",
values_from = "price")
Ponieważ w powyższych przykładach pracy z pivot_longer() и pivot_wider(), w oryginalnej tabeli Zapasy brak kolumn wymienionych w argumentach nazwy_do и wartości_do ich nazwy muszą być ujęte w cudzysłów.
Tabela, która pomoże Ci najłatwiej zorientować się, jak przejść do pracy z nową koncepcją porządek.
Notatka od autora
Cały poniższy tekst ma charakter adaptacyjny, powiedziałbym nawet, że jest darmowym tłumaczeniem winiety z oficjalnej strony biblioteki tidyverse.
Prosty przykład konwersji danych z formatu szerokiego na długi
pivot_longer () — wydłuża zbiory danych poprzez zmniejszenie liczby kolumn i zwiększenie liczby wierszy.
Aby uruchomić przykłady przedstawione w artykule, należy najpierw podłączyć niezbędne pakiety:
library(tidyr)
library(dplyr)
library(readr)
Załóżmy, że mamy tabelę z wynikami ankiety, w której (między innymi) pytano ludzi o ich religię i roczne dochody:
Ta tabela zawiera dane dotyczące religii respondentów w wierszach, a poziomy dochodów są rozproszone w nazwach kolumn. Liczba respondentów z każdej kategorii jest zapisywana w wartościach komórek na przecięciu religii i poziomu dochodów. Aby nadać tabeli schludny, prawidłowy format, wystarczy użyć pivot_longer():
Pierwszy argument cols, opisuje, które kolumny należy scalić. W tym przypadku wszystkie kolumny z wyjątkiem czas.
argument nazwy_do podaje nazwę zmiennej, która zostanie utworzona z nazw kolumn, które połączyliśmy.
wartości_do podaje nazwę zmiennej, która zostanie utworzona z danych zapisanych w wartościach komórek łączonych kolumn.
Specyfikacja
To nowa funkcjonalność pakietu porządek, co było wcześniej niedostępne podczas pracy ze starszymi funkcjami.
Specyfikacja to ramka danych, której każdy wiersz odpowiada jednej kolumnie w nowej wyjściowej ramce daty oraz dwóm specjalnym kolumnom rozpoczynającym się od:
. Nazwa zawiera oryginalną nazwę kolumny.
.wartość zawiera nazwę kolumny, która będzie zawierać wartości komórek.
Pozostałe kolumny specyfikacji odzwierciedlają sposób, w jaki nowa kolumna będzie wyświetlać nazwę skompresowanych kolumn . Nazwa.
Specyfikacja opisuje metadane zapisane w nazwie kolumny, z jednym wierszem na każdą kolumnę i jedną kolumną na każdą zmienną, w połączeniu z nazwą kolumny. Definicja ta może w tej chwili wydawać się myląca, ale po przejrzeniu kilku przykładów stanie się znacznie jaśniejszy.
Celem specyfikacji jest to, że możesz pobierać, modyfikować i definiować nowe metadane dla konwertowanej ramki danych.
Aby pracować ze specyfikacjami podczas konwertowania tabeli z formatu szerokiego na długi, użyj funkcji pivot_longer_spec().
Zasada działania tej funkcji polega na tym, że pobiera dowolną ramkę daty i generuje jej metadane w sposób opisany powyżej.
Jako przykład weźmy zestaw danych who dostarczony z pakietem porządek. Ten zbiór danych zawiera informacje dostarczone przez Międzynarodową Organizację Zdrowia na temat zachorowalności na gruźlicę.
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
Zbudujmy jego specyfikację.
spec <- who %>%
pivot_longer_spec(new_sp_m014:newrel_f65, values_to = "count")
Pola kraj, iso2, iso3 są już zmienne. Naszym zadaniem jest przewracanie kolumn za pomocą nowy_sp_m014 nadotycząca nowyrel_f65.
Nazwy tych kolumn przechowują następujące informacje:
Prefiks new_ wskazuje, że kolumna zawiera dane o nowych przypadkach gruźlicy, bieżąca ramka dat zawiera informacje tylko o nowych chorobach, więc ten przedrostek w bieżącym kontekście nie ma żadnego znaczenia.
sp/rel/sp/ep opisuje metodę diagnozowania choroby.
Na koniec, aby zastosować specyfikację, którą stworzyliśmy do oryginalnej ramki daty którzy testują i oceniają narzędzia, przedstawiając swoje potrzeby i wyzwania w kontekście stosowanych narzędzi musimy użyć argumentu specyfikacja w funkcji 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
Wszystko, co właśnie zrobiliśmy, można schematycznie przedstawić w następujący sposób:
Specyfikacja wykorzystująca wiele wartości (.value)
W powyższym przykładzie kolumna specyfikacji .wartość zawierał tylko jedną wartość, w większości przypadków tak jest.
Czasami jednak może zaistnieć sytuacja, gdy zajdzie potrzeba zebrania danych z kolumn o różnych typach danych w wartościach. Korzystanie ze starszej funkcji spread() byłoby to dość trudne.
Poniższy przykład został zaczerpnięty z winiety do paczki Tabela danych.
Utworzona ramka daty zawiera w każdym wierszu dane o dzieciach jednej rodziny. Rodzina może mieć jedno lub dwójkę dzieci. Dla każdego dziecka podawana jest data urodzenia i płeć, a dane dla każdego dziecka znajdują się w osobnych kolumnach, naszym zadaniem jest doprowadzenie tych danych do odpowiedniego formatu do analizy.
Należy pamiętać, że mamy dwie zmienne z informacjami o każdym dziecku: jego płeć i data urodzenia (kolumny z przedrostkiem Chrzest zawierają datę urodzenia, kolumny z prefiksem płeć zawierać płeć dziecka). Oczekiwanym rezultatem jest to, że powinny one pojawić się w oddzielnych kolumnach. Możemy to zrobić generując specyfikację, w której kolumna .value będzie miało dwa różne znaczenia.
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
Przyjrzyjmy się zatem krok po kroku czynnościom wykonywanym przez powyższy kod.
pivot_longer_spec(-family) — utwórz specyfikację, która kompresuje wszystkie istniejące kolumny z wyjątkiem kolumny rodziny.
separate(col = name, into = c(".value", "child")) - podziel kolumnę . Nazwa, który zawiera nazwy pól źródłowych, stosując podkreślenie i wpisując powstałe wartości do kolumn .wartość и dziecko.
mutate(child = parse_number(child)) — przekształca wartości pól dziecko z tekstowego na numeryczny typ danych.
Teraz możemy zastosować otrzymaną specyfikację do oryginalnej ramki danych i doprowadzić tabelę do pożądanej formy.
Używamy argumentu na.rm = TRUE, ponieważ obecna forma danych wymusza utworzenie dodatkowych wierszy dla nieistniejących obserwacji. Ponieważ rodzina 2 ma tylko jedno dziecko, na.rm = TRUE gwarantuje, że rodzina 2 będzie miała jeden wiersz na wyjściu.
Konwersja ramek daty z formatu długiego na szeroki
pivot_wider() - jest transformacją odwrotną i odwrotnie zwiększa liczbę kolumn ramki daty poprzez zmniejszenie liczby wierszy.
Ten rodzaj transformacji jest niezwykle rzadko stosowany w celu doprowadzenia danych do dokładnej postaci, jednak technika ta może być przydatna do tworzenia tabel przestawnych używanych w prezentacjach lub do integracji z niektórymi innymi narzędziami.
A właściwie funkcje pivot_longer() и pivot_wider() są symetryczne i powodują działania odwrotne do siebie, tj .: df %>% pivot_longer(spec = spec) %>% pivot_wider(spec = spec) и df %>% pivot_wider(spec = spec) %>% pivot_longer(spec = spec) zwróci oryginalny plik df.
Najprostszy przykład konwersji tabeli do szerokiego formatu
Aby zademonstrować działanie tej funkcji pivot_wider() skorzystamy ze zbioru danych spotkania_rybne, który przechowuje informacje o tym, jak różne stacje rejestrują ruch ryb wzdłuż rzeki.
#> # 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
W większości przypadków ta tabela będzie bardziej pouczająca i łatwiejsza w użyciu, jeśli przedstawisz informacje dla każdej stacji w osobnej kolumnie.
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>
Ten zestaw danych rejestruje informacje tylko wtedy, gdy stacja wykryje ryby, tj. jeżeli jakaś ryba nie została zarejestrowana przez jakąś stację, to danych tych nie będzie w tabeli. Oznacza to, że dane wyjściowe zostaną wypełnione NA.
Jednak w tym przypadku wiemy, że brak zapisu oznacza, że ryby nie widziano, więc możemy posłużyć się argumentem wartości_wypełnienia w funkcji pivot_wider() i uzupełnij te brakujące wartości zerami:
Generowanie nazwy kolumny z wielu zmiennych źródłowych
Wyobraź sobie, że mamy tabelę zawierającą kombinację produktu, kraju i roku. Aby wygenerować testową ramkę daty, możesz uruchomić następujący kod:
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
Naszym zadaniem jest rozwinięcie ramki danych tak, aby w jednej kolumnie znajdowały się dane dla każdej kombinacji produktu i kraju. Aby to zrobić, po prostu przekaż argument nazwy_od wektor zawierający nazwy pól, które mają zostać scalone.
Można także zastosować specyfikacje do funkcji pivot_wider(). Ale kiedy został złożony pivot_wider() specyfikacja dokonuje odwrotnej konwersji pivot_longer(): Kolumny określone w . Nazwa, używając wartości z .wartość i inne kolumny.
Dla tego zbioru danych możesz wygenerować niestandardową specyfikację, jeśli chcesz, aby każda możliwa kombinacja krajów i produktów miała własną kolumnę, a nie tylko te obecne w danych:
#> # 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
Kilka zaawansowanych przykładów pracy z nową koncepcją tidyr
Czyszczenie danych na przykładzie zbioru danych o dochodach i czynszach ze spisu powszechnego Stanów Zjednoczonych.
Zbiór danych us_rent_income zawiera informacje o średnich dochodach i czynszach dla każdego stanu w USA za rok 2017 (zestaw danych dostępny w pakiecie porządek).
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
W formie, w jakiej dane są przechowywane w zbiorze danych us_rent_income praca z nimi jest wyjątkowo niewygodna, dlatego chcielibyśmy stworzyć zbiór danych z kolumnami: wynajem, rent_moe, jak, dochód_moe. Istnieje wiele sposobów na utworzenie tej specyfikacji, ale najważniejsze jest to, że musimy wygenerować każdą kombinację wartości zmiennych i oszacowanie/miesa następnie wygeneruj nazwę kolumny.
Czasami doprowadzenie zbioru danych do pożądanej formy wymaga kilku kroków.
Zbiór danych świat_bank_pop zawiera dane Banku Światowego dotyczące populacji każdego kraju w latach 2000–2018.
Naszym celem jest utworzenie schludnego zestawu danych z każdą zmienną w osobnej kolumnie. Nie jest jasne, jakie dokładnie kroki są potrzebne, ale zaczniemy od najbardziej oczywistego problemu: rok jest rozłożony na wiele kolumn.
Aby to naprawić, musisz użyć funkcji pivot_longer().
Następnym krokiem jest przyjrzenie się zmiennej wskaźnikowej. 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
Gdzie SP.POP.GROW to wzrost populacji, SP.POP.TOTL to całkowita populacja, a SP.URB. * to samo, ale tylko dla obszarów miejskich. Podzielmy te wartości na dwie zmienne: obszar – obszar (ogółem lub miejski) oraz zmienną zawierającą rzeczywiste dane (populacja lub wzrost):
Zestawienie tej listy w formie tabelarycznej jest dość trudne, ponieważ nie ma zmiennej identyfikującej, które dane należą do jakiego kontaktu. Możemy to naprawić zauważając, że dane każdego nowego kontaktu zaczynają się od „nazwa”, dzięki czemu możemy utworzyć unikalny identyfikator i zwiększać go o jeden za każdym razem, gdy kolumna pola zawiera wartość „nazwa”:
#> # 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
Teraz, gdy mamy unikalny identyfikator każdego kontaktu, możemy zamienić pole i wartość w kolumny:
#> # 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>
wniosek
Moim osobistym zdaniem jest to nowa koncepcja porządek naprawdę bardziej intuicyjny i znacznie przewyższający funkcjonalność starszymi funkcjami spread() и gather(). Mam nadzieję, że ten artykuł pomógł ci sobie z tym poradzić pivot_longer() и pivot_wider().