ProHoster > Blog > Administrácia > Rozširovanie vnorených stĺpcov – zoznamov pomocou jazyka R (balíček tidyr a funkcie rodiny unnest)
Rozširovanie vnorených stĺpcov – zoznamov pomocou jazyka R (balíček tidyr a funkcie rodiny unnest)
Vo väčšine prípadov sa pri práci s odpoveďou prijatou z rozhrania API alebo s akýmikoľvek inými údajmi, ktoré majú zložitú stromovú štruktúru, stretávate s formátmi JSON a XML.
Tieto formáty majú mnoho výhod: ukladajú údaje pomerne kompaktne a umožňujú vyhnúť sa zbytočnej duplicite informácií.
Nevýhodou týchto formátov je náročnosť ich spracovania a analýzy. Neštruktúrované dáta nemožno použiť vo výpočtoch a nemožno na nich postaviť vizualizáciu.
Tento článok je logickým pokračovaním publikácie "R package tidyr a jeho nové funkcie pivot_longer a pivot_wider". Pomôže vám pomocou balíka preniesť neštruktúrované dátové štruktúry do známej a na analýzu vhodnej tabuľkovej formy tidyr, zaradený do jadra knižnice tidyversea jeho skupina funkcií unnest_*().
Obsah
Ak máte záujem o analýzu údajov, mohla by vás zaujímať moja telegram и youtube kanálov. Väčšina obsahu je venovaná jazyku R.
Obdĺžnikové(Poznámka prekladateľa, nenašiel som adekvátne možnosti prekladu tohto výrazu, takže to necháme tak.) je proces prenosu neštruktúrovaných údajov s vnorenými poľami do dvojrozmernej tabuľky pozostávajúcej zo známych riadkov a stĺpcov. IN tidyr Existuje niekoľko funkcií, ktoré vám pomôžu rozšíriť vnorené stĺpce zoznamu a zredukovať údaje na obdĺžnikovú tabuľkovú formu:
unnest_longer() vezme každý prvok zoznamu stĺpcov a vytvorí nový riadok.
unnest_wider() vezme každý prvok zo zoznamu stĺpcov a vytvorí nový stĺpec.
unnest_auto() automaticky určí, ktorá funkcia je najlepšie použiť unnest_longer() alebo unnest_wider().
hoist() podobný unnest_wider() ale vyberie len zadané komponenty a umožní vám pracovať s niekoľkými úrovňami vnorenia.
Väčšinu problémov spojených s vnášaním neštruktúrovaných dát s niekoľkými úrovňami vnorenia do dvojrozmernej tabuľky možno vyriešiť kombináciou uvedených funkcií s dplyr.
Na demonštráciu týchto techník použijeme balík repurrrsive, ktorá poskytuje viacero komplexných, viacúrovňových zoznamov odvodených z webového rozhrania API.
Začnime s gh_users, zoznam, ktorý obsahuje informácie o šiestich používateľoch GitHub. Najprv transformujme zoznam gh_users в tibble rám:
users <- tibble( user = gh_users )
Zdá sa to trochu kontraintuitívne: prečo poskytovať zoznam gh_users, do zložitejšej dátovej štruktúry? Dátový rámec má však veľkú výhodu: kombinuje viacero vektorov, takže všetko je sledované v jednom objekte.
Každý prvok objektu users je pomenovaný zoznam, v ktorom každý prvok predstavuje stĺpec.
V tomto prípade máme tabuľku pozostávajúcu z 30 stĺpcov a väčšinu z nich nebudeme potrebovať, takže môžeme unnest_wider() na použitie hoist(). hoist() nám umožňuje extrahovať vybrané komponenty pomocou rovnakej syntaxe ako 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() odstráni zadané pomenované komponenty zo zoznamu stĺpcov užívateľtakže môžete zvážiť hoist() ako presun komponentov z interného zoznamu rámca dátumu na jeho najvyššiu úroveň.
Repozitáre Github
Zarovnanie zoznamu gh_repos začneme podobne tým, že ho prevedieme na tibble:
Tentoraz prvky užívateľ predstavujú zoznam úložísk vlastnených týmto používateľom. Každé úložisko je samostatné pozorovanie, teda podľa konceptu prehľadných dát (približne prehľadné údaje) mali by sa stať novými líniami, a preto ich používame unnest_longer() a nie 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
Teraz 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
#> <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
Dávajte pozor na používanie c("owner", "login"): To nám umožňuje získať hodnotu druhej úrovne z vnoreného zoznamu owner. Alternatívnym prístupom je získať celý zoznam owner a potom pomocou funkcie unnest_wider() vložte každý z jeho prvkov do stĺpca:
Namiesto premýšľania nad výberom správnej funkcie unnest_longer() alebo unnest_wider() môžeš použiť unnest_auto(). Táto funkcia používa niekoľko heuristických metód na výber najvhodnejšej funkcie na transformáciu údajov a zobrazuje správu o zvolenej metóde.
got_chars má rovnakú štruktúru ako gh_users: Toto je sada pomenovaných zoznamov, kde každý prvok vnútorného zoznamu popisuje nejaký atribút postavy z Game of Thrones. Prinášanie got_chars Pre zobrazenie tabuľky začneme vytvorením rámca dátumu, rovnako ako v predchádzajúcich príkladoch, a potom skonvertujeme každý prvok do samostatného stĺpca:
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>
Štruktúra got_chars o niečo ťažšie ako gh_users, pretože niektoré komponenty zoznamu char sami sú zoznamom, výsledkom čoho sú stĺpce - zoznamy:
Vaše ďalšie kroky závisia od cieľov analýzy. Možno budete musieť uviesť informácie do riadkov pre každú knihu a sériu, v ktorej sa postava vyskytuje:
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
Alebo možno chcete vytvoriť tabuľku, ktorá vám umožní prispôsobiť postavu a prácu:
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
(Všimnite si prázdne hodnoty "" v poli title, je to spôsobené chybami pri zadávaní údajov got_chars: v skutočnosti postavy, pre ktoré v poli neexistujú žiadne zodpovedajúce názvy kníh a televíznych seriálov title musí mať vektor dĺžky 0, nie vektor dĺžky 1 obsahujúci prázdny reťazec.)
Vyššie uvedený príklad môžeme prepísať pomocou funkcie unnest_auto(). Tento prístup je vhodný na jednorazovú analýzu, ale nemali by ste sa naň spoliehať unnest_auto() na pravidelné používanie. Ide o to, že ak sa vaša dátová štruktúra zmení unnest_auto() môže zmeniť vybratý mechanizmus transformácie údajov, ak pôvodne rozbalil stĺpce zoznamu na riadky pomocou unnest_longer(), potom, keď sa zmení štruktúra prichádzajúcich údajov, logika sa môže zmeniť v prospech unnest_wider()a neustále používanie tohto prístupu môže viesť k neočakávaným chybám.
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
Geokódovanie pomocou Google
Ďalej sa pozrieme na zložitejšiu štruktúru údajov získaných z geokódovacej služby Google. Ukladanie poverení do vyrovnávacej pamäte je proti pravidlám práce s Google maps API, preto najprv napíšem jednoduchý obal okolo API. Ktorý je založený na ukladaní kľúča Google Maps API do premennej prostredia; Ak nemáte kľúč na prácu s rozhraním Google Maps API uložený v premenných prostredia, fragmenty kódu uvedené v tejto časti sa nespustia.
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)
}
Zoznam, ktorý táto funkcia vracia, je pomerne zložitý:
Našťastie, problém s prevodom týchto údajov do tabuľkovej podoby vieme vyriešiť krok za krokom pomocou funkcií tidyr. Aby bola úloha trochu náročnejšia a realistickejšia, začnem geokódovaním niekoľkých miest:
city <- c ( "Houston" , "LA" , "New York" , "Chicago" , "Springfield" ) city_geo <- purrr::map (city, geocode)
Výsledný výsledok prevediem do tibble, pre pohodlie pridám stĺpec s príslušným názvom mesta.
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]>
Prvá úroveň obsahuje komponenty status и result, ktoré môžeme rozšíriť 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
Vezmite prosím na vedomie, že results je viacúrovňový zoznam. Väčšina miest má 1 prvok (predstavujúci jedinečnú hodnotu zodpovedajúcu geokódovaciemu API), ale Springfield má dva. Môžeme ich natiahnuť do samostatných riadkov pomocou 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
Teraz majú všetky rovnaké komponenty, ktoré je možné 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
#> <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
Rozšírením zoznamu môžeme nájsť súradnice zemepisnej šírky a dĺžky každého mesta 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>
A potom miesto, pre ktoré potrebujete expandovať 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>
opäť platí, unnest_auto() zjednodušuje opísanú 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
#> <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>
Môžeme sa tiež pozrieť na prvú adresu každého mesta:
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>
Alebo použite hoist() na viacúrovňový ponor, na ktorý sa dá ísť priamo 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]>
Diskografia Sharly Gelfandovej
Nakoniec sa pozrieme na najkomplexnejšiu štruktúru – diskografiu Sharly Gelfand. Ako v príkladoch vyššie, začneme konvertovaním zoznamu na dátový rámec s jedným stĺpcom a potom ho rozšírime tak, aby každý komponent bol samostatný stĺpec. Tiež transformujem stĺpec date_added do príslušného formátu dátumu a času v R.
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
Na tejto úrovni dostávame informácie o tom, kedy bol každý disk pridaný do Sharlinej diskografie, ale nevidíme žiadne údaje o týchto diskoch. Aby sme to dosiahli, musíme stĺpec rozšíriť basic_information:
discs %>% unnest_wider(basic_information)
#> Column name `id` must not be duplicated.
#> Use .name_repair to specify repair.
Bohužiaľ, dostaneme chybu, pretože... vnútri zoznamu basic_information je tam stĺpec s rovnakým názvom basic_information. Ak sa vyskytne takáto chyba, môžete ju použiť, aby ste rýchlo určili jej príčinu names_repair = "unique":
Potom ich môžete podľa potreby pripojiť späť k pôvodnému súboru údajov.
Záver
K jadru knižnice tidyverse obsahuje mnoho užitočných balíkov spojených spoločnou filozofiou spracovania údajov.
V tomto článku sme skúmali rodinu funkcií unnest_*(), ktoré sú zamerané na prácu s extrahovaním prvkov z vnorených zoznamov. Tento balík obsahuje mnoho ďalších užitočných funkcií, ktoré uľahčujú konverziu dát podľa konceptu Upratané údaje.