W większości przypadków, gdy pracujesz z odpowiedzią uzyskaną z API lub z innymi danymi o złożonej drzewiastej strukturze, napotykasz na formaty JSON i XML.
Te formaty mają wiele zalet: przechowują dane w sposób stosunkowo kompaktowy i pozwalają uniknąć zbędnego powielania informacji.
Wadą tych formatów jest ich złożoność w przetwarzaniu i analizie. Dane nieustrukturalizowane nie mogą być używane w obliczeniach ani nie można na ich podstawie tworzyć wizualizacji.
Ten artykuł jest logiczną kontynuacją publikacji . Pomoże Ci to przekształcić nieustrukturalizowane konstrukcje danych w znany i użyteczny do analizy format tabelaryczny za pomocą pakietu tidyr, który jest częścią biblioteki tidyverse, oraz jego funkcji z rodziny unnest_*().
Spis treści
Jeśli interesujesz się analizą danych, to mogą Cię zainteresować moje i kanały. Większość zawartości poświęcona jest językowi R.
Wprowadzenie
Rectangling (przyp. tłumacza: nie znalazłem adekwatnych opcji tłumaczenia tego terminu, dlatego zostawimy go bez zmian.) — to proces przekształcania nieustrukturalizowanych danych z zagnieżdżonymi tablicami w dwuwymiarową tabelę składającą się z znanych nam wierszy i kolumn. W tidyr istnieje kilka funkcji, które pomogą Ci rozwinąć zagnieżdżone kolumny-listy i przekształcić dane w prostokątną, tabelaryczną formę:
unnest_longer()bierze każdy element kolumny-listy i tworzy nowy wiersz.unnest_wider()bierze każdy element kolumny-listy i tworzy nową kolumnę.unnest_auto()automatycznie określa, którą z funkcji najlepiej użyć.
unnest_longer()lubunnest_wider().hoist()przypominaunnest_wider()ale wybiera tylko wskazane komponenty i pozwala pracować z wieloma poziomami zagnieżdżenia.
Większość problemów związanych z przekształceniem nieustrukturalizowanych danych z wieloma poziomami zagnieżdżenia w dwuwymiarową tabelę można rozwiązać, łącząc wymienione funkcje z dplyr.
Aby zademonstrować te techniki, będziemy używać pakietu repurrrsive, który dostarcza kilka złożonych, wielopoziomowych list uzyskanych z API sieci Web.
library(tidyr)
library(dplyr)
library(repurrrsive)Użytkownicy GitHub
Zacznijmy od gh_users, listy zawierającej informacje o sześciu użytkownikach GitHub. Na początek przekształćmy listę gh_users do tibble w ramkę.:
users <- tibble( user = gh_users ) To może wydawać się nieco nielogiczne: po co tworzyć listę gh_users, do bardziej złożonej struktury danych? Ale ramka danych ma dużą zaletę: łączy kilka wektorów, więc wszystko jest śledzone w jednym obiekcie.
Każdy element obiektu users to nazwany wykaz, w którym każdy element reprezentuje kolumnę.
names(users$user[[1]])
#> [1] "login" "id" "avatar_url"
#> [4] "gravatar_id" "url" "html_url"
#> [7] "followers_url" "following_url" "gists_url"
#> [10] "starred_url" "subscriptions_url" "organizations_url"
#> [13] "repos_url" "events_url" "received_events_url"
#> [16] "type" "site_admin" "name"
#> [19] "company" "blog" "location"
#> [22] "email" "hireable" "bio"
#> [25] "public_repos" "public_gists" "followers"
#> [28] "following" "created_at" "updated_at"Są dwa sposoby na przekształcenie komponentów wykazu w kolumny. unnest_wider() przyjmuje każdy komponent i tworzy nową kolumnę:
users %>% unnest_wider(user)
#> # A tibble: 6 x 30
#> login id avatar_url gravatar_id url html_url followers_url
#> <chr> <int> <chr> <chr> <chr> <chr> <chr>
#> 1 gabo… 6.60e5 https://a… "" http… https:… https://api.…
#> 2 jenn… 5.99e5 https://a… "" http… https:… https://api.…
#> 3 jtle… 1.57e6 https://a… "" http… https:… https://api.…
#> 4 juli… 1.25e7 https://a… "" http… https:… https://api.…
#> 5 leep… 3.51e6 https://a… "" http… https:… https://api.…
#> 6 masa… 8.36e6 https://a… "" http… https:… https://api.…
#> # … with 23 more variables: following_url <chr>, gists_url <chr>,
#> # starred_url <chr>, subscriptions_url <chr>, organizations_url <chr>,
#> # repos_url <chr>, events_url <chr>, received_events_url <chr>,
#> # type <chr>, site_admin <lgl>, name <chr>, company <chr>, blog <chr>,
#> # location <chr>, email <chr>, public_repos <int>, public_gists <int>,
#> # followers <int>, following <int>, created_at <chr>, updated_at <chr>,
#> # bio <chr>, hireable <lgl>W tym przypadku otrzymaliśmy tabelę składającą się z 30 kolumn, i większość z nich nie będzie nam potrzebna, więc możemy zamiast unnest_wider() już trzeba coś wykorzystać (pracuję z klastrowym Proxmox VE 5.x i ZFS over iSCSI). hoist(). hoist() pozwala nam wydobywać wybrane komponenty, używając tej samej składni, co purrr::pluck():
użytkownicy %>% hoist(user,
followers = "followers",
login = "login",
url = "html_url"
)
#> # A tibble: 6 x 4
#> followers login url user
#>
#> 1 303 gaborcsardi https://github.com/gaborcsardi
#> 2 780 jennybc https://github.com/jennybc
#> 3 3958 jtleek https://github.com/jtleek
#> 4 115 juliasilge https://github.com/juliasilge
#> 5 213 leeper https://github.com/leeper
#> 6 34 masalmon https://github.com/masalmonhoist() usuwa wskazane nazwane komponenty z listy-kolumny użytkownik, więc można to traktować hoist() jako przeniesienie komponentów z wewnętrznej listy ramki danych na jej górny poziom.
Repozytoria Github
Wyrównanie listy gh_repos zaczynamy podobnie, przekształcając ją w tibble:
repos # A tibble: 6 x 1
#> repo
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6Tym razem elementy użytkownik reprezentują listę repozytoriów należących do tego użytkownika. Każde repozytorium jest osobnym obserwowaniem, dlatego zgodnie z koncepcją czystych danych (przyp. tidy data) powinny stać się nowymi wierszami, dlatego używamy unnest_longer() a nie unnest_wider():
repos % unnest_longer(repo)
repos
#> # A tibble: 176 x 1
#> repo
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6
#> 7
#> 8
#> 9
#> 10
#> # … z 166 więcej wierszyTeraz możemy użyć unnest_wider() lub hoist() :
repos %>% hoist(repo,
login = c("owner", "login"),
name = "name",
homepage = "homepage",
watchers = "watchers_count"
)
#> # A tibble: 176 x 5
#> login name homepage watchers repo
#>
#> 1 gaborcsardi after 5
#> 2 gaborcsardi argufy 19
#> 3 gaborcsardi ask 5
#> 4 gaborcsardi baseimports 0
#> 5 gaborcsardi citest 0
#> 6 gaborcsardi clisymbols "" 18
#> 7 gaborcsardi cmaker 0
#> 8 gaborcsardi cmark 0
#> 9 gaborcsardi conditions 0
#> 10 gaborcsardi crayon 52
#> # … z 166 więcej wierszyZwróć uwagę na użycie c("owner", "login"): pozwala to uzyskać wartość drugiego poziomu z zagnieżdżonej listy ownerAlternatywne podejście polega na uzyskaniu pełnej listy owner i następnie przy użyciu funkcji unnest_wider() umieścić każdy jej element w kolumnie:
repos %>%
hoist(repo, owner = "owner") %>%
unnest_wider(owner)
#> # A tibble: 176 x 18
#> login id avatar_url gravatar_id url html_url followers_url
#>
#> 1 gabo… 660288 https://a… "" http… https:… https://api.…
#> 2 gabo… 660288 https://a… "" http… https:… https://api.…
#> 3 gabo… 660288 https://a… "" http… https:… https://api.…
#> 4 gabo… 660288 https://a… "" http… https:… https://api.…
#> 5 gabo… 660288 https://a… "" http… https:… https://api.…
#> 6 gabo… 660288 https://a… "" http… https:… https://api.…
#> 7 gabo… 660288 https://a… "" http… https:… https://api.…
#> 8 gabo… 660288 https://a… "" http… https:… https://api.…
#> 9 gabo… 660288 https://a… "" http… https:… https://api.…
#> 10 gabo… 660288 https://a… "" http… https:… https://api.…
#> # … z 166 dodatkowymi wierszami, i 11 dodatkowymi zmiennymi: following_url ,
#> # gists_url , starred_url , subscriptions_url ,
#> # organizations_url , repos_url , events_url ,
#> # received_events_url , type , site_admin , repoZamiast zastanawiać się nad wyborem odpowiedniej funkcji unnest_longer() lub unnest_wider() możesz skorzystać z unnest_auto(). Ta funkcja wykorzystuje kilka metod heurystycznych do dopasowania najbardziej odpowiedniej funkcji do transformacji danych i wyświetla komunikat o wybranym sposobie.
tibble(repo = gh_repos) %>%
unnest_auto(repo) %>%
unnest_auto(repo)
#> Używając `unnest_longer(repo)`; żaden element nie ma nazw
#> Używając `unnest_wider(repo)`; elementy mają 68 wspólnych nazw
#> # A tibble: 176 x 67
#> id name full_name owner private html_url description fork url
#>
#> 1 6.12e7 after gaborcsa… 2 4.05e7 argu… gaborcsa… 3 3.64e7 ask gaborcsa… 4 3.49e7 base… gaborcsa… 5 6.16e7 cite… gaborcsa… 6 3.39e7 clis… gaborcsa… 7 3.72e7 cmak… gaborcsa… 8 6.80e7 cmark gaborcsa… 9 6.32e7 cond… gaborcsa… <nam… FALSE https:/… TRUE http…
#> 10 2.43e7 cray… gaborcsa… # … z 166 więcej wierszy oraz 58 kolejnych zmiennych: forks_url ,
#> # keys_url , collaborators_url , teams_url ,
#> # hooks_url , issue_events_url , events_url ,
#> # assignees_url , branches_url , tags_url ,
#> # blobs_url , git_tags_url , git_refs_url ,
#> # trees_url , statuses_url , languages_url ,
#> # stargazers_url , contributors_url , subscribers_url ,
#> # subscription_url , commits_url , git_commits_url ,
#> # comments_url , issue_comment_url , contents_url ,
#> # compare_url , merges_url , archive_url ,
#> # downloads_url , issues_url , pulls_url ,
#> # milestones_url , notifications_url , labels_url ,
#> # releases_url , deployments_url , created_at ,
#> # updated_at , pushed_at , git_url , ssh_url ,
#> # clone_url , svn_url , size , stargazers_count ,
#> # watchers_count , language , has_issues ,
#> # has_downloads , has_wiki , has_pages ,
#> # forks_count , open_issues_count , forks ,
#> # open_issues , watchers , default_branch ,
#> # homepagePostacie z Gry o Tron
got_chars ma identyczną strukturę jak gh_users: to zestaw nazwanych list, w którym każdy element wewnętrznej listy opisuje pewną cechę postaci Gry o Tron. Przekształcenie got_chars do formy tabelarycznej rozpoczynamy od stworzenia ramki danych, podobnie jak w wcześniej podanych przykładach, a następnie przekształcimy każdy element w osobną kolumnę:
chars # A tibble: 30 x 1
#> char
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6
#> 7
#> 8
#> 9
#> 10
#> # … z jeszcze 20 wierszy
chars2 % unnest_wider(char)
chars2
#> # A tibble: 30 x 18
#> url id name gender culture born died alive titles aliases father
#> <int> <chr> <chr> <chr> <chr> <chr> <lgl> <list> <list> <chr>
#> 1 http… 1022 Theo… Mężczyzna Żelazne… In 2… "" TRUE <chr … <chr [… ""
#> 2 http… 1052 Tyri… Mężczyzna "" In 2… "" TRUE <chr … <chr [… ""
#> 3 http… 1074 Vict… Mężczyzna Żelazne… In 2… "" TRUE <chr … <chr [… ""
#> 4 http… 1109 Will Mężczyzna "" "" In 2… FALSE <chr … <chr [… ""
#> 5 http… 1166 Areo… Mężczyzna Norvos… In 2… "" TRUE <chr … <chr [… ""
#> 6 http… 1267 Chett Mężczyzna "" At H… In 2… FALSE <chr … <chr [… ""
#> 7 http… 1295 Cres… Mężczyzna "" In 2… In 2… FALSE <chr … <chr [… ""
#> 8 http… 130 Aria… Kobieta Dornijska In 2… "" TRUE <chr … <chr [… ""
#> 9 http… 1303 Daen… Kobieta Valyriań… In 2… "" TRUE <chr … <chr [… ""
#> 10 http… 1319 Davo… Mężczyzna Wester… In 2… "" TRUE <chr … <chr [… ""
#> # … z jeszcze 20 wierszy, i 7 dodatkowych zmiennych: matka <chr>, małżonek <chr>,
#> # przynależności <list>, książki <list>, książki POV <list>, seriale TV <list>,
#> # grani przez <list>Struktura got_chars nieco bardziej złożone niż gh_users, ponieważ niektóre komponenty listy char same w sobie są listą, w rezultacie otrzymujemy kolumny — listy:
chars2 %>% select_if(is.list)
#> # A tibble: 30 x 7
#> titles aliases allegiances books povBooks tvSeries playedBy
#>
#> 1
#> 2
#> 3
#> 4 <łuk>
#> 5
#> 6 <łuk>
#> 7 <łuk>
#> 8
#> 9
#> 10
#> # … z jeszcze 20 wierszyTwoje dalsze działania zależą od celów analizy. Być może będziesz musiał wprowadzić do wierszy informacje o każdej książce i serialu, w którym pojawia się postać:
chars2 %>%
select(name, books, tvSeries) %>%
pivot_longer(c(books, tvSeries), names_to = "media", values_to = "value") %>%
unnest_longer(value)
#> # A tibble: 180 x 3
#> name media value
#>
#> 1 Theon Greyjoy books A Game of Thrones
#> 2 Theon Greyjoy books A Storm of Swords
#> 3 Theon Greyjoy books A Feast for Crows
#> 4 Theon Greyjoy tvSeries Season 1
#> 5 Theon Greyjoy tvSeries Season 2
#> 6 Theon Greyjoy tvSeries Season 3
#> 7 Theon Greyjoy tvSeries Season 4
#> 8 Theon Greyjoy tvSeries Season 5
#> 9 Theon Greyjoy tvSeries Season 6
#> 10 Tyrion Lannister books A Feast for Crows
#> # … with 170 more rowsLub może chcesz stworzyć tabelę, która pozwoli ci powiązać postać z dziełem:
chars2 %>%
select(name, title = titles) %>%
unnest_longer(title)
#> # A tibble: 60 x 2
#> name title
#>
#> 1 Theon Greyjoy Prince of Winterfell
#> 2 Theon Greyjoy Captain of Sea Bitch
#> 3 Theon Greyjoy Lord of the Iron Islands (by law of the green lands)
#> 4 Tyrion Lannister Acting Hand of the King (former)
#> 5 Tyrion Lannister Master of Coin (former)
#> 6 Victarion Greyjoy Lord Captain of the Iron Fleet
#> 7 Victarion Greyjoy Master of the Iron Victory
#> 8 Will ""
#> 9 Areo Hotah Captain of the Guard at Sunspear
#> 10 Chett ""
#> # … with 50 more rows(Zwróć uwagę na puste wartości "" w polu title, jest to spowodowane błędami popełnionymi podczas wprowadzania danych w got_chars: w rzeczywistości postacie, dla których nie ma odpowiednich nagłówków książek i seriali w polu title powinny mieć wektor długości 0, a nie wektor długości 1 zawierający pusty ciąg.)
Możemy przepisać powyższy przykład, używając funkcji unnest_auto(). To podejście jest wygodne do jednorazowej analizy, ale nie warto polegać na unnest_auto() do stałego użytku. Rzecz w tym, że jeśli twoja struktura danych się zmieni unnest_auto() może zmienić preferowany mechanizm przetwarzania danych, jeśli początkowo rozszerzał kolumny-listy do wierszy, używając unnest_longer(), to przy zmianie struktury danych wejściowych logika może zostać zmieniona na korzyść unnest_wider(), a takie podejście na stałe może prowadzić do nieprzewidzianych błędów.
tibble(char = got_chars) %>%
unnest_auto(char) %>%
select(name, title = titles) %>%
unnest_auto(title)
#> Używając `unnest_wider(char)`; elementy mają 18 wspólnych nazw
#> Używając `unnest_longer(title)`; żaden element nie ma nazw
#> # A tibble: 60 x 2
#> name title
#>
#> 1 Theon Greyjoy Książę Winterfell
#> 2 Theon Greyjoy Kapitan Morza Bitch
#> 3 Theon Greyjoy Władca Żelaznych Wysp (według prawa zielonych ziem)
#> 4 Tyrion Lannister Pełniący obowiązki Ręki Króla (były)
#> 5 Tyrion Lannister Mistrz Monet (były)
#> 6 Victarion Greyjoy Dowódca Żelaznej Floty
#> 7 Victarion Greyjoy Mistrz Żelaznego Zwycięstwa
#> 8 Will ""
#> 9 Areo Hotah Kapitan Gwardii w Sunspear
#> 10 Chett ""
#> # … z 50 innymi wierszamiGeokodowanie za pomocą Google
Następnie przyjrzymy się bardziej złożonej strukturze danych, uzyskiwanych od usługi geokodowania Google. Cachowanie danych uwierzytelniających jest sprzeczne z warunkami korzystania z API Google Maps, więc najpierw napiszę prostą powłokę do API. Opiera się ona na przechowywaniu klucza API Google Maps w zmiennej środowiskowej; jeśli w zmiennych środowiskowych nie masz zapisanego klucza do korzystania z API Google Maps, fragmenty kodu przedstawione w tej sekcji nie będą wykonywane.
has_key <- !identical(Sys.getenv("GOOGLE_MAPS_API_KEY"), "")
if (!has_key) {
message("Nie znaleziono klucza API Google Maps; fragmenty kodu nie będą uruchamiane")
}
# https://developers.google.com/maps/documentation/geocoding
geocode <- function(address, api_key = Sys.getenv("GOOGLE_MAPS_API_KEY")) {
url <- "https://maps.googleapis.com/maps/api/geocode/json"
url <- paste0(url, "?address=", URLencode(address), "&key=", api_key)
jsonlite::read_json(url)
}Lista, którą zwraca ta funkcja, jest dość złożona:
houston Lista 2
#> $ wyniki:Lista 1
#> ..$ :Lista 5
#> .. ..$ adres_components:Lista 4
#> .. .. ..$ :Lista 3
#> .. .. .. ..$ long_name : chr "Houston"
#> .. .. .. ..$ short_name: chr "Houston"
#> .. .. .. ..$ types :Lista 2
#> .. .. .. .. ..$ : chr "locality"
#> .. .. .. .. ..$ : chr "political"
#> .. .. ..$ :Lista 3
#> .. .. .. ..$ long_name : chr "Harris County"
#> .. .. .. ..$ short_name: chr "Harris County"
#> .. .. .. ..$ types :Lista 2
#> .. .. .. .. ..$ : chr "administrative_area_level_2"
#> .. .. .. .. ..$ : chr "political"
#> .. .. ..$ :Lista 3
#> .. .. .. ..$ long_name : chr "Texas"
#> .. .. .. ..$ short_name: chr "TX"
#> .. .. .. ..$ types :Lista 2
#> .. .. .. .. ..$ : chr "administrative_area_level_1"
#> .. .. .. .. ..$ : chr "political"
#> .. .. ..$ :Lista 3
#> .. .. .. ..$ long_name : chr "Stany Zjednoczone"
#> .. .. .. ..$ short_name: chr "US"
#> .. .. .. ..$ types :Lista 2
#> .. .. .. .. ..$ : chr "country"
#> .. .. .. .. ..$ : chr "political"
#> .. ..$ formatted_address : chr "Houston, TX, USA"
#> .. ..$ geometry :Lista 4
#> .. .. ..$ bounds :Lista 2
#> .. .. .. ..$ northeast:Lista 2
#> .. .. .. .. ..$ lat: num 30.1
#> .. .. .. .. ..$ lng: num -95
#> .. .. .. ..$ southwest:Lista 2
#> .. .. .. .. ..$ lat: num 29.5
#> .. .. .. .. ..$ lng: num -95.8
#> .. .. ..$ location :Lista 2
#> .. .. .. ..$ lat: num 29.8
#> .. .. .. ..$ lng: num -95.4
#> .. .. ..$ location_type: chr "APPROXIMATE"
#> .. .. ..$ viewport :Lista 2
#> .. .. .. ..$ northeast:Lista 2
#> .. .. .. .. ..$ lat: num 30.1
#> .. .. .. .. ..$ lng: num -95
#> .. .. .. ..$ southwest:Lista 2
#> .. .. .. .. ..$ lat: num 29.5
#> .. .. .. .. ..$ lng: num -95.8
#> .. ..$ place_id : chr "ChIJAYWNSLS4QIYROwVl894CDco"
#> .. ..$ types :Lista 2
#> .. .. ..$ : chr "locality"
#> .. .. ..$ : chr "political"
#> $ status : chr "OK"Na szczęście, możemy krok po kroku rozwiązać problem konwersji tych danych do formatu tabelarycznego za pomocą funkcji tidyr. Aby zadanie było trochę trudniejsze i bardziej realistyczne, zacznę od geokodowania kilku miast:
city <- c ( "Houston" , "LA" , "Nowy Jork" , "Chicago" , "Springfield" ) city_geo <- purrr::map (city, geocode) Uzyskany wynik przekształcę na tibble, dla wygody dodam kolumnę z odpowiadającą nazwą miasta.
loc # A tibble: 5 x 2
#> city json
#>
#> 1 Houston
#> 2 LA
#> 3 Nowy Jork
#> 4 Chicago
#> 5 SpringfieldPierwszy poziom zawiera komponenty status i result, które możemy rozwinąć za pomocą unnest_wider() :
loc %>%
unnest_wider(json)
#> # A tibble: 5 x 3
#> city results status
#>
#> 1 Houston OK
#> 2 LA OK
#> 3 Nowy Jork OK
#> 4 Chicago OK
#> 5 Springfield OKZauważ, że wyniki jest wielopoziomową listą. Większość miast ma 1 element (reprezentujący unikalną wartość zgodną z API geokodowania), ale Springfield ma ich dwa. Możemy je wydobyć w osobne wiersze przy użyciu unnest_longer() :
loc %>%
unnest_wider(json) %>%
unnest_longer(results)
#> # A tibble: 5 x 3
#> city results status
#>
#> 1 Houston OK
#> 2 LA OK
#> 3 New York OK
#> 4 Chicago OK
#> 5 Springfield OKTeraz wszystkie mają te same komponenty, co można sprawdzić za pomocą unnest_wider():
loc %>%
unnest_wider(json) %>%
unnest_longer(results) %>%
unnest_wider(results)
#> # A tibble: 5 x 7
#> city address_componen… formatted_addre… geometry place_id types status
#>
#> 1 Houst… Houston, TX, USA <named … ChIJAYWN… 2 LA Los Angeles, CA… <named … ChIJE9on… 3 New Y… New York, NY, U… <named … ChIJOwg_… 4 Chica… Chicago, IL, USA <named … ChIJ7cv0… 5 Sprin… Springfield, MO… <named … ChIJP5jI… <lis… OKMożemy znaleźć współrzędne szerokości i długości geograficznej każdego miasta rozszerzając listę geometry:
loc %>%
unnest_wider(json) %>%
unnest_longer(results) %>%
unnest_wider(results) %>%
unnest_wider(geometry)
#> # A tibble: 5 x 10
#> city address_compone… formatted_addre… bounds location location_type
#>
#> 1 Hous… Houston, TX, USA <name… 2 LA Los Angeles, CA… <name… 3 New … New York, NY, U… <name… 4 Chic… Chicago, IL, USA <name… 5 Spri… Springfield, MO… <name… # … with 4 more variables: viewport , place_id , types ,
#> # statusA następnie lokalizacja, do czego wymagane jest rozszerzenie lokacja:
lok %>%
unnest_wider(json) %>%
unnest_longer(results) %>%
unnest_wider(results) %>%
unnest_wider(geometry) %>%
unnest_wider(location)
#> # A tibble: 5 x 11
#> miasto komponent_adresu… sformatowany_adres… granice lat lng typ_lokalizacji
#>
#> 1 Hous… Houston, TX, USA 2 LA Los Angeles, CA… 3 Nowe … Nowy Jork, NY, U… 4 Chic… Chicago, IL, USA 5 Spri… Springfield, MO… # … z 4 więcej zmiennymi: viewport , place_id , types ,
#> # statusPonownie, unnest_auto() upraszcza opisaną operację, wiążąc się z pewnym ryzykiem, które mogą być spowodowane zmianą struktury danych wejściowych:
lok %>%
unnest_auto(json) %>%
unnest_auto(results) %>%
unnest_auto(results) %>%
unnest_auto(geometry) %>%
unnest_auto(location)
#> Użycie `unnest_wider(json)`; elementy mają 2 wspólne nazwy
#> Użycie `unnest_longer(results)`; żaden element nie ma nazw
#> Użycie `unnest_wider(results)`; elementy mają 5 wspólnych nazw
#> Użycie `unnest_wider(geometry)`; elementy mają 4 wspólne nazwy
#> Użycie `unnest_wider(location)`; elementy mają 2 wspólne nazwy
#> # A tibble: 5 x 11
#> miasto komponent_adresu… sformatowany_adres… granice lat lng typ_lokalizacji
#>
#> 1 Hous… Houston, TX, USA 2 LA Los Angeles, CA… 3 Nowe … Nowy Jork, NY, U… 4 Chic… Chicago, IL, USA 5 Spri… Springfield, MO… # … z 4 więcej zmiennymi: viewport , place_id , types ,
#> # statusMożemy także po prostu spojrzeć na pierwszy adres dla każdego miasta:
lok %>%
unnest_wider(json) %>%
hoist(results, first_result = 1) %>%
unnest_wider(first_result) %>%
unnest_wider(geometry) %>%
unnest_wider(location)
#> # A tibble: 5 x 11
#> miasto komponent_adresu… sformatowany_adres… granice lat lng typ_lokalizacji
#>
#> 1 Hous… Houston, TX, USA 2 LA Los Angeles, CA… 3 Nowe … Nowy Jork, NY, U… 4 Chic… Chicago, IL, USA 5 Spri… Springfield, MO… # … z 4 więcej zmiennymi: viewport , place_id , types ,
#> # statusLub użyć hoist() do wielopoziomowego zagłębiania, aby przejść bezpośrednio do lat i lng.
lok %>%
hoist(json,
lat = list("results", 1, "geometry", "location", "lat"),
lng = list("results", 1, "geometry", "location", "lng")
)
#> # A tibble: 5 x 4
#> city lat lng json
#>
#> 1 Houston 29.8 -95.4
#> 2 LA 34.1 -118.
#> 3 Nowy Jork 40.7 -74.0
#> 4 Chicago 41.9 -87.6
#> 5 Springfield 37.2 -93.3Dyskografia Szarly Gelfand
Na zakończenie omówimy najbardziej skomplikowaną konstrukcję — dyskografię Sharly Gel'fand. Tak jak w podanych powyżej przykładach, zaczynamy od konwersji listy do ramki danych z jedną kolumną, a następnie rozszerzymy ją, aby każdy komponent był osobną kolumną. Również przekształcę kolumnę data_added do odpowiedniego formatu daty i czasu w R.
discs %
unnest_wider(disc) %>%
mutate(date_added = as.POSIXct(strptime(date_added, "%Y-%m-%dT%H:%M:%S")))
discs
#> # A tibble: 155 x 5
#> instance_id date_added basic_information id rating
#>
#> 1 354823933 2019-02-16 17:48:59 7496378 0
#> 2 354092601 2019-02-13 14:13:11 4490852 0
#> 3 354091476 2019-02-13 14:07:23 9827276 0
#> 4 351244906 2019-02-02 11:39:58 9769203 0
#> 5 351244801 2019-02-02 11:39:37 7237138 0
#> 6 351052065 2019-02-01 20:40:53 13117042 0
#> 7 350315345 2019-01-29 15:48:37 7113575 0
#> 8 350315103 2019-01-29 15:47:22 10540713 0
#> 9 350314507 2019-01-29 15:44:08 11260950 0
#> 10 350314047 2019-01-29 15:41:35 11726853 0
#> # … with 145 more rowsNa tym etapie uzyskaliśmy informacje o tym, kiedy każdy dysk został dodany do dyskografii Sharly, jednak nie widzimy żadnych danych o tych dyskach. W tym celu musimy rozszerzyć kolumnę basic_information:
discs %>% unnest_wider(basic_information)
#> Nazwa kolumny `id` nie może być zduplikowana.
#> Użyj .name_repair, aby określić naprawę.Niestety otrzymamy błąd, ponieważ w obrębie listy basic_information jest kolumna o tej samej nazwie basic_information. W przypadku wystąpienia takiego błędu, aby szybko zidentyfikować jego przyczynę, możesz użyć names_repair = "unique":
dyski %>% unnest_wider(basic_information, names_repair = "unique")
#> Nowe nazwy:
#> * id -> id...6
#> * id -> id...14
#> # A tibble: 155 x 15
#> instance_id date_added labels year artists id...6 thumb title
#>
#> 1 354823933 2019-02-16 17:48:59 <list… 2015 2 354092601 2019-02-13 14:13:11 <list… 2013 3 354091476 2019-02-13 14:07:23 <list… 2017 4 351244906 2019-02-02 11:39:58 <list… 2017 5 351244801 2019-02-02 11:39:37 <list… 2015 6 351052065 2019-02-01 20:40:53 <list… 2019 7 350315345 2019-01-29 15:48:37 <list… 2014 8 350315103 2019-01-29 15:47:22 <list… 2015 9 350314507 2019-01-29 15:44:08 <list… 2017 10 350314047 2019-01-29 15:41:35 <list… 2017 # … z 145 więcej wierszy i 7 więcej zmiennych: formats ,
#> # cover_image , resource_url , master_id ,
#> # master_url , id...14 , ratingProblem polega na tym, że basic_information powtarza kolumnę id, która jest również przechowywana na górnym poziomie, więc możemy po prostu ją usunąć:
dyski %>%
select(-id) %>%
unnest_wider(basic_information)
#> # A tibble: 155 x 14
#> instance_id date_added labels year artists id thumb title
#>
#> 1 354823933 2019-02-16 17:48:59 <list… 2015 2 354092601 2019-02-13 14:13:11 <list… 2013 3 354091476 2019-02-13 14:07:23 <list… 2017 4 351244906 2019-02-02 11:39:58 <list… 2017 5 351244801 2019-02-02 11:39:37 <list… 2015 6 351052065 2019-02-01 20:40:53 <list… 2019 7 350315345 2019-01-29 15:48:37 <list… 2014 8 350315103 2019-01-29 15:47:22 <list… 2015 9 350314507 2019-01-29 15:44:08 <list… 2017 10 350314047 2019-01-29 15:41:35 <list… 2017 # … z 145 więcej wierszy oraz 6 więcej zmiennych: formats ,
#> # cover_image , resource_url , master_id ,
#> # master_url , ratingAlternatywnie moglibyśmy użyć hoist():
dyski %>%
hoist(basic_information,
title = "title",
year = "year",
label = list("labels", 1, "name"),
artist = list("artists", 1, "name")
)
#> # A tibble: 155 x 9
#> instance_id data_added title year label artist
#>
#> 1 354823933 2019-02-16 17:48:59 Demo 2015 Tobi… Mollot
#> 2 354092601 2019-02-13 14:13:11 Obse… 2013 La V… Una B…
#> 3 354091476 2019-02-13 14:07:23 I 2017 La V… S.H.I…
#> 4 351244906 2019-02-02 11:39:58 Oído… 2017 La V… Rata …
#> 5 351244801 2019-02-02 11:39:37 A Ca… 2015 Kato… Ivy (…
#> 6 351052065 2019-02-01 20:40:53 Tash… 2019 High… Tashme
#> 7 350315345 2019-01-29 15:48:37 Demo 2014 Mind… Desgr…
#> 8 350315103 2019-01-29 15:47:22 Let … 2015 Not … Phant…
#> 9 350314507 2019-01-29 15:44:08 Sub … 2017 Not … Sub S…
#> 10 350314047 2019-01-29 15:41:35 Demo 2017 Pres… Small…
#> # … with 145 more rows, and 3 more variables: basic_information ,
#> # id , ratingTutaj szybko wyodrębniam imię pierwszej wytwórni i artysty według indeksu, zagłębiając się w zagnieżdżoną listę.
Bardziej systematyczne podejście polega na utworzeniu odrębnych tabel dla artysty i wytwórni:
dyski %>%
hoist(basic_information, artist = "artists") %>%
select(disc_id = id, artist) %>%
unnest_longer(artist) %>%
unnest_wider(artist)
#> # A tibble: 167 x 8
#> disc_id join name anv tracks role resource_url id
#>
#> 1 7496378 "" Mollot "" "" "" https://api.discog… 4.62e6
#> 2 4490852 "" Una Bèstia… "" "" "" https://api.discog… 3.19e6
#> 3 9827276 "" S.H.I.T. (… "" "" "" https://api.discog… 2.77e6
#> 4 9769203 "" Rata Negra "" "" "" https://api.discog… 4.28e6
#> 5 7237138 "" Ivy (18) "" "" "" https://api.discog… 3.60e6
#> 6 13117042 "" Tashme "" "" "" https://api.discog… 5.21e6
#> 7 7113575 "" Desgraciad… "" "" "" https://api.discog… 4.45e6
#> 8 10540713 "" Phantom He… "" "" "" https://api.discog… 4.27e6
#> 9 11260950 "" Sub Space … "" "" "" https://api.discog… 5.69e6
#> 10 11726853 "" Small Man … "" "" "" https://api.discog… 6.37e6
#> # … with 157 more rows
dyski %>%
hoist(basic_information, format = "formats") %>%
select(disc_id = id, format) %>%
unnest_longer(format) %>%
unnest_wider(format) %>%
unnest_longer(descriptions)
#> # A tibble: 280 x 5
#> disc_id descriptions text name qty
#>
#> 1 7496378 Numbered Black Cassette 1
#> 2 4490852 LP Vinyl 1
#> 3 9827276 "7"" Vinyl 1
#> 4 9827276 45 RPM Vinyl 1
#> 5 9827276 EP Vinyl 1
#> 6 9769203 LP Vinyl 1
#> 7 9769203 Album Vinyl 1
#> 8 7237138 "7"" Vinyl 1
#> 9 7237138 45 RPM Vinyl 1
#> 10 13117042 "7"" Vinyl 1
#> # … with 270 more rowsNastępnie można je ponownie połączyć z zestawem danych źródłowych w razie potrzeby.
Podsumowanie
W jądro biblioteki tidyverse wchodzą liczne przydatne pakiety połączone wspólną filozofią przetwarzania danych.
W tym artykule omówiliśmy rodzinę funkcji unnest_*(), które są przeznaczone do pracy z wydobywaniem elementów z zagnieżdżonych list. Ten pakiet zawiera wiele innych użytecznych funkcji, które upraszczają przekształcanie danych zgodnie z koncepcją Tidy Data.
Źródło: habr.com
