ПроХостер > блог > Администрација > Проширивање угнежђених колона - листе које користе Р језик (тидир пакет и функције породице уннест)
Проширивање угнежђених колона - листе које користе Р језик (тидир пакет и функције породице уннест)
У већини случајева, када радите са одговором добијеним од АПИ-ја, или са било којим другим подацима који имају сложену структуру стабла, суочени сте са ЈСОН и КСМЛ форматима.
Ови формати имају многе предности: прилично компактно складиште податке и омогућавају вам да избегнете непотребно дуплирање информација.
Недостатак ових формата је сложеност њихове обраде и анализе. Неструктурирани подаци се не могу користити у прорачунима и визуализација се не може градити на њима.
Овај чланак је логичан наставак публикације „Р пакет тидир и његове нове функције пивот_лонгер и пивот_видер“. Помоћи ће вам да доведете неструктуриране структуре података у познату и погодну за анализу табеларни облик помоћу пакета tidyr, укључена у језгро библиотеке tidyverse, и његова породица функција unnest_*().
Садржина
Ако сте заинтересовани за анализу података, можда ће вас занимати моја телеграм и ИоуТубе канала. Већина садржаја је посвећена Р језику.
Правоугаоник(напомена преводиоца, нисам нашао адекватне опције превода за овај термин, па ћемо га оставити како јесте.) је процес довођења неструктурираних података са угнежђеним низовима у дводимензионалну табелу која се састоји од познатих редова и колона. ИН tidyr Постоји неколико функција које ће вам помоћи да проширите угнежђене колоне листе и сведете податке на правоугаони, табеларни облик:
unnest_longer() узима сваки елемент листе колона и креира нови ред.
unnest_wider() узима сваки елемент листе колона и креира нову колону.
unnest_auto() аутоматски одређује коју функцију је најбоље користити unnest_longer() или unnest_wider().
hoist() слично unnest_wider() али бира само наведене компоненте и омогућава вам да радите са неколико нивоа угнежђења.
Већина проблема повезаних са довођењем неструктурираних података са неколико нивоа угнежђења у дводимензионалну табелу може се решити комбиновањем наведених функција са дплир-ом.
Да бисмо демонстрирали ове технике, користићемо пакет repurrrsive, који обезбеђује више сложених листа на више нивоа изведених из веб АПИ-ја.
Почнимо одавде гх_усерс, листа која садржи информације о шест ГитХуб корисника. Прво да трансформишемо листу гх_усерс в тиббле Рам:
users <- tibble( user = gh_users )
Ово изгледа мало контраинтуитивно: зашто давати листу гх_усерс, на сложенију структуру података? Али оквир података има велику предност: комбинује више вектора тако да се све прати у једном објекту.
Сваки елемент објекта users је именована листа у којој сваки елемент представља колону.
У овом случају, имамо табелу која се састоји од 30 колона, а већина њих нам неће требати, па можемо уместо тога unnest_wider() користите hoist(). hoist() нам омогућава да издвојимо изабране компоненте користећи исту синтаксу као 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() уклања наведене именоване компоненте са листе колона корисниктако да можете размотрити hoist() попут премештања компоненти са интерне листе оквира датума на његов највиши ниво.
Гитхуб спремишта
Поравнање листе gh_repos почињемо слично претварајући га у tibble:
Овај пут елементи корисник представљају листу спремишта у власништву овог корисника. Свако спремиште је посебно посматрање, дакле према концепту уредних података (приближно уредни подаци) требало би да постану нове линије, због чега користимо unnest_longer() али не 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
Сада можемо да користимо unnest_wider() или 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
Обратите пажњу на употребу c("owner", "login"): Ово нам омогућава да добијемо вредност другог нивоа из угнежђене листе owner. Алтернативни приступ је да добијете целу листу owner а затим помоћу функције unnest_wider() стави сваки од његових елемената у колону:
Уместо да размишљате о избору праве функције unnest_longer() или unnest_wider() можете користити unnest_auto(). Ова функција користи неколико хеуристичких метода за одабир најпогодније функције за трансформацију података и приказује поруку о изабраном методу.
got_chars има идентичну структуру gh_users: Ово је скуп именованих листа, где сваки елемент унутрашње листе описује неки атрибут карактера Игре престола. Брингинг got_chars За приказ табеле, почињемо креирањем оквира датума, баш као у претходним примерима, а затим претварамо сваки елемент у засебну колону:
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>
Структура got_chars нешто теже него gh_users, јер неке компоненте листе char сами су листа, као резултат добијамо стубове - листе:
Ваше даље акције зависе од циљева анализе. Можда треба да ставите информације у редове за сваку књигу и серију у којој се лик појављује:
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
Или можда желите да направите табелу која вам омогућава да ускладите карактер и дело:
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
(Обратите пажњу на празне вредности "" у пољу title, то је због грешака при уносу података у got_chars: заправо ликови за које не постоје одговарајући наслови књига и ТВ серија у овој области title мора имати вектор дужине 0, а не вектор дужине 1 који садржи празан стринг.)
Горњи пример можемо преписати користећи функцију unnest_auto(). Овај приступ је погодан за једнократну анализу, али се не треба ослањати на њега unnest_auto() за редовну употребу. Поента је да ако се ваша структура података промени unnest_auto() може променити изабрани механизам трансформације података ако је иницијално проширио колоне листе у редове користећи unnest_longer(), онда када се структура долазних података промени, логика се може променити у корист unnest_wider(), а коришћење овог приступа на сталној основи може довести до неочекиваних грешака.
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
Геокодирање са Гоогле-ом
Затим ћемо погледати сложенију структуру података добијених од Гоогле-ове услуге геокодирања. Кеширање акредитива је противно правилима рада са АПИ-јем за Гоогле мапе, тако да ћу прво написати једноставан омот око АПИ-ја. Који се заснива на чувању кључа АПИ-ја Гоогле мапа у променљивој окружења; Ако немате кључ за рад са АПИ-јем за Гоогле мапе ускладиштен у променљивим окружења, фрагменти кода представљени у овом одељку неће бити извршени.
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)
}
Листа коју ова функција враћа је прилично сложена:
На срећу, можемо да решимо проблем претварања ових података у табеларни облик корак по корак користећи функције tidyr. Да бих задатак учинио мало изазовнијим и реалнијим, почећу геокодирањем неколико градова:
city <- c ( "Houston" , "LA" , "New York" , "Chicago" , "Springfield" ) city_geo <- purrr::map (city, geocode)
Конвертоваћу добијени резултат у tibble, ради погодности, додаћу колону са одговарајућим именом града.
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]>
Први ниво садржи компоненте status и result, који можемо проширити са 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
Имајте на уму да results је листа на више нивоа. Већина градова има 1 елемент (који представља јединствену вредност која одговара АПИ-ју за геокодирање), али Спрингфилд има два. Можемо их повући у засебне редове са 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
Сада сви имају исте компоненте, које се могу проверити коришћењем 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
Можемо пронаћи координате географске ширине и дужине сваког града тако што ћемо проширити листу 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>
А затим локацију за коју треба да се проширите 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>
Па ипак, unnest_auto() поједностављује описану операцију са неким ризицима који могу бити узроковани променом структуре улазних података:
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>
Такође можемо само да погледамо прву адресу за сваки град:
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>
Или користите hoist() за зарон на више нивоа на који можете ићи директно 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]>
Дискографија Шарле Гелфанд
На крају ћемо погледати најсложенију структуру - дискографију Шарле Гелфанд. Као у горњим примерима, почињемо тако што ћемо конвертовати листу у оквир података са једном колоном, а затим га проширити тако да свака компонента буде засебна колона. Такође трансформишем колону date_added на одговарајући формат датума и времена у Р.
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
На овом нивоу добијамо информације о томе када је сваки диск додат Шарлиној дискографији, али не видимо никакве податке о тим дисковима. Да бисмо то урадили, потребно је да проширимо колону basic_information:
discs %>% unnest_wider(basic_information)
#> Column name `id` must not be duplicated.
#> Use .name_repair to specify repair.
Нажалост, добићемо грешку, јер... унутар листе basic_information постоји истоимена колона basic_information. Ако дође до такве грешке, да бисте брзо утврдили њен узрок, можете користити names_repair = "unique":
Затим их по потреби можете придружити оригиналном скупу података.
Закључак
До сржи библиотеке tidyverse укључује многе корисне пакете уједињене заједничком филозофијом обраде података.
У овом чланку смо испитали породицу функција unnest_*(), који су усмерени на рад са издвајањем елемената из угнежђених листа. Овај пакет садржи многе друге корисне функције које олакшавају конверзију података у складу са концептом Тиди Дата.