V väčšine prípadov pri práci s odpoveďou získanou z API alebo s akýmikoľvek inými dátami, ktoré majú zložitú stromovú štruktúru, sa stretnete s formátmi JSON a XML.
Tieto formáty majú množstvo výhod: dostatočne kompaktné ukladanie dát a umožňujú vyhnúť sa nadmernému duplikovaniu informácií.
Nevýhodou týchto formátov je zložitost ich spracovania a analýzy. Nestruktúrované dáta nie je možné využiť v výpočtoch a nemožno na ich základe vytvárať vizualizácie.
Tento článok je logickým pokračovaním publikácie . Pomôže vám previesť nestruktúrované konštrukcie dát do bežného a vhodného pre analýzu tabuľkového formátu pomocou balíčka tidyr, ktorý patrí do jadra knižnice tidyverse, a jeho funkcií z rodiny unnest_*().
Obsah
Ak vás zaujíma analýza dát, mohli by vás zaujímať moje a kanály. Väčšina obsahu je venovaná jazyku R.
Úvod
Rectangling (pozn. prekladateľa, nenašiel som adekvátne možnosti prekladu tohto pojmu, preto ho necháme ako je.) — to je proces prevádzania nestruktúrovaných dát s vnorenými poľami do dvojrozmernej tabuľky, pozostávajúcej z bežne známych riadkov a stĺpcov. V tidyr existuje niekoľko funkcií, ktoré vám pomôžu rozvinúť vnorené stĺpce-zoznamy a previesť dáta do obdĺžnikovej, tabuľkovej formy:
unnest_longer()vezme každý prvok zoznamu-stĺpca a vytvorí nový riadok.unnest_wider()vezme každý prvok zoznamu-stĺpca a vytvorí nový stĺpec.unnest_auto()automaticky určí, ktorú z funkcií je najlepšie použiť
unnest_longer()alebounnest_wider().hoist()je podobnáunnest_wider()ale vyberá len uvedené komponenty a umožňuje pracovať s viacerými úrovňami vnorenia.
Väčšinu problémov, ktoré súvisia s prevádzaním nestruktúrovaných dát s viacerými úrovňami vnorenia do dvojrozmernej tabuľky, je možné vyriešiť kombinovaním uvedených funkcií s dplyr.
Na demonštráciu týchto techník budeme používať balíček repurrrsive, ktorý poskytuje niekoľko zložitých, viacerých zoznamov získaných z web-API.
library(tidyr)
library(dplyr)
library(repurrrsive)Používatelia GitHub
Začneme s gh_users, zoznam, ktorý obsahuje informácie o šiestich používateľoch GitHub. Na začiatok transformujeme zoznam gh_users v tibble framework.:
users <- tibble( user = gh_users ) To môže zdať trochu nelogické: prečo predkladať zoznam gh_users, k zložitejšej štruktúre dát? Ale dátový rámec má veľkú výhodu: spája niekoľko vektorov, takže všetko sa sleduje v jednom objekte.
Každý element objektu users predstavuje pomenovaný zoznam, v ktorom každý prvok predstavuje stĺpec.
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"Existujú dva spôsoby, ako previesť komponenty zoznamu na stĺpce. unnest_wider() berie každý komponent a vytvára nový stĺpec:
users %>% unnest_wider(user)
#> # A tibble: 6 x 30
#> login id avatar_url gravatar_id url html_url followers_url
#>
#> 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 , gists_url ,
#> # starred_url , subscriptions_url , organizations_url ,
#> # repos_url , events_url , received_events_url ,
#> # type , site_admin , name , company , blog ,
#> # location , email , public_repos , public_gists ,
#> # followers , following , created_at , updated_at ,
#> # bio , hireableV tomto prípade sme získali tabuľku pozostávajúcu z 30 stĺpcov, a väčšina z nich nám nebude potrebná, preto môžeme namiesto unnest_wider() použiť hoist(). hoist() nám umožňuje extrahovať vybrané komponenty, používajúc rovnakú syntax, akú purrr::pluck():
užívatelia %>% 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() odstráni uvedené pomenované komponenty zo zoznamu-stĺpca user, preto ich môžete považovať za hoist() ako presun komponentov z vnútorného zoznamu dátového rámca na jeho najvyššiu úroveň.
Repozitáre Github
Zarovnanie zoznamu gh_repos začneme podobne, premeníme ho na tibble:
repos # A tibble: 6 x 1
#> repo
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6Tentokrát sú prvky user zoznamom repozitárov, ktoré patrí tomuto používateľovi. Každý repozitár je samostatným pozorovaním, a preto podľa konceptu čistých dát (pozn. tidy data) by mali byť nové riadky, preto používame 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
#> # … so 166 ďalších riadkovTeraz môžeme použiť unnest_wider() alebo 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
#> # … so 166 ďalších riadkovVenovať pozornosť používaniu c("owner", "login"): to nám umožňuje získať hodnotu druhej úrovne z vnútorného zoznamu ownerAlternatívny prístup spočíva v získaní celého zoznamu owner a následne pomocou funkcie unnest_wider() umiestniť každý jeho prvok do stĺpca:
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.…
#> # … s ďalšími 166 riadkami a ďalšími 11 premennými: following_url ,
#> # gists_url , starred_url , subscriptions_url ,
#> # organizations_url , repos_url , events_url ,
#> # received_events_url , type , site_admin , repoNamiesto zvažovania voľby správnej funkcie unnest_longer() alebo unnest_wider() môžete použiť unnest_auto(). Táto funkcia využíva niekoľko heuristických metód na výber najvhodnejšej funkcie na transformáciu údajov a vypisuje správu o zvolenom spôsobe.
tibble(repo = gh_repos) %>%
unnest_auto(repo) %>%
unnest_auto(repo)
#> Používame `unnest_longer(repo)`; žiadny prvok nemá názvy
#> Používame `unnest_wider(repo)`; prvky majú 68 názvov spoločných
#> # 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… # … so 166 ďalšími riadkami a 58 ďalšími premennými: 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 ,
#> # homepagePostavy Hry o tróny
got_chars má rovnakú štruktúru ako gh_users: je to súbor pomenovaných zoznamov, kde každý prvok vnútorného zoznamu opisuje určitý atribút postavy Hry o tróny. Prevod got_chars do tabuľkového formátu začíname vytvorením dátového rámca, rovnako ako v predchádzajúcich príkladoch, a potom prevedieme každý prvok do samostatného stĺpca:
chars # A tibble: 30 x 1
#> char
#>
#> 1
#> 2
#> 3
#> 4
#> 5
#> 6
#> 7
#> 8
#> 9
#> 10
#> # … with 20 more rows
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… Male Ironbo… In 2… "" TRUE <chr … 2 http… 1052 Tyri… Male "" In 2… "" TRUE <chr … 3 http… 1074 Vict… Male Ironbo… In 2… "" TRUE <chr … 4 http… 1109 Will Male "" "" In 2… FALSE <chr … 5 http… 1166 Areo… Male Norvos… In 2… "" TRUE <chr … 6 http… 1267 Chett Male "" At H… In 2… FALSE <chr … 7 http… 1295 Cres… Male "" In 2… In 2… FALSE <chr … 8 http… 130 Aria… Female Dornish In 2… "" TRUE <chr … 9 http… 1303 Daen… Female Valyri… In 2… "" TRUE <chr … 10 http… 1319 Davo… Male Wester… In 2… "" TRUE <chr … # … with 20 more rows, and 7 more variables: mother <chr>, spouse <chr>,
#> # allegiances <list>, books <list>, povBooks <list>, tvSeries <list>,
#> # playedBy <list>Struktura got_chars malo komplikovanejšie, ako gh_users, pretože niektoré komponenty zoznamu char sú samy osebe zoznamom, takže získame stĺpce — zoznamy:
chars2 %>% select_if(is.list)
#> # A tibble: 30 x 7
#> titles aliases allegiances books povBooks tvSeries playedBy
#>
#> 1
#> 2
#> 3
#> 4 <???>
#> 5
#> 6 <???>
#> 7 <???>
#> 8
#> 9
#> 10
#> # … with 20 more rowsVaše ďalšie kroky závisia od cieľov analýzy. Možno budete musieť zadať do riadkov informácie o každej knihe a seriáli, v ktorých sa postava objavuje:
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 rowsAlebo možno chcete vytvoriť tabuľku, ktorá vám umožní prepojiť postavu a dielo:
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(Všimnite si, že sú prázdne hodnoty "" v poli title, to je spôsobené chybami, ktoré sa vyskytli pri vkladaní údajov do got_chars: skutočne postavy, pre ktoré neexistujú zodpovedajúce názvy kníh a seriálov v poli title by mali mať vektor dĺžky 0, nie vektor dĺžky 1, ktorý obsahuje prázdny reťazec.)
Môžeme prepracovať predpokladaný príklad pomocou funkcie unnest_auto(). Tento prístup je vhodný na jednorazovú analýzu, ale netreba sa naň spoliehať unnest_auto() pre pravidelné používanie. Faktom je, že ak sa vaša štruktúra údajov zmení unnest_auto() môže zmeniť vybraný mechanizmus transformácie údajov, ak pôvodne prevedený do riadkov pomocou unnest_longer(), tak pri zmene štruktúry vstupných údajov sa logika môže zmeniť na unnest_wider(), a používanie takého prístupu na trvalom základe môže viesť k nepredvídateľným chybám.
tibble(char = got_chars) %>%
unnest_auto(char) %>%
select(name, title = titles) %>%
unnest_auto(title)
#> Používa sa `unnest_wider(char)`; prvky majú 18 spoločných názvov
#> Používa sa `unnest_longer(title)`; žiadny prvok nemá názvy
#> # 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 (according to the 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 ""
#> # … s 50 ďalšími riadkamiGeokódovanie pomocou Google
Ďalej preskúmame zložitejšiu štruktúru dát získaných zo služby geokódovania Google. Ukladanie údajov do cache je v rozpore s podmienkami používania API Google máp, preto najprv napíšem jednoduchý obalok pre API. Ten bude založený na ukladaní kľúča API Google máp v premenných prostredia; ak v premenných prostredia nemáte uložený kľúč na prácu s API Google Maps, úryvky kódu uvedené v tejto časti nebudú vykonané.
has_key <- !identical(Sys.getenv("GOOGLE_MAPS_API_KEY"), "")
if (!has_key) {
message("Žiadny kľúč Google Maps API nenájdený; úryvky kódu sa nebudú vykonávať")
}
# 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)
}Zoznam, ktorý táto funkcia vracia, je dosť zložitý:
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"Našťastie, môžeme krok za krokom vyriešiť problém s konverziou týchto údajov na tabuľkový formát pomocou funkcií tidyr. Aby bola úloha o niečo zložitejšia a realistickejšia, začnem geokódovaním niekoľkých miest:
city <- c("Houston", "LA", "New York", "Chicago", "Springfield") city_geo <- purrr::map(city, geocode) Získaný výsledok prevediem na tibble, pre pohodlie pridám stĺpec s príslušným názvom mesta.
loc # A tibble: 5 x 2
#> city json
#>
#> 1 Houston
#> 2 LA
#> 3 New York
#> 4 Chicago
#> 5 SpringfieldPrvá úroveň obsahuje komponenty status a result, ktoré môžeme rozbaliť pomocou unnest_wider() :
loc %>%
unnest_wider(json)
#> # A tibble: 5 x 3
#> city results status
#>
#> 1 Houston OK
#> 2 LA OK
#> 3 New York OK
#> 4 Chicago OK
#> 5 Springfield OKVšimnite si, že results je viacúrovňový zoznam. Väčšina miest má 1 prvok (predstavujúci jedinečnú hodnotu zodpovedajúcu API geokódovania), ale Springfield má dva. Môžeme ich extrahovať do samostatných riadkov pomocou 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 majú všetky rovnaké komponenty, čo môžeme overiť pomocou 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… OKMôžeme nájsť súradnice šírky a dĺžky každého mesta rozbalením zoznamu geometria:
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 potom lokalizácia, na čo je potrebné rozbalenie 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
#>
#> 1 Hous… Houston, TX, USA 2 LA Los Angeles, CA… 3 New … New York, NY, U… 4 Chic… Chicago, IL, USA 5 Spri… Springfield, MO… # … with 4 more variables: viewport , place_id , types ,
#> # statusOpäť unnest_auto() uľahčuje popísanú operáciu s niektorými rizikami, ktoré môžu byť spôsobené zmenou štruktúry prichádzajúcich údajov:
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
#>
#> 1 Hous… Houston, TX, USA 2 LA Los Angeles, CA… 3 New … New York, NY, U… 4 Chic… Chicago, IL, USA 5 Spri… Springfield, MO… # … with 4 more variables: viewport , place_id , types ,
#> # statusMôžeme si tiež jednoducho pozrieť prvú adresu pre každé mesto:
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
#>
#> 1 Hous… Houston, TX, USA 2 LA Los Angeles, CA… 3 New … New York, NY, U… 4 Chic… Chicago, IL, USA 5 Spri… Springfield, MO… # … with 4 more variables: viewport , place_id , types ,
#> # statusAlebo použiť hoist() na viacúrovňovú analýzu, aby ste prešli priamo k lat a 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
#>
#> 1 Houston 29.8 -95.4
#> 2 LA 34.1 -118.
#> 3 New York 40.7 -74.0
#> 4 Chicago 41.9 -87.6
#> 5 Springfield 37.2 -93.3Diskografia Sharly Gelfand
Na záver sa pozrieme na najzložitejšiu konštrukciu — diskografiu Šarly Gelfand. Tak ako vo vyššie uvedených príkladoch, začneme konverziou zoznamu na dátový rámec s jedným stĺpcom, a potom ho rozšírime, aby každý komponent bol v samostatnom stĺpci. Taktiež prevediem stĺpec date_added na zodpovedajúci formát dátumu a času v 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 tejto úrovni sme získali informácie o tom, kedy bol každý disk pridaný do diskografie Šarly, ale nevidíme žiadne údaje o týchto diskoch. Preto musíme rozšíriť stĺpec basic_information:
discs %>% unnest_wider(basic_information)
#> Column name `id` must not be duplicated.
#> Use .name_repair to specify repair.Bohužiaľ, dostaneme chybu, pretože v rámci zoznamu basic_information je stĺpec so zhodným názvom basic_information. Pri takejto chybe, aby sme rýchlo určili jej príčinu, môžeme použiť names_repair = "unique":
disky %>% unnest_wider(basic_information, names_repair = "unique")
#> Nové názvy:
#> * id -> id...6
#> * id -> id...14
#> # 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 # … s 145 dalšími řádky a 7 dalšími proměnnými: formats ,
#> # cover_image , resource_url , master_id ,
#> # master_url , id...14 , ratingProblém je v tom, že basic_information opakujeme sloupec id, který je také uložen na nejvyšší úrovni, takže ho můžeme jednoduše odstranit:
disky %>%
select(-id) %>%
unnest_wider(basic_information)
#> # 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 # … s 145 dalšími řádky a 6 dalšími proměnnými: formats ,
#> # cover_image , resource_url , master_id ,
#> # master_url , ratingAlternativně bychom mohli použít 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
#>
#> 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 , ratingTu rýchlo vyberiem meno prvého labelu a umelca podľa indexu, pričom sa ponorím do vnoreného zoznamu.
Systematickejší prístup spočíva v vytvorení samostatných tabuliek pre umelca a label:
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
#>
#> 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
#>
#> 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 rowsPotom ich môžete podľa potreby znovu pripojiť k pôvodnému súboru údajov.
Záver
Jadro knižnice tidyverse zahŕňa množstvo užitočných balíkov spojení spoločnou filozofiou spracovania údajov.
V tomto článku sme preskúmali rodinu funkcií unnest_*(), ktoré sú zamerané na prácu s extrakciou prvkov z vnorených zoznamov. Tento balík obsahuje množstvo ďalších užitočných funkcií, ktoré uľahčujú transformáciu údajov podľa konceptu Tidy Data.
Zdroj: habr.com
