Arranger, filtrer og grupper rækker i R ved hjælp af Dplyr

Denne tutorial er en fortsættelse af diskussionen om dplyr- pakken. Du lærer, hvordan du arrangerer, filtrerer og grupperer rækker i R.

Den forrige lektion handlede om kolonneoperationer. Denne gang vil fokus være på rækkeoperationer i dplyr .

Vi dækker det grundlæggende, hvilket inkluderer sortering og filtrering af et datasæt og aggregering og opsummering af poster . For at give dig et overblik over, hvad du kan forvente til denne lektion, tænk på en pivottabel i MS Excel.

Indholdsfortegnelse

• Kom godt i gang
• Grundlæggende funktioner til rækkeoperationer
  • 1. Arranger rækker i R
  • 2. Filtrer rækker i R
    • Filtrer rækker efter flere felter
  • 3. Gruppér efter og opsummer rækker i R
• Konklusion

Kom godt i gang

Åbn et nyt R-script i RStudio.

I lighed med lektionen om kolonneoperationer vil denne demonstration bruge Lahman-datasættet . Download det ved at lave en hurtig google-søgning.

For at bringe Lahman-pakken ind i R skal du køre bibliotek (Lahman) . For at aktivere dplyr- pakken skal du køre library (tidyverse) . Også, at en bedste praksis for navngivning af konventioner i R er at bruge små bogstaver, så tildel teams i teams .

Grundlæggende funktioner til rækkeoperationer

1. Arranger rækker i R

Den første række operation i dpylr er arrangement ( ) . Denne funktion giver dig mulighed for at omarrangere rækker. Det fungerer ved først at arrangere datarammen df og derefter de givne felter.

Lad os f.eks. sortere efter teamID . Kør arrangement (hold, teamID) .

Hvis du vil have dem arrangeret i faldende rækkefølge, skal du bruge funktionen desc ( ) .

For eksempel, hvis du vil sortere efter år i faldende rækkefølge, skal du køre arrangement (hold, desc(yearID)) .

Når du gør dette, tildeler du ikke output tilbage til teams . Du ser bare resultatet i konsollen.

Det er også muligt at sortere efter flere kriterier. For eksempel, hvis du vil sortere efter teamID og derefter yearID i faldende rækkefølge, behøver du kun at køre denne kode:

Når du sorterer rækker, ændrer du ikke dataene. Dataene bliver bare flyttet rundt. Intet bliver tilføjet eller fjernet.

2. Filtrer rækker i R

Filterfunktionen ( ) tilføjer eller fjerner data afhængigt af de valgte kriterier. Dens grundlæggende kode er:

Lad os som et eksempel få alle data, hvor yearID er større end eller lig med 2000. Følg filterfunktionens format og indtast de nødvendige oplysninger. Så kør den. Glem ikke at tildele dette til et nyt objekt. I dette tilfælde blev det tildelt moderne .

For at kontrollere, om rækkerne rent faktisk blev filtreret, kan du bruge dæmpningsfunktionen ( ) . Det angiver antallet af rækker og kolonner i datarammen.

Hvis du kører dim (hold) , vil du se, at datarammen har 2.955 rækker og 48 kolonner.

Hvis du kører dæmpningsfunktionen på moderne , vil du se, at antallet af rækker er blevet reduceret til 630, mens antallet af kolonner forbliver det samme.

Rækkerne er blevet afkortet, fordi nogle af posterne går ud over år 2000.

Filtrer rækker efter flere felter

Det er også muligt at filtrere rækker efter flere felter i R. Du skal bruge AND- og OR- sætningerne.

Lad os f.eks. filtrere hold efter område. I dette tilfælde oprettes et nyt objekt ohio . Filterkriterierne er, at teamID kun skal omfatte Cleveland OG Cincinnati.

Du skal bruge det dobbelte lighedstegnet ( == ) for at kontrollere lighed. Hvis du kun bruger ét lighedstegn, vil R betragte det som en tildelingsoperatør. Brug og-tegnet ( & ) til at repræsentere OG.

For at kontrollere, brug dæmpningsfunktionen . Du vil se, at antallet af rækker er 0.

Det betyder, at der ikke er nogen hold, hvor de begge er baseret i Cleveland og Cincinnati.

Lad os derefter prøve Cleveland ELLER Cincinnati. OR-operatoren er repræsenteret af røroperatoren ( | ). Så alt hvad du skal gøre er at udskifte og-tegnet med røroperatøren og derefter køre det. Kør derefter dæmpningsfunktionen igen .

Du vil se, at der er 251 rækker i stedet for nul.

Hvad nu hvis du glemmer at bruge et dobbelt lighedstegn og i stedet kun bruge et? Her er hvad der sker:

RStudio viser en meget nyttig fejlmeddelelse i konsollen, der minder dig om at bruge det dobbelte lighedstegnet.

3. Gruppér efter og opsummer rækker i R

Funktionen gruppe efter ( ) giver dig mulighed for at aggregere poster efter udvalgte kolonner og derefter opsummere en anden kolonne baseret på denne aggregering.

Funktionen gruppe efter ( ) følger denne algoritme:

Lad os som et eksempel gruppere efter teamID og tildele det til et nyt objekt. I dette tilfælde kaldes det nye objekt teams_ID . Udskriv den derefter.

I konsollen vil du bemærke, at den første linje siger, at det er en table .

En tibble er en ryddig forbedring i forhold til den grundlæggende dataramme. Det er en funktion i pakken, der øger og forbedrer, hvad der er tilgængeligt ud af æsken.

Den anden linje er Grupper . Så dataene er nu grupperet efter teamID-kolonnen.

Og med det kan du nu bruge funktionen opsummere ( ) på disse grupper.

Bemærk: opsummeringsfunktionen kan enten være med et s eller z, og vil afhænge af brugen af ​​britisk eller amerikansk engelsk.

Lad os for eksempel opsummere teams_ID og få nogle grundlæggende oversigtsstatistikker. Lad os se efter gennemsnittet, minimum og maksimum af gevinster for hvert hold. Husk at fremhæve hele koden, før du vælger at køre .

Du kan derefter se i konsollen, at en oversigt over hvert holds statistik vises. Dette minder meget om en pivottabel, hvor du samler og opsummerer data.

Konklusion

For at opsummere er to operationer i dplyr blevet diskuteret. En tidligere tutorial fokuserede på kolonneoperationer. I mellemtiden viste denne aktuelle lektion dig, hvordan du udfører rækkeoperationer ved hjælp af dplyr -pakken i RStudio. Specifikt lærte du at arrangere, filtrere og gruppere rækker i R.

Den næste ting at lære er, hvordan man kombinerer disse to operationer. Brug af alle de funktioner, du har lært indtil nu, vil i høj grad hjælpe dig med at skabe koder i R. En mere nyttig teknik ville dog være en pipeline. Dette vil hjælpe alt med at flyde sammen. Så sørg for også at gennemgå de næste tutorials.