R Vyberte (), Filtr (), Uspořádat (), Potrubí s příkladem

Obsah:

Anonim

V tomto výukovém programu se naučíte

  • vybrat()
  • Filtr()
  • Potrubí
  • uspořádat()

Knihovna s názvem dplyr obsahuje hodnotná slovesa pro navigaci uvnitř datové sady. Prostřednictvím tohoto tutoriálu budete používat datovou sadu Cestovní časy. Datový soubor shromažďuje informace o vedení cesty řidičem mezi jeho domovem a jeho pracovištěm. V datové sadě je čtrnáct proměnných, včetně:

  • DayOfWeek: Určete den v týdnu, kdy řidič používá své auto
  • Vzdálenost: Celková vzdálenost cesty
  • MaxSpeed: Maximální rychlost jízdy
  • TotalTime: Délka cesty v minutách

Datová sada má v datové sadě kolem 200 pozorování a jízdy proběhly od pondělí do pátku.

Nejprve musíte:

  • načtěte datovou sadu
  • zkontrolujte strukturu dat.

Jednou z užitečných funkcí dplyr je funkce glimpse (). Toto je vylepšení oproti str (). Můžeme použít glimpse (), abychom viděli strukturu datové sady a rozhodli se, jaká manipulace je nutná.

library(dplyr)PATH <- "https://raw.githubusercontent.com/guru99-edu/R-Programming/master/travel_times.csv"df <- read.csv(PATH)glimpse(df)

Výstup:

## Observations: 205## Variables: 14## $ X  1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,… ## $ Date  1/6/2012, 1/6/2012, 1/4/2012, 1/4/2012, 1/3/20… ## $ StartTime  16:37, 08:20, 16:17, 07:53, 18:57, 07:57, 17:3… ## $ DayOfWeek  Friday, Friday, Wednesday, Wednesday, Tuesday,… ## $ GoingTo  Home, GSK, Home, GSK, Home, GSK, Home, GSK, GS… ## $ Distance  51.29, 51.63, 51.27, 49.17, 51.15, 51.80, 51.37… ## $ MaxSpeed  127.4, 130.3, 127.4, 132.3, 136.2, 135.8, 123.2… ## $ AvgSpeed  78.3, 81.8, 82.0, 74.2, 83.4, 84.5, 82.9, 77.5,… ## $ AvgMovingSpeed  84.8, 88.9, 85.8, 82.9, 88.1, 88.8, 87.3, 85.9,… ## $ FuelEconomy  , , , , , , -, -, 8.89, 8.89, 8.89, 8.89, 8.89… ## $ TotalTime  39.3, 37.9, 37.5, 39.8, 36.8, 36.8, 37.2, 37.9,… ## $ MovingTime  36.3, 34.9, 35.9, 35.6, 34.8, 35.0, 35.3, 34.3,… ## $ Take407All  No, No, No, No, No, No, No, No, No, No, No, No… ## $ Comments  , , , , , , , , , , , , , , , Put snow tires o…

Je zřejmé, že proměnná Komentáře potřebuje další diagnostiku. První pozorování proměnné Komentáře jsou pouze chybějící hodnoty.

sum(df$Comments =)

Vysvětlení kódu

  • sum (df $ Komentáře == ""): Součet pozorování se rovná "" v komentářích sloupce od df

Výstup:

## [1] 181

vybrat()

Začneme slovesem select (). Nepotřebujeme nutně všechny proměnné a dobrým postupem je vybrat pouze proměnné, které považujete za relevantní.

Máme 181 chybějících pozorování, téměř 90 procent datové sady. Pokud se rozhodnete je vyloučit, nebudete moci pokračovat v analýze.

Druhou možností je vypustit proměnnou Komentář pomocí slovesa select ().

Proměnné můžeme vybrat různými způsoby pomocí select (). Všimněte si, že prvním argumentem je datová sada.

- `select(df, A, B ,C)`: Select the variables A, B and C from df dataset.- `select(df, A:C)`: Select all variables from A to C from df dataset.- `select(df, -C)`: Exclude C from the dataset from df dataset.

Třetí cestou můžete vyloučit proměnnou Komentáře.

step_1_df <- select(df, -Comments)dim(df)

Výstup:

## [1] 205 14
dim(step_1_df)

Výstup:

## [1] 205 13

Původní datová sada má 14 funkcí, zatímco step_1_df má 13 funkcí.

Filtr()

Sloveso filter () pomáhá udržovat pozorování podle kritérií. Filtr () funguje přesně jako select (), nejdříve předáte datový rámec a poté podmínku oddělenou čárkou:

filter(df, condition)arguments:- df: dataset used to filter the data- condition: Condition used to filter the data

Jedno kritérium

Nejprve můžete spočítat počet pozorování v každé úrovni proměnné faktoru.

table(step_1_df$GoingTo)

Vysvětlení kódu

  • tabulka (): Spočítá počet pozorování podle úrovně. Poznámka: akceptována je pouze proměnná na úrovni faktoru
  • tabulka (krok_1_df $ GoingTo): Počítá cesty do konečného cíle.

Výstup:

#### GSK Home## 105 100

Tabulka funkcí () ukazuje, že 105 jízd jede do GSK a 100 do Home.

Můžeme filtrovat data a vrátit jednu datovou sadu se 105 pozorováními a další se 100 pozorováními.

# Select observationsif GoingTo == Homeselect_home <- filter(df, GoingTo == "Home")dim(select_home)

Výstup:

## [1] 100 14
# Select observationsif GoingTo == Workselect_work <- filter(df, GoingTo == "GSK")dim(select_work)

Výstup:

## [1] 105 14

Několik kritérií

Můžeme filtrovat datovou sadu s více než jedním kritériem. Můžete například extrahovat pozorování, kde je cílem Domov a došlo ve středu.

select_home_wed <- filter(df, GoingTo == "Home" & DayOfWeek == "Wednesday")dim(select_home_wed)

Výstup:

## [1] 23 14

Tomuto kritériu odpovídalo 23 pozorování.

Potrubí

Vytvoření datové sady vyžaduje mnoho operací, například:

  • import
  • slučování
  • výběr
  • filtrování
  • a tak dále

Knihovna dplyr přichází s praktickým operátorem%>%, který se nazývá pipeline . Díky funkci potrubí je manipulace čistá, rychlá a méně náchylná k chybám.

Tento operátor je kód, který provádí kroky bez ukládání mezilehlých kroků na pevný disk. Pokud se vrátíte zpět k našemu příkladu shora, můžete vybrat požadované proměnné a filtrovat je. Máme tři kroky:

  • Krok 1: Import dat: Importujte data GPS
  • Krok 2: Vyberte data: Vyberte GoingTo a DayOfWeek
  • Krok 3: Filtrování dat: Vraťte se pouze domů a ve středu

Můžeme to udělat tvrdě:

# Step 1step_1 <- read.csv(PATH)# Step 2step_2 <- select(step_1, GoingTo, DayOfWeek)# Step 3step_3 <- filter(step_2, GoingTo == "Home", DayOfWeek == "Wednesday")head(step_3)

Výstup:

## GoingTo DayOfWeek## 1 Home Wednesday## 2 Home Wednesday## 3 Home Wednesday## 4 Home Wednesday## 5 Home Wednesday## 6 Home Wednesday

To není pohodlný způsob provádění mnoha operací, zejména v situaci se spoustou kroků. Prostředí končí s mnoha uloženými objekty.

Pojďme místo toho použít operátor kanálu%>%. Musíme pouze definovat datový rámec použitý na začátku a celý proces z něj bude plynout.

Základní syntaxe kanálu

New_df <- df %>%step 1 %>%step 2 %>%… arguments- New_df: Name of the new data frame- df: Data frame used to compute the step- step: Instruction for each step- Note: The last instruction does not need the pipe operator `%`, you don't have instructions to pipe anymoreNote: Create a new variable is optional. If not included, the output will be displayed in the console.

První potrubí můžete vytvořit podle výše uvedených kroků.

# Create the data frame filter_home_wed.It will be the object return at the end of the pipelinefilter_home_wed <-#Step 1read.csv(PATH) % > %#Step 2select(GoingTo, DayOfWeek) % > %#Step 3filter(GoingTo == "Home",DayOfWeek == "Wednesday")identical(step_3, filter_home_wed)

Výstup:

## [1] TRUE

Jsme připraveni vytvořit ohromující datovou sadu s provozovatelem plynovodu.

uspořádat()

V předchozím kurzu se naučíte, jak seřadit hodnoty pomocí funkce sort (). Knihovna dplyr má svou třídicí funkci. S potrubím to funguje jako kouzlo. Sloveso uspořádat () může změnit pořadí jednoho nebo více řádků, a to vzestupně (výchozí) nebo sestupně.

- `arrange(A)`: Ascending sort of variable A- `arrange(A, B)`: Ascending sort of variable A and B- `arrange(desc(A), B)`: Descending sort of variable A and ascending sort of B

Můžeme třídit vzdálenost podle cíle.

# Sort by destination and distancestep_2_df <-step_1_df %>%arrange(GoingTo, Distance)head

Výstup:


## X Date StartTime DayOfWeek GoingTo Distance MaxSpeed AvgSpeed## 1 193 7/25/2011 08:06 Monday GSK 48.32 121.2 63.4## 2 196 7/21/2011 07:59 Thursday GSK 48.35 129.3 81.5## 3 198 7/20/2011 08:24 Wednesday GSK 48.50 125.8 75.7## 4 189 7/27/2011 08:15 Wednesday GSK 48.82 124.5 70.4## 5 95 10/11/2011 08:25 Tuesday GSK 48.94 130.8 85.7## 6 171 8/10/2011 08:13 Wednesday GSK 48.98 124.8 72.8## AvgMovingSpeed FuelEconomy TotalTime MovingTime Take407All## 1 78.4 8.45 45.7 37.0 No## 2 89.0 8.28 35.6 32.6 Yes## 3 87.3 7.89 38.5 33.3 Yes## 4 77.8 8.45 41.6 37.6 No## 5 93.2 7.81 34.3 31.5 Yes## 6 78.8 8.54 40.4 37.3 No
 

souhrn


V tabulce níže shrnete všechny operace, které jste se naučili během kurzu.


 

 

 Sloveso  Objektivní  Kód  Vysvětlení  


 

 

 

 záblesk  zkontrolujte strukturu df   

glimpse(df)
 		 Stejné jako str ()  


 

 vybrat()  Vyberte / vyloučte proměnné   

select(df, A, B ,C)
 		 Vyberte proměnné A, B a C  


 

      

select(df, A:C)
 		 Vyberte všechny proměnné od A do C.  


 

      

select(df, -C)
 		 Vyloučit C.  


 

 filtr()  Filtrujte df na základě jedné nebo více podmínek   

filter(df, condition1)
 		 Jedna podmínka  


 

      

filter(df, condition1
 		 další2)  


 

 uspořádat()  Seřaďte datovou sadu s jednou nebo více proměnnými   

arrange(A)
 		 Vzestupný druh proměnné A  


 

      

arrange(A, B)
 		 Vzestupný druh proměnné A a B.  


 

      

arrange(desc(A), B)
 		 Sestupný druh proměnné A a vzestupný druh B  


 

 %>%  Mezi každým krokem vytvořte kanál   

step 1 %>% step 2 %>% step 3