බොහෝ අවස්ථාවන්හිදී, API එකකින් ලැබෙන ප්‍රතිචාරයක් සමඟ හෝ සංකීර්ණ ගස් ව්‍යුහයක් ඇති වෙනත් දත්ත සමඟ වැඩ කරන විට, ඔබ JSON සහ XML ආකෘතිවලට මුහුණ දෙයි.

මෙම ආකෘති වලට බොහෝ වාසි ඇත: ඒවා ඉතා සංයුක්තව දත්ත ගබඩා කරන අතර අනවශ්‍ය ලෙස තොරතුරු පිටපත් කිරීම වළක්වා ගැනීමට ඔබට ඉඩ සලසයි.

මෙම ආකෘතිවල අවාසිය නම් ඒවායේ සැකසීමේ හා විශ්ලේෂණයේ සංකීර්ණත්වයයි. ව්‍යුහගත නොකළ දත්ත ගණනය කිරීම් වලදී භාවිතා කළ නොහැකි අතර එය මත දෘශ්‍යකරණය ගොඩනගා ගත නොහැක.

මෙම ලිපිය ප්‍රකාශනයේ තාර්කික අඛණ්ඩ පැවැත්මකි "R පැකේජය tidyr සහ එහි නව කාර්යයන් pivot_longer සහ pivot_wider". පැකේජය භාවිතයෙන් ව්‍යුහගත නොවන දත්ත ව්‍යුහයන් හුරුපුරුදු සහ විශ්ලේෂණ සඳහා සුදුසු වගු ආකෘතියකට ගෙන ඒමට එය ඔබට උපකාරී වනු ඇත. tidyr, පුස්තකාලයේ හරයට ඇතුළත් කර ඇත tidyverse, සහ එහි කාර්ය පවුල unnest_*().

අන්තර්ගතය

ඔබ දත්ත විශ්ලේෂණයට කැමති නම්, ඔබ මගේ ගැන උනන්දු විය හැකිය ටෙලිග්රාෆ් и ප්රථම අදියර නාලිකා. බොහෝ අන්තර්ගතයන් R භාෂාව සඳහා කැප කර ඇත.

හැඳින්වීම
GitHub භාවිතා කරන්නන්
Github ගබඩා
Game of Thrones චරිත
Google සමඟ භූ කේතීකරණය
ෂර්ලා ගෙල්ෆාන්ඩ්ගේ ඩිස්කෝග්‍රැෆි
නිගමනය

හැඳින්වීම

සෘජුකෝණාස්රය (පරිවර්තකයාගේ සටහන, මෙම පදය සඳහා ප්‍රමාණවත් පරිවර්තන විකල්ප මට හමු නොවීය, එබැවින් අපි එය එලෙසම තබමු.) හුරුපුරුදු පේළි සහ තීරු වලින් සමන්විත ද්විමාන වගුවකට කැදලි අරා සහිත ව්‍යුහගත නොවන දත්ත ගෙන ඒමේ ක්‍රියාවලියයි. තුල tidyr කැදලි ලැයිස්තු තීරු පුළුල් කිරීමට සහ දත්ත සෘජුකෝණාස්රාකාර, වගු ආකාරයෙන් අඩු කිරීමට ඔබට උපකාර වන කාර්යයන් කිහිපයක් තිබේ:

unnest_longer() තීරු ලැයිස්තුවේ සෑම අංගයක්ම ගෙන නව පේළියක් සාදයි.
unnest_wider() තීරු ලැයිස්තුවේ සෑම අංගයක්ම ගෙන නව තීරුවක් සාදයි.
unnest_auto() භාවිතා කිරීමට හොඳම කාර්යය කුමක්ද යන්න ස්වයංක්රීයව තීරණය කරයි
unnest_longer() හෝ unnest_wider().
hoist() සමාන unnest_wider() නමුත් නිශ්චිත සංරචක පමණක් තෝරා ගන්නා අතර කූඩු මට්ටම් කිහිපයක් සමඟ වැඩ කිරීමට ඔබට ඉඩ සලසයි.

කූඩු මට්ටම් කිහිපයක් සහිත ව්‍යුහගත නොවන දත්ත ද්විමාන වගුවකට ගෙන ඒම හා සම්බන්ධ ගැටළු බොහොමයක් ලැයිස්තුගත කර ඇති කාර්යයන් dplyr සමඟ ඒකාබද්ධ කිරීමෙන් විසඳා ගත හැකිය.

මෙම ශිල්පීය ක්‍රම ප්‍රදර්ශනය කිරීම සඳහා, අපි පැකේජය භාවිතා කරමු repurrrsive, එය වෙබ් API වෙතින් ලබාගත් බහු සංකීර්ණ, බහු මට්ටමේ ලැයිස්තු සපයයි.

library(tidyr)
library(dplyr)
library(repurrrsive)

GitHub භාවිතා කරන්නන්

ආරම්භ කරන්න gh_users, GitHub භාවිතා කරන්නන් හය දෙනෙකු පිළිබඳ තොරතුරු අඩංගු ලැයිස්තුවකි. මුලින්ම අපි ලැයිස්තුව වෙනස් කරමු gh_users в ටිබල් රාමුව:

users <-   tibble( user = gh_users )

මෙය ටිකක් ප්‍රතිවිරුද්ධ බවක් පෙනේ: ලැයිස්තුවක් සපයන්නේ ඇයි gh_users, වඩාත් සංකීර්ණ දත්ත ව්‍යුහයකට? නමුත් දත්ත රාමුවකට විශාල වාසියක් ඇත: එය දෛශික කිහිපයක් ඒකාබද්ධ කරයි, එවිට සෑම දෙයක්ම එක වස්තුවක් තුළ නිරීක්ෂණය කෙරේ.

එක් එක් වස්තුවේ මූලද්රව්යය users එක් එක් මූලද්‍රව්‍ය තීරුවක් නියෝජනය කරන නම් කරන ලද ලැයිස්තුවකි.

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"

ලැයිස්තු සංරචක තීරු බවට පත් කිරීමට ක්රම දෙකක් තිබේ. unnest_wider() එක් එක් සංරචක ගෙන නව තීරුවක් සාදයි:

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>

මෙම අවස්ථාවේදී, අපට තීරු 30 කින් සමන්විත වගුවක් ඇති අතර, ඒවායින් බොහොමයක් අපට අවශ්ය නොවනු ඇත, එබැවින් අපට ඒ වෙනුවට කළ හැකිය unnest_wider() භාවිතා කරන්න hoist(). hoist() එකම වාක්‍ය ඛණ්ඩය භාවිතයෙන් තෝරාගත් සංරචක උකහා ගැනීමට අපට ඉඩ සලසයි purrr::pluck():

users %>% hoist(user, 
  followers = "followers", 
  login = "login", 
  url = "html_url"
)
#> # A tibble: 6 x 4
#>   followers login       url                            user             
#>       <int> <chr>       <chr>                          <list>           
#> 1       303 gaborcsardi https://github.com/gaborcsardi <named list [27]>
#> 2       780 jennybc     https://github.com/jennybc     <named list [27]>
#> 3      3958 jtleek      https://github.com/jtleek      <named list [27]>
#> 4       115 juliasilge  https://github.com/juliasilge  <named list [27]>
#> 5       213 leeper      https://github.com/leeper      <named list [27]>
#> 6        34 masalmon    https://github.com/masalmon    <named list [27]>

hoist() තීරු ලැයිස්තුවකින් නිශ්චිත නම් කරන ලද සංරචක ඉවත් කරයි පරිශීලකඑබැවින් ඔබට සලකා බැලිය හැකිය hoist() දින රාමුවක අභ්‍යන්තර ලැයිස්තුවේ සිට එහි ඉහළ මට්ටමට සංරචක ගෙනයාම වැනි.

Github ගබඩා

ලැයිස්තු පෙළගැස්ම gh_repos අපි එය පරිවර්තනය කිරීමෙන් ඒ හා සමානව ආරම්භ කරමු tibble:

repos <- tibble(repo = gh_repos)
repos
#> # A tibble: 6 x 1
#>   repo       
#>   <list>     
#> 1 <list [30]>
#> 2 <list [30]>
#> 3 <list [30]>
#> 4 <list [26]>
#> 5 <list [30]>
#> 6 <list [30]>

මෙවර මූලද්රව්ය පරිශීලක මෙම පරිශීලකයා සතු ගබඩා ලැයිස්තුවක් නියෝජනය කරයි. සෑම ගබඩාවක්ම වෙනම නිරීක්ෂණ වේ, එබැවින් පිළිවෙලට දත්ත සංකල්පයට අනුව (ආසන්න වශයෙන් පිරිසිදු දත්ත) ඒවා නව රේඛා බවට පත් විය යුතුය, ඒ නිසා අපි භාවිතා කරමු unnest_longer() නමුත් එසේ නොවේ unnest_wider():

repos <- repos %>% unnest_longer(repo)
repos
#> # A tibble: 176 x 1
#>    repo             
#>    <list>           
#>  1 <named list [68]>
#>  2 <named list [68]>
#>  3 <named list [68]>
#>  4 <named list [68]>
#>  5 <named list [68]>
#>  6 <named list [68]>
#>  7 <named list [68]>
#>  8 <named list [68]>
#>  9 <named list [68]>
#> 10 <named list [68]>
#> # … with 166 more rows

දැන් අපට භාවිතා කළ හැකිය unnest_wider() හෝ 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             
#>    <chr>       <chr>       <chr>       <int> <list>           
#>  1 gaborcsardi after       <NA>            5 <named list [65]>
#>  2 gaborcsardi argufy      <NA>           19 <named list [65]>
#>  3 gaborcsardi ask         <NA>            5 <named list [65]>
#>  4 gaborcsardi baseimports <NA>            0 <named list [65]>
#>  5 gaborcsardi citest      <NA>            0 <named list [65]>
#>  6 gaborcsardi clisymbols  ""             18 <named list [65]>
#>  7 gaborcsardi cmaker      <NA>            0 <named list [65]>
#>  8 gaborcsardi cmark       <NA>            0 <named list [65]>
#>  9 gaborcsardi conditions  <NA>            0 <named list [65]>
#> 10 gaborcsardi crayon      <NA>           52 <named list [65]>
#> # … with 166 more rows

භාවිතය කෙරෙහි අවධානය යොමු කරන්න c("owner", "login"): මෙය අපට කැදැලි ලැයිස්තුවකින් දෙවන මට්ටමේ අගය ලබා ගැනීමට ඉඩ සලසයි owner. විකල්ප ප්රවේශයක් සම්පූර්ණ ලැයිස්තුව ලබා ගැනීමයි owner ඉන්පසු කාර්යය භාවිතා කිරීම unnest_wider() එහි එක් එක් අංගයන් තීරුවකට දමන්න:

repos %>% 
  hoist(repo, owner = "owner") %>% 
  unnest_wider(owner)
#> # A tibble: 176 x 18
#>    login     id avatar_url gravatar_id url   html_url followers_url
#>    <chr>  <int> <chr>      <chr>       <chr> <chr>    <chr>        
#>  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.…
#> # … with 166 more rows, and 11 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>, repo <list>

නිවැරදි කාර්යය තෝරාගැනීම ගැන සිතීම වෙනුවට unnest_longer() හෝ unnest_wider() ඔයාට පාවිච්චි කරන්න පුළුවන් unnest_auto(). මෙම ශ්‍රිතය දත්ත පරිවර්තනය කිරීම සඳහා වඩාත් සුදුසු ශ්‍රිතය තේරීමට හූරිස්ටික් ක්‍රම කිහිපයක් භාවිතා කරන අතර තෝරාගත් ක්‍රමය පිළිබඳ පණිවිඩයක් පෙන්වයි.

tibble(repo = gh_repos) %>% 
  unnest_auto(repo) %>% 
  unnest_auto(repo)
#> Using `unnest_longer(repo)`; no element has names
#> Using `unnest_wider(repo)`; elements have 68 names in common
#> # A tibble: 176 x 67
#>        id name  full_name owner private html_url description fork  url  
#>     <int> <chr> <chr>     <lis> <lgl>   <chr>    <chr>       <lgl> <chr>
#>  1 6.12e7 after gaborcsa… <nam… FALSE   https:/… Run Code i… FALSE http…
#>  2 4.05e7 argu… gaborcsa… <nam… FALSE   https:/… Declarativ… FALSE http…
#>  3 3.64e7 ask   gaborcsa… <nam… FALSE   https:/… Friendly C… FALSE http…
#>  4 3.49e7 base… gaborcsa… <nam… FALSE   https:/… Do we get … FALSE http…
#>  5 6.16e7 cite… gaborcsa… <nam… FALSE   https:/… Test R pac… TRUE  http…
#>  6 3.39e7 clis… gaborcsa… <nam… FALSE   https:/… Unicode sy… FALSE http…
#>  7 3.72e7 cmak… gaborcsa… <nam… FALSE   https:/… port of cm… TRUE  http…
#>  8 6.80e7 cmark gaborcsa… <nam… FALSE   https:/… CommonMark… TRUE  http…
#>  9 6.32e7 cond… gaborcsa… <nam… FALSE   https:/… <NA>        TRUE  http…
#> 10 2.43e7 cray… gaborcsa… <nam… FALSE   https:/… R package … FALSE http…
#> # … with 166 more rows, and 58 more variables: forks_url <chr>,
#> #   keys_url <chr>, collaborators_url <chr>, teams_url <chr>,
#> #   hooks_url <chr>, issue_events_url <chr>, events_url <chr>,
#> #   assignees_url <chr>, branches_url <chr>, tags_url <chr>,
#> #   blobs_url <chr>, git_tags_url <chr>, git_refs_url <chr>,
#> #   trees_url <chr>, statuses_url <chr>, languages_url <chr>,
#> #   stargazers_url <chr>, contributors_url <chr>, subscribers_url <chr>,
#> #   subscription_url <chr>, commits_url <chr>, git_commits_url <chr>,
#> #   comments_url <chr>, issue_comment_url <chr>, contents_url <chr>,
#> #   compare_url <chr>, merges_url <chr>, archive_url <chr>,
#> #   downloads_url <chr>, issues_url <chr>, pulls_url <chr>,
#> #   milestones_url <chr>, notifications_url <chr>, labels_url <chr>,
#> #   releases_url <chr>, deployments_url <chr>, created_at <chr>,
#> #   updated_at <chr>, pushed_at <chr>, git_url <chr>, ssh_url <chr>,
#> #   clone_url <chr>, svn_url <chr>, size <int>, stargazers_count <int>,
#> #   watchers_count <int>, language <chr>, has_issues <lgl>,
#> #   has_downloads <lgl>, has_wiki <lgl>, has_pages <lgl>,
#> #   forks_count <int>, open_issues_count <int>, forks <int>,
#> #   open_issues <int>, watchers <int>, default_branch <chr>,
#> #   homepage <chr>

Game of Thrones චරිත

got_chars සඳහා සමාන ව්යුහයක් ඇත gh_users: මෙය නම් කරන ලද ලැයිස්තු සමූහයකි, මෙහි අභ්‍යන්තර ලැයිස්තුවේ සෑම අංගයක්ම Game of Thrones චරිතයක යම් ගුණාංගයක් විස්තර කරයි. ගේනවා got_chars වගු දර්ශනය සඳහා, අපි පෙර උදාහරණවල මෙන් දින රාමුවක් නිර්මාණය කිරීමෙන් ආරම්භ කර, පසුව එක් එක් මූලද්‍රව්‍ය වෙනම තීරුවකට පරිවර්තනය කරමු:

chars <- tibble(char = got_chars)
chars
#> # A tibble: 30 x 1
#>    char             
#>    <list>           
#>  1 <named list [18]>
#>  2 <named list [18]>
#>  3 <named list [18]>
#>  4 <named list [18]>
#>  5 <named list [18]>
#>  6 <named list [18]>
#>  7 <named list [18]>
#>  8 <named list [18]>
#>  9 <named list [18]>
#> 10 <named list [18]>
#> # … with 20 more rows

chars2 <- chars %>% unnest_wider(char)
chars2
#> # A tibble: 30 x 18
#>    url      id name  gender culture born  died  alive titles aliases father
#>    <chr> <int> <chr> <chr>  <chr>   <chr> <chr> <lgl> <list> <list>  <chr> 
#>  1 http…  1022 Theo… Male   Ironbo… In 2… ""    TRUE  <chr … <chr [… ""    
#>  2 http…  1052 Tyri… Male   ""      In 2… ""    TRUE  <chr … <chr [… ""    
#>  3 http…  1074 Vict… Male   Ironbo… In 2… ""    TRUE  <chr … <chr [… ""    
#>  4 http…  1109 Will  Male   ""      ""    In 2… FALSE <chr … <chr [… ""    
#>  5 http…  1166 Areo… Male   Norvos… In 2… ""    TRUE  <chr … <chr [… ""    
#>  6 http…  1267 Chett Male   ""      At H… In 2… FALSE <chr … <chr [… ""    
#>  7 http…  1295 Cres… Male   ""      In 2… In 2… FALSE <chr … <chr [… ""    
#>  8 http…   130 Aria… Female Dornish In 2… ""    TRUE  <chr … <chr [… ""    
#>  9 http…  1303 Daen… Female Valyri… In 2… ""    TRUE  <chr … <chr [… ""    
#> 10 http…  1319 Davo… Male   Wester… In 2… ""    TRUE  <chr … <chr [… ""    
#> # … with 20 more rows, and 7 more variables: mother <chr>, spouse <chr>,
#> #   allegiances <list>, books <list>, povBooks <list>, tvSeries <list>,
#> #   playedBy <list>

ව්යුහය got_chars වඩා ටිකක් අමාරුයි gh_users, නිසා සමහර ලැයිස්තු සංරචක char තමන්ම ලැයිස්තුවකි, එහි ප්‍රතිඵලයක් ලෙස අපට කුළුණු - ලැයිස්තු ලැබේ:

chars2 %>% select_if(is.list)
#> # A tibble: 30 x 7
#>    titles    aliases    allegiances books     povBooks  tvSeries  playedBy 
#>    <list>    <list>     <list>      <list>    <list>    <list>    <list>   
#>  1 <chr [3]> <chr [4]>  <chr [1]>   <chr [3]> <chr [2]> <chr [6]> <chr [1]>
#>  2 <chr [2]> <chr [11]> <chr [1]>   <chr [2]> <chr [4]> <chr [6]> <chr [1]>
#>  3 <chr [2]> <chr [1]>  <chr [1]>   <chr [3]> <chr [2]> <chr [1]> <chr [1]>
#>  4 <chr [1]> <chr [1]>  <???>       <chr [1]> <chr [1]> <chr [1]> <chr [1]>
#>  5 <chr [1]> <chr [1]>  <chr [1]>   <chr [3]> <chr [2]> <chr [2]> <chr [1]>
#>  6 <chr [1]> <chr [1]>  <???>       <chr [2]> <chr [1]> <chr [1]> <chr [1]>
#>  7 <chr [1]> <chr [1]>  <???>       <chr [2]> <chr [1]> <chr [1]> <chr [1]>
#>  8 <chr [1]> <chr [1]>  <chr [1]>   <chr [4]> <chr [1]> <chr [1]> <chr [1]>
#>  9 <chr [5]> <chr [11]> <chr [1]>   <chr [1]> <chr [4]> <chr [6]> <chr [1]>
#> 10 <chr [4]> <chr [5]>  <chr [2]>   <chr [1]> <chr [3]> <chr [5]> <chr [1]>
#> # … with 20 more rows

ඔබගේ ඉදිරි ක්‍රියා විශ්ලේෂනයේ අරමුණු මත රඳා පවතී. සමහර විට ඔබ චරිතය දිස්වන සෑම පොතක් සහ මාලාවක් සඳහාම රේඛා පිළිබඳ තොරතුරු තැබිය යුතුය:

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            
#>    <chr>            <chr>    <chr>            
#>  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 rows

නැතහොත් ඔබට චරිතය සහ කාර්යය ගැලපීමට ඉඩ සලසන වගුවක් නිර්මාණය කිරීමට ඔබට අවශ්‍ය විය හැකිය:

chars2 %>% 
  select(name, title = titles) %>% 
  unnest_longer(title)
#> # A tibble: 60 x 2
#>    name              title                                               
#>    <chr>             <chr>                                               
#>  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

(හිස් අගයන් සටහන් කරන්න "" ක්ෂේත්රයේ title, මෙයට දත්ත ඇතුලත් කිරීමේදී සිදුවන දෝෂ නිසා සිදුවේ got_chars: ඇත්ත වශයෙන්ම, ක්ෂේත්‍රයේ අනුරූප පොත් සහ රූපවාහිනී මාලා මාතෘකා නොමැති චරිත title හිස් නූල අඩංගු දිග 0 දෛශිකයක් නොව 1 දිග දෛශිකයක් තිබිය යුතුය.)

අපට ඉහත උදාහරණය ශ්‍රිතය භාවිතයෙන් නැවත ලිවිය හැක unnest_auto(). මෙම ප්රවේශය එක් වරක් විශ්ලේෂණය සඳහා පහසු වේ, නමුත් ඔබ මත විශ්වාසය නොතැබිය යුතුය unnest_auto() නිතිපතා භාවිතය සඳහා. කාරණය වන්නේ ඔබේ දත්ත ව්යුහය වෙනස් වුවහොත් unnest_auto() එය මුලින් ලැයිස්තු තීරු භාවිතා කරමින් පේළි වලට පුළුල් කළහොත් තෝරාගත් දත්ත පරිවර්තන යාන්ත්‍රණය වෙනස් කළ හැක unnest_longer(), එවිට ලැබෙන දත්තවල ව්‍යුහය වෙනස් වන විට, තර්කනය පක්ෂව වෙනස් කළ හැක unnest_wider(), සහ අඛණ්ඩ පදනමක් මත මෙම ප්රවේශය භාවිතා කිරීම අනපේක්ෂිත දෝෂ වලට හේතු විය හැක.

tibble(char = got_chars) %>% 
  unnest_auto(char) %>% 
  select(name, title = titles) %>% 
  unnest_auto(title)
#> Using `unnest_wider(char)`; elements have 18 names in common
#> Using `unnest_longer(title)`; no element has names
#> # A tibble: 60 x 2
#>    name              title                                               
#>    <chr>             <chr>                                               
#>  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

Google සමඟ භූ කේතීකරණය

ඊළඟට, අපි Google හි භූ කේතකරණ සේවාවෙන් ලබාගත් දත්තවල වඩාත් සංකීර්ණ ව්‍යුහයක් දෙස බලමු. හැඹිලි අක්තපත්‍ර Google සිතියම් API සමඟ වැඩ කිරීමේ නීතිවලට පටහැනියි, ඒ නිසා මම මුලින්ම API වටා සරල දවටනයක් ලියන්නම්. Google Maps API යතුර පරිසර විචල්‍යයක ගබඩා කිරීම මත පදනම් වූ; ඔබගේ පරිසර විචල්‍යයන් තුළ ගබඩා කර ඇති Google Maps API සමඟ වැඩ කිරීම සඳහා යතුර ඔබ සතුව නොමැති නම්, මෙම කොටසේ ඉදිරිපත් කර ඇති කේත කොටස් ක්‍රියාත්මක නොවේ.

has_key <- !identical(Sys.getenv("GOOGLE_MAPS_API_KEY"), "")
if (!has_key) {
  message("No Google Maps API key found; code chunks will not be run")
}

# 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)
}

මෙම ශ්‍රිතය ලබා දෙන ලැයිස්තුව ඉතා සංකීර්ණයි:

houston <- geocode("Houston TX")
str(houston)
#> List of 2
#>  $ results:List of 1
#>   ..$ :List of 5
#>   .. ..$ address_components:List of 4
#>   .. .. ..$ :List of 3
#>   .. .. .. ..$ long_name : chr "Houston"
#>   .. .. .. ..$ short_name: chr "Houston"
#>   .. .. .. ..$ types     :List of 2
#>   .. .. .. .. ..$ : chr "locality"
#>   .. .. .. .. ..$ : chr "political"
#>   .. .. ..$ :List of 3
#>   .. .. .. ..$ long_name : chr "Harris County"
#>   .. .. .. ..$ short_name: chr "Harris County"
#>   .. .. .. ..$ types     :List of 2
#>   .. .. .. .. ..$ : chr "administrative_area_level_2"
#>   .. .. .. .. ..$ : chr "political"
#>   .. .. ..$ :List of 3
#>   .. .. .. ..$ long_name : chr "Texas"
#>   .. .. .. ..$ short_name: chr "TX"
#>   .. .. .. ..$ types     :List of 2
#>   .. .. .. .. ..$ : chr "administrative_area_level_1"
#>   .. .. .. .. ..$ : chr "political"
#>   .. .. ..$ :List of 3
#>   .. .. .. ..$ long_name : chr "United States"
#>   .. .. .. ..$ short_name: chr "US"
#>   .. .. .. ..$ types     :List of 2
#>   .. .. .. .. ..$ : chr "country"
#>   .. .. .. .. ..$ : chr "political"
#>   .. ..$ formatted_address : chr "Houston, TX, USA"
#>   .. ..$ geometry          :List of 4
#>   .. .. ..$ bounds       :List of 2
#>   .. .. .. ..$ northeast:List of 2
#>   .. .. .. .. ..$ lat: num 30.1
#>   .. .. .. .. ..$ lng: num -95
#>   .. .. .. ..$ southwest:List of 2
#>   .. .. .. .. ..$ lat: num 29.5
#>   .. .. .. .. ..$ lng: num -95.8
#>   .. .. ..$ location     :List of 2
#>   .. .. .. ..$ lat: num 29.8
#>   .. .. .. ..$ lng: num -95.4
#>   .. .. ..$ location_type: chr "APPROXIMATE"
#>   .. .. ..$ viewport     :List of 2
#>   .. .. .. ..$ northeast:List of 2
#>   .. .. .. .. ..$ lat: num 30.1
#>   .. .. .. .. ..$ lng: num -95
#>   .. .. .. ..$ southwest:List of 2
#>   .. .. .. .. ..$ lat: num 29.5
#>   .. .. .. .. ..$ lng: num -95.8
#>   .. ..$ place_id          : chr "ChIJAYWNSLS4QIYROwVl894CDco"
#>   .. ..$ types             :List of 2
#>   .. .. ..$ : chr "locality"
#>   .. .. ..$ : chr "political"
#>  $ status : chr "OK"

වාසනාවකට මෙන්, කාර්යයන් භාවිතයෙන් පියවරෙන් පියවර මෙම දත්ත වගු ආකෘතියක් බවට පරිවර්තනය කිරීමේ ගැටළුව අපට විසඳා ගත හැකිය tidyr. කාර්යය ටිකක් අභියෝගාත්මක සහ යථාර්ථවාදී කිරීමට, මම නගර කිහිපයක් භූ කේත කිරීම ආරම්භ කරමි:

  city <-   c ( "Houston" , "LA" , "New York" , "Chicago" , "Springfield" )  city_geo <-   purrr::map (city, geocode)

මම ප්රතිඵලය ප්රතිඵලය බවට පරිවර්තනය කරමි tibble, පහසුව සඳහා, මම අනුරූප නගර නාමය සමඟ තීරුවක් එකතු කරමි.

loc <- tibble(city = city, json = city_geo)
loc
#> # A tibble: 5 x 2
#>   city        json            
#>   <chr>       <list>          
#> 1 Houston     <named list [2]>
#> 2 LA          <named list [2]>
#> 3 New York    <named list [2]>
#> 4 Chicago     <named list [2]>
#> 5 Springfield <named list [2]>

පළමු මට්ටමේ සංරචක අඩංගු වේ status и result, අපට පුළුල් කළ හැකි unnest_wider() :

loc %>%
  unnest_wider(json)
#> # A tibble: 5 x 3
#>   city        results    status
#>   <chr>       <list>     <chr> 
#> 1 Houston     <list [1]> OK    
#> 2 LA          <list [1]> OK    
#> 3 New York    <list [1]> OK    
#> 4 Chicago     <list [1]> OK    
#> 5 Springfield <list [1]> OK

එය සටහන් කර ගන්න results බහු මට්ටමේ ලැයිස්තුවකි. බොහෝ නගරවල මූලද්‍රව්‍ය 1ක් ඇත (භූ කේතකරණ API වලට අනුරූප වන අද්විතීය අගයක් නියෝජනය කරයි), නමුත් Springfield සතුව දෙකක් ඇත. අපට ඒවා වෙනම රේඛාවලට ඇද ගත හැකිය unnest_longer() :

loc %>%
  unnest_wider(json) %>% 
  unnest_longer(results)
#> # A tibble: 5 x 3
#>   city        results          status
#>   <chr>       <list>           <chr> 
#> 1 Houston     <named list [5]> OK    
#> 2 LA          <named list [5]> OK    
#> 3 New York    <named list [5]> OK    
#> 4 Chicago     <named list [5]> OK    
#> 5 Springfield <named list [5]> OK

දැන් ඒවා සියල්ලම එකම සංරචක ඇත, ඒවා භාවිතයෙන් සත්‍යාපනය කළ හැකිය 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
#>   <chr>  <list>            <chr>            <list>   <chr>     <lis> <chr> 
#> 1 Houst… <list [4]>        Houston, TX, USA <named … ChIJAYWN… <lis… OK    
#> 2 LA     <list [4]>        Los Angeles, CA… <named … ChIJE9on… <lis… OK    
#> 3 New Y… <list [3]>        New York, NY, U… <named … ChIJOwg_… <lis… OK    
#> 4 Chica… <list [4]>        Chicago, IL, USA <named … ChIJ7cv0… <lis… OK    
#> 5 Sprin… <list [5]>        Springfield, MO… <named … ChIJP5jI… <lis… OK

ලැයිස්තුව පුළුල් කිරීමෙන් අපට එක් එක් නගරයේ අක්ෂාංශ සහ දේශාංශ ඛණ්ඩාංක සොයාගත හැකිය 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
#>   <chr> <list>           <chr>            <list> <list>   <chr>        
#> 1 Hous… <list [4]>       Houston, TX, USA <name… <named … APPROXIMATE  
#> 2 LA    <list [4]>       Los Angeles, CA… <name… <named … APPROXIMATE  
#> 3 New … <list [3]>       New York, NY, U… <name… <named … APPROXIMATE  
#> 4 Chic… <list [4]>       Chicago, IL, USA <name… <named … APPROXIMATE  
#> 5 Spri… <list [5]>       Springfield, MO… <name… <named … APPROXIMATE  
#> # … with 4 more variables: viewport <list>, place_id <chr>, types <list>,
#> #   status <chr>

ඉන්පසු ඔබ පුළුල් කිරීමට අවශ්ය ස්ථානය location:

loc %>%
  unnest_wider(json) %>%
  unnest_longer(results) %>%
  unnest_wider(results) %>%
  unnest_wider(geometry) %>%
  unnest_wider(location)
#> # A tibble: 5 x 11
#>   city  address_compone… formatted_addre… bounds   lat    lng location_type
#>   <chr> <list>           <chr>            <list> <dbl>  <dbl> <chr>        
#> 1 Hous… <list [4]>       Houston, TX, USA <name…  29.8  -95.4 APPROXIMATE  
#> 2 LA    <list [4]>       Los Angeles, CA… <name…  34.1 -118.  APPROXIMATE  
#> 3 New … <list [3]>       New York, NY, U… <name…  40.7  -74.0 APPROXIMATE  
#> 4 Chic… <list [4]>       Chicago, IL, USA <name…  41.9  -87.6 APPROXIMATE  
#> 5 Spri… <list [5]>       Springfield, MO… <name…  37.2  -93.3 APPROXIMATE  
#> # … with 4 more variables: viewport <list>, place_id <chr>, types <list>,
#> #   status <chr>

නැවතත්, unnest_auto() එන දත්තවල ව්‍යුහය වෙනස් කිරීම නිසා ඇති විය හැකි සමහර අවදානම් සමඟ විස්තර කරන ලද මෙහෙයුම සරල කරයි:

loc %>%
  unnest_auto(json) %>%
  unnest_auto(results) %>%
  unnest_auto(results) %>%
  unnest_auto(geometry) %>%
  unnest_auto(location)
#> Using `unnest_wider(json)`; elements have 2 names in common
#> Using `unnest_longer(results)`; no element has names
#> Using `unnest_wider(results)`; elements have 5 names in common
#> Using `unnest_wider(geometry)`; elements have 4 names in common
#> Using `unnest_wider(location)`; elements have 2 names in common
#> # A tibble: 5 x 11
#>   city  address_compone… formatted_addre… bounds   lat    lng location_type
#>   <chr> <list>           <chr>            <list> <dbl>  <dbl> <chr>        
#> 1 Hous… <list [4]>       Houston, TX, USA <name…  29.8  -95.4 APPROXIMATE  
#> 2 LA    <list [4]>       Los Angeles, CA… <name…  34.1 -118.  APPROXIMATE  
#> 3 New … <list [3]>       New York, NY, U… <name…  40.7  -74.0 APPROXIMATE  
#> 4 Chic… <list [4]>       Chicago, IL, USA <name…  41.9  -87.6 APPROXIMATE  
#> 5 Spri… <list [5]>       Springfield, MO… <name…  37.2  -93.3 APPROXIMATE  
#> # … with 4 more variables: viewport <list>, place_id <chr>, types <list>,
#> #   status <chr>

අපට එක් එක් නගරය සඳහා පළමු ලිපිනය දෙස බැලිය හැකිය:

loc %>%
  unnest_wider(json) %>%
  hoist(results, first_result = 1) %>%
  unnest_wider(first_result) %>%
  unnest_wider(geometry) %>%
  unnest_wider(location)
#> # A tibble: 5 x 11
#>   city  address_compone… formatted_addre… bounds   lat    lng location_type
#>   <chr> <list>           <chr>            <list> <dbl>  <dbl> <chr>        
#> 1 Hous… <list [4]>       Houston, TX, USA <name…  29.8  -95.4 APPROXIMATE  
#> 2 LA    <list [4]>       Los Angeles, CA… <name…  34.1 -118.  APPROXIMATE  
#> 3 New … <list [3]>       New York, NY, U… <name…  40.7  -74.0 APPROXIMATE  
#> 4 Chic… <list [4]>       Chicago, IL, USA <name…  41.9  -87.6 APPROXIMATE  
#> 5 Spri… <list [5]>       Springfield, MO… <name…  37.2  -93.3 APPROXIMATE  
#> # … with 4 more variables: viewport <list>, place_id <chr>, types <list>,
#> #   status <chr>

නැතහොත් භාවිතා කරන්න hoist() සෘජුවම යාමට බහු මට්ටමේ කිමිදීමක් සඳහා lat и lng.

loc %>%
  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            
#>   <chr>       <dbl>  <dbl> <list>          
#> 1 Houston      29.8  -95.4 <named list [2]>
#> 2 LA           34.1 -118.  <named list [2]>
#> 3 New York     40.7  -74.0 <named list [2]>
#> 4 Chicago      41.9  -87.6 <named list [2]>
#> 5 Springfield  37.2  -93.3 <named list [2]>

ෂර්ලා ගෙල්ෆාන්ඩ්ගේ ඩිස්කෝග්‍රැෆි

අවසාන වශයෙන්, අපි වඩාත් සංකීර්ණ ව්‍යුහය දෙස බලමු - ෂර්ලා ගෙල්ෆන්ඩ්ගේ ඩිස්කෝග්‍රැෆි. ඉහත උදාහරණවල මෙන්, අපි ලැයිස්තුව තනි-තීරු දත්ත රාමුවකට පරිවර්තනය කිරීමෙන් ආරම්භ කරමු, ඉන්පසු එක් එක් සංරචක වෙනම තීරුවක් වන පරිදි එය දිගු කරන්න. එසේම මම තීරුව පරිවර්තනය කරමි date_added R හි සුදුසු දිනය සහ වේලාව ආකෘතියට.

discs <- tibble(disc = discog) %>% 
  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
#>          <int> <dttm>              <list>               <int>  <int>
#>  1   354823933 2019-02-16 17:48:59 <named list [11]>  7496378      0
#>  2   354092601 2019-02-13 14:13:11 <named list [11]>  4490852      0
#>  3   354091476 2019-02-13 14:07:23 <named list [11]>  9827276      0
#>  4   351244906 2019-02-02 11:39:58 <named list [11]>  9769203      0
#>  5   351244801 2019-02-02 11:39:37 <named list [11]>  7237138      0
#>  6   351052065 2019-02-01 20:40:53 <named list [11]> 13117042      0
#>  7   350315345 2019-01-29 15:48:37 <named list [11]>  7113575      0
#>  8   350315103 2019-01-29 15:47:22 <named list [11]> 10540713      0
#>  9   350314507 2019-01-29 15:44:08 <named list [11]> 11260950      0
#> 10   350314047 2019-01-29 15:41:35 <named list [11]> 11726853      0
#> # … with 145 more rows

මෙම මට්ටමේදී, අපට එක් එක් තැටිය ෂර්ලාගේ ඩිස්කෝග්‍රැෆි වෙත එක් කළේ කවදාද යන්න පිළිබඳ තොරතුරු අපට ලැබේ, නමුත් එම තැටි පිළිබඳ දත්ත අපට නොපෙනේ. මෙය සිදු කිරීම සඳහා අපි තීරුව පුළුල් කළ යුතුය basic_information:

discs %>% unnest_wider(basic_information)
#> Column name `id` must not be duplicated.
#> Use .name_repair to specify repair.

අවාසනාවකට, අපට දෝෂයක් ලැබෙනු ඇත, මන්ද ... ලැයිස්තුව ඇතුළත basic_information එකම නමින් තීරුවක් ඇත basic_information. එවැනි දෝෂයක් සිදුවුවහොත්, එහි හේතුව ඉක්මනින් තීරණය කිරීම සඳහා, ඔබට භාවිතා කළ හැකිය names_repair = "unique":

discs %>% unnest_wider(basic_information, names_repair = "unique")
#> New names:
#> * id -> id...6
#> * id -> id...14
#> # A tibble: 155 x 15
#>    instance_id date_added          labels  year artists id...6 thumb title
#>          <int> <dttm>              <list> <int> <list>   <int> <chr> <chr>
#>  1   354823933 2019-02-16 17:48:59 <list…  2015 <list … 7.50e6 http… Demo 
#>  2   354092601 2019-02-13 14:13:11 <list…  2013 <list … 4.49e6 http… Obse…
#>  3   354091476 2019-02-13 14:07:23 <list…  2017 <list … 9.83e6 http… I    
#>  4   351244906 2019-02-02 11:39:58 <list…  2017 <list … 9.77e6 http… Oído…
#>  5   351244801 2019-02-02 11:39:37 <list…  2015 <list … 7.24e6 http… A Ca…
#>  6   351052065 2019-02-01 20:40:53 <list…  2019 <list … 1.31e7 http… Tash…
#>  7   350315345 2019-01-29 15:48:37 <list…  2014 <list … 7.11e6 http… Demo 
#>  8   350315103 2019-01-29 15:47:22 <list…  2015 <list … 1.05e7 http… Let …
#>  9   350314507 2019-01-29 15:44:08 <list…  2017 <list … 1.13e7 ""    Sub …
#> 10   350314047 2019-01-29 15:41:35 <list…  2017 <list … 1.17e7 http… Demo 
#> # … with 145 more rows, and 7 more variables: formats <list>,
#> #   cover_image <chr>, resource_url <chr>, master_id <int>,
#> #   master_url <chr>, id...14 <int>, rating <int>

ගැටලුව එයයි basic_information ඉහළ මට්ටමේ ගබඩා කර ඇති id තීරුව පුනරාවර්තනය කරයි, එබැවින් අපට එය සරලව ඉවත් කළ හැකිය:

discs %>% 
  select(-id) %>% 
  unnest_wider(basic_information)
#> # A tibble: 155 x 14
#>    instance_id date_added          labels  year artists     id thumb title
#>          <int> <dttm>              <list> <int> <list>   <int> <chr> <chr>
#>  1   354823933 2019-02-16 17:48:59 <list…  2015 <list … 7.50e6 http… Demo 
#>  2   354092601 2019-02-13 14:13:11 <list…  2013 <list … 4.49e6 http… Obse…
#>  3   354091476 2019-02-13 14:07:23 <list…  2017 <list … 9.83e6 http… I    
#>  4   351244906 2019-02-02 11:39:58 <list…  2017 <list … 9.77e6 http… Oído…
#>  5   351244801 2019-02-02 11:39:37 <list…  2015 <list … 7.24e6 http… A Ca…
#>  6   351052065 2019-02-01 20:40:53 <list…  2019 <list … 1.31e7 http… Tash…
#>  7   350315345 2019-01-29 15:48:37 <list…  2014 <list … 7.11e6 http… Demo 
#>  8   350315103 2019-01-29 15:47:22 <list…  2015 <list … 1.05e7 http… Let …
#>  9   350314507 2019-01-29 15:44:08 <list…  2017 <list … 1.13e7 ""    Sub …
#> 10   350314047 2019-01-29 15:41:35 <list…  2017 <list … 1.17e7 http… Demo 
#> # … with 145 more rows, and 6 more variables: formats <list>,
#> #   cover_image <chr>, resource_url <chr>, master_id <int>,
#> #   master_url <chr>, rating <int>

විකල්පයක් ලෙස, අපට භාවිතා කළ හැකිය hoist():

discs %>% 
  hoist(basic_information,
    title = "title",
    year = "year",
    label = list("labels", 1, "name"),
    artist = list("artists", 1, "name")
  )
#> # A tibble: 155 x 9
#>    instance_id date_added          title  year label artist
#>          <int> <dttm>              <chr> <int> <chr> <chr> 
#>  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 <list>,
#> #   id <int>, rating <int>

මෙන්න මම ඉක්මනින්ම පළමු ලේබලය සහ කලාකරුවාගේ නම සුචිය අනුව කැදැලි ලැයිස්තුවට කිමිදීමෙන් ලබා ගන්නෙමි.

වඩාත් ක්‍රමානුකූල ප්‍රවේශයක් වන්නේ කලාකරුවා සහ ලේබලය සඳහා වෙනම වගු නිර්මාණය කිරීමයි:

discs %>% 
  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
#>       <int> <chr> <chr>       <chr> <chr>  <chr> <chr>                <int>
#>  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

discs %>% 
  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  
#>       <int> <chr>        <chr> <chr>    <chr>
#>  1  7496378 Numbered     Black Cassette 1    
#>  2  4490852 LP           <NA>  Vinyl    1    
#>  3  9827276 "7""        <NA>  Vinyl    1    
#>  4  9827276 45 RPM       <NA>  Vinyl    1    
#>  5  9827276 EP           <NA>  Vinyl    1    
#>  6  9769203 LP           <NA>  Vinyl    1    
#>  7  9769203 Album        <NA>  Vinyl    1    
#>  8  7237138 "7""        <NA>  Vinyl    1    
#>  9  7237138 45 RPM       <NA>  Vinyl    1    
#> 10 13117042 "7""        <NA>  Vinyl    1    
#> # … with 270 more rows

එවිට ඔබට අවශ්‍ය පරිදි මුල් දත්ත කට්ටලයට නැවත ඔවුන් හා සම්බන්ධ විය හැක.

නිගමනය

පුස්තකාලයේ හරයට tidyverse පොදු දත්ත සැකසුම් දර්ශනයකින් ඒකාබද්ධ වූ බොහෝ ප්‍රයෝජනවත් පැකේජ ඇතුළත් වේ.

මෙම ලිපියෙන් අපි කාර්යයන්ගේ පවුල පරීක්ෂා කළෙමු unnest_*(), කැදලි ලැයිස්තු වලින් මූලද්‍රව්‍ය නිස්සාරණය කිරීම සමඟ වැඩ කිරීම අරමුණු කර ගෙන ඇත. මෙම පැකේජය සංකල්පයට අනුව දත්ත පරිවර්තනය කිරීම පහසු කරන තවත් බොහෝ ප්‍රයෝජනවත් විශේෂාංග අඩංගු වේ පිරිසිදු දත්ත.

මූලාශ්රය: www.habr.com

කැදලි තීරු පුළුල් කිරීම - R භාෂාව භාවිතයෙන් ලැයිස්තුගත කරයි (tidyr පැකේජය සහ unnest පවුලේ කාර්යයන්)

අන්තර්ගතය

හැඳින්වීම

GitHub භාවිතා කරන්නන්

Github ගබඩා

Game of Thrones චරිත

Google සමඟ භූ කේතීකරණය

ෂර්ලා ගෙල්ෆාන්ඩ්ගේ ඩිස්කෝග්‍රැෆි

නිගමනය

අදහස් එක් කරන්න

කැදලි තීරු පුළුල් කිරීම - R භාෂාව භාවිතයෙන් ලැයිස්තුගත කරයි (tidyr පැකේජය සහ unnest පවුලේ කාර්යයන්)

අන්තර්ගතය

හැඳින්වීම

GitHub භාවිතා කරන්නන්

Github ගබඩා

Game of Thrones චරිත

Google සමඟ භූ කේතීකරණය

ෂර්ලා ගෙල්ෆාන්ඩ්ගේ ඩිස්කෝග්‍රැෆි

නිගමනය

අදහස් එක් කරන්න ඊ-මේල් මගින් පිලිතුරු දෙන්න අවලංගු

අදහස් එක් කරන්න