رأينا في أجزاء أخرى من المنهج أنواع بيانات متنوعة بخصائص مختلفة.
- المتجهات الذرية أحادية البعد ومتجانسة في نوعها.
- القوائم أحادية البعد، ويمكن أن تكون عناصرها من أنواع غير متجانسة.
- المصفوفات والشبكات متعددة الأبعاد ومتجانسة.
سيتناول هذا المفهوم طرق تخزين بيانات متعددة الأبعاد وغير متجانسة.
عمليًا، تكون معظم بيانات العالم الحقيقي بهذه الصورة، لذا نصل الآن إلى جوهر كيفية استخدام R (في الغالب) في الممارسة العملية.
أنواع إطارات البيانات
على مدى العقود، أضافت R أنواع بيانات متعددة للتعامل مع البيانات الجدولية.
سيركّز هذا المنهج بشكل أساسي على tibbles، لكن من المفيد معرفة البدائل.
data.frame
في R الأساسية، data.frame هو list من vectors متساوية في الطول.
يمكن تصوّره كجدول بيانات مستطيل، يكون فيه كل عمود متجانسًا، بينما يمكن لكل صف أن يحتوي (وهذا ما يحدث عادةً) على أنواع مختلفة من البيانات.
مثال يوضح ذلك:
# create the column vectors
languages <- c("Fortran", "R", "Python", "Julia")
created <- c(1957, 1993, 1991, 2012)
has.syllabus <- c(FALSE, TRUE, TRUE, TRUE)
# join columns to create the dataframe
df <- data.frame(languages, created, has.syllabus)
df
#> languages created has.syllabus
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
لدينا عمود من السلاسل النصية، وعمود من الأعداد، وعمود من القيم المنطقية.
وعند التوسّع، تكون هذه طريقة بديهية لتمثيل كثير من مجموعات بيانات العالم الحقيقي.
tibble
تصميم data.frame قديم.
خبرة امتدّت عقودًا، إلى جانب أنماط متغيّرة في استخدام R، أدّت إلى إعادة تصميم أنتجت بديلًا حديثًا في Tidyverse: tibbles.
مقارنة بـ R الأساسية، تتميّز tibbles بما يلي:
- قيم افتراضية مختلفة، للحدّ من المشكلات الشائعة.
- ميل أقل لفرض تحويل أنواع البيانات أثناء الإدخال.
- رسائل خطأ أكثر وأوضح.
- صيغ عرض مختلفة، وعادةً أفضل.
باختصار، يهدف tibble إلى «أن يفعل أقل ويشكو أكثر»، ويوصف أيضًا بأنه «كسول وعبوس».
غالبًا ما يكون النوعان قابلين للتبادل: أي دالة تقبل data.frame ستقبل أيضًا tibble، والعكس صحيح.
التحويل بين النوعين سهل، عبر as_tibble(df) وas.data.frame(tbl).
في الأعمال الجديدة، سيساعدك استخدام tibbles على الأرجح في كتابة كود أكثر متانة.
مع ذلك، الكود القديم والبيانات القديمة وفيرة جدًا في عالم R، لذا يُرجّح أن يبقى data.frame شائعًا لفترة طويلة.
# column vectors are same as for data.frame
library(tibble)
tbl <- tibble(languages, created, has.syllabus)
tbl
# A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
لاحظ صيغة الطباعة الافتراضية: يُطبع سطر التعليق الذي يحمل الأبعاد تلقائيًا، وتُعرض أنواع الأعمدة أيضًا.
العمل مع tibbles
tibbles جزء أساسي من Tidyverse، لذا أضِفها عبر library(tibble) أو library(tidyverse).
إنشاء tibble
بأبسط طريقة، يمكننا استخدام الدالة tibble() لضم متجهات الأعمدة، كما في data.frame().
عُرض مثال على ذلك في قسم سابق.
إذا كان إدخال القيم صفًا صفًا أكثر ملاءمة، فالدالة المقابلة هي tribble().
عمليًا، هناك عشرات الطرق لإنشاء tibbles، لأنها صيغة الإخراج الافتراضية من مجموعة متنوعة من دوال Tidyverse.
التعامل مع tibble
تناول مفهوم البرمجة الوظيفية مكتبة purrr للتعامل مع المتجهات والقوائم (بنى بيانات أحادية البعد).
أما لإطارات البيانات (سواء التقليدية أو tibbles)، فالمكتبة المقابلة للاستخدام هي dplyr.
التقسيم الفرعي
يمكن التعامل مع إطارات البيانات، بما في ذلك tibbles، كقوائم من متجهات الأعمدة، لذا تسترجع فهرسة القوائم عمودًا محددًا.
tbl
# A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
tbl$created
#> [1] 1957 1993 1991 2012
يمكن أيضًا فهرسة إطار البيانات بفهرسة على نمط المصفوفات.
tbl[c(2, 4), 1:2]
# A tibble: 2 × 2
#> languages created
#> <chr> <dbl>
#> 1 R 1993
#> 2 Julia 2012
في R الحديثة مع منظومة Tidyverse، تكون دوال dplyr عمومًا أكثر مرونة وملاءمة، وستكون محور التركيز لبقية هذا المفهوم.
العمليات على مستوى الأعمدة
احصل على عمود واحد باستخدام pull() بالاسم أو بالرقم التسلسلي (الأرقام السالبة للعدّ من اليمين إلى اليسار).
tbl |> pull(created)
#> [1] 1957 1993 1991 2012
هذه هي النتيجة نفسها التي يعطيها tbl$created، لكن باستخدام دالة تناسب أسلوب الأنابيب.
للحصول على عدة أعمدة، فالدالة المناسبة هي select()، وهي متعددة الاستخدامات للغاية.
احصل على الأعمدة (أو استبعدها) بناءً على خصائص أسمائها أو أنواعها.
# Range with position and/or name
tbl |> select(1:created)
# A tibble: 4 × 2
#> languages created
#> <chr> <dbl>
#> 1 Fortran 1957
#> 2 R 1993
#> 3 Python 1991
#> 4 Julia 2012
# Use type of column
tbl |> select(where(is.numeric))
# A tibble: 4 × 1
#> created
#> <dbl>
#> 1 1957
#> 2 1993
#> 3 1991
#> 4 2012
يُسمح بمعايير متعددة، باستخدام عوامل منطقية & و| و! (و، أو، ليس).
تبدو هذه القوة مبالغًا فيها بعض الشيء مع إطار البيانات البسيط الخاص بنا للغات.
لحسن الحظ، يتضمن dplyr إطار tibble المسمّى starwars، مما يمنحنا شيئًا أكبر للتدرّب عليه.
# pick a subset of columns
starwars |>
select(name | ends_with("color")) |>
head(5)
# A tibble: 5 × 4
#> name hair_color skin_color eye_color
#> <chr> <chr> <chr> <chr>
#> 1 Luke Skywalker blond fair blue
#> 2 C-3PO NA gold yellow
#> 3 R2-D2 NA white, blue red
#> 4 Darth Vader none white yellow
#> 5 Leia Organa brown light brown
العمليات على مستوى الصفوف
احصل على الصفوف المطابقة لمعايير معينة باستخدام filter()، أو استبعدها باستخدام filter_out().
starwars |>
select(name:mass) |>
filter(between(height, 150, 165) & !is.na(mass))
# A tibble: 4 × 3
#> name height mass
#> <chr> <int> <dbl>
#> 1 Leia Organa 150 49
#> 2 Beru Whitesun Lars 165 75
#> 3 Nien Nunb 160 68
#> 4 Ben Quadinaros 163 65
يمكن أن تكون معايير الفلترة معقّدة كما نشاء، لكنها دائمًا مبنية على محتوى الصفوف.
إذا كانت أرقام الصفوف معروفة، يمكننا استخدام مجموعة متنوعة من دوال slice().
starwars |>
select(name | homeworld) |>
slice(20:25)
# A tibble: 6 × 2
#> name homeworld
#> <chr> <chr>
#> 1 Palpatine Naboo
#> 2 Boba Fett Kamino
#> 3 IG-88 NA
#> 4 Bossk Trandosha
#> 5 Lando Calrissian Socorro
#> 6 Lobot Bespin
تعديل tibble
تحذير أول: السلوك الافتراضي copy-on-modify يعني أن tibble الأصلية تبقى عادة دون تغيير.
تُطبَّق معظم التعديلات على مستوى الأعمدة.
يمكن تغيير أسماء الأعمدة باستخدام rename(newname = oldname)، أو rename_with() لتطبيق دالة.
لاحظ الصياغة داخل rename().
يُربَط محتوى العمود oldname بالاسم newname، ومن هنا يأتي الترتيب.
يمكن تغيير ترتيب الأعمدة باستخدام relocate().
تُنقل الأعمدة المحددة إلى أقصى المواضع اليسرى افتراضيًا، لكن يمكن استخدام الوسيط .before أو .after لضبط الموضع بدقة أكبر.
sw <- starwars |> select(name:species) |> slice(1:4)
sw
# A tibble: 4 × 11
#> name height mass hair_color skin_color eye_color birth_year sex gender homeworld species
#> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr> <chr> <chr>
#> 1 Luke Skywalker 172 77 blond fair blue 19 male masculine Tatooine Human
#> 2 C-3PO 167 75 NA gold yellow 112 none masculine Tatooine Droid
#> 3 R2-D2 96 32 NA white, blue red 33 none masculine Naboo Droid
#> 4 Darth Vader 202 136 none white yellow 41.9 male masculine Tatooine Human
sw |> relocate(c(species, homeworld), .after = name)
# A tibble: 4 × 11
#> name species homeworld height mass hair_color skin_color eye_color birth_year sex gender
#> <chr> <chr> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
#> 1 Luke Skywalker Human Tatooine 172 77 blond fair blue 19 male masculine
#> 2 C-3PO Droid Tatooine 167 75 NA gold yellow 112 none masculine
#> 3 R2-D2 Droid Naboo 96 32 NA white, blue red 33 none masculine
#> 4 Darth Vader Human Tatooine 202 136 none white yellow 41.9 male masculine
لإجراء تغييرات أكبر، تتيح لك mutate():
- إنشاء أعمدة جديدة تكون دوالًا لأعمدة موجودة.
- استبدال عمود موجود، بإنشاء عمود جديد بالاسم نفسه.
- حذف عمود، بتعيين قيمته إلى
NULL.
من الواضح أن mutate() قوية، وقد تكون مربكة، وهي سبب لامتناننا الشديد لسلوك copy-on-modify.
لا يوجد سبب واضح للاهتمام بمؤشر كتلة الجسم لشخصيات حرب النجوم، لكن من باب الاحتياط:
starwars |>
select(c(name, species, height, mass)) |>
mutate(BMI = mass / (height / 100)^2) |>
head(4)
# A tibble: 4 × 5
#> name species height mass BMI
#> <chr> <chr> <int> <dbl> <dbl>
#> 1 Luke Skywalker Human 172 77 26.0
#> 2 C-3PO Droid 167 75 26.9
#> 3 R2-D2 Droid 96 32 34.7
#> 4 Darth Vader Human 202 136 33.3
العمليات على مستوى الصفوف أقل شيوعًا لتعديل tibble واحدة (ستُناقش عملية دمج عدة tibbles في مفهوم لاحق).
استثناء واحد: تُرتّب arrange() الصفوف حسب القيم في عمود واحد أو أكثر.
tbl
#> A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 R 1993 TRUE
#> 3 Python 1991 TRUE
#> 4 Julia 2012 TRUE
tbl |> arrange(languages)
#> A tibble: 4 × 3
#> languages created has.syllabus
#> <chr> <dbl> <lgl>
#> 1 Fortran 1957 FALSE
#> 2 Julia 2012 TRUE
#> 3 Python 1991 TRUE
#> 4 R 1993 TRUE
تمرين تعلّمي
