A tanterv más részein többféle, különböző tulajdonságokkal rendelkező adattípussal találkoztunk.
- Az atomi vektorok egydimenziósak, és típusukra nézve homogének.
- A listák egydimenziósak, elemeik pedig heterogén típusúak lehetnek.
- A mátrixok és a tömbök többdimenziósak és homogének.
Ez a fogalom azzal foglalkozik, hogyan tárolhatunk többdimenziós, heterogén adatokat.
A gyakorlatban a valós adatok többsége ilyen, így most eljutunk ahhoz a lényeghez, hogyan használják (többnyire) az R-t a gyakorlatban.
A dataframe változatai
Az évtizedek során az R több adattípust is kapott a táblázatos adatok kezelésére.
Ez a tanterv elsősorban a tibble típussal foglalkozik, de hasznos ismerni az alternatívákat.
A data.frame
A Base R-ben a data.frame egyenlő hosszúságú vectors-ökből álló list.
Ez egy téglalap alakú adattáblának tekinthető, amelyben minden oszlop homogén, de minden sor különböző típusú adatokat tartalmazhat (és általában tartalmaz is).
Nézzünk egy példát, amely ezt szemlélteti:
# 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
Van egy karakterláncokból álló oszlopunk, egy számokból álló oszlopunk és egy logikai értékekből álló oszlopunk.
Nagyobb léptékben ez intuitív módja annak, hogy valós adatok sokféle gyűjteményét ábrázoljuk.
A tibble
A data.frame kialakítása régi.
A több évtizedes tapasztalat és az R használatának változó mintázatai egy újratervezéshez vezettek, amely modernizált alternatívát hozott létre a Tidyverse-ben: a tibble-t.
A Base R-hez képest a tibble a következőket nyújtja:
- Más alapértelmezett beállításokat, hogy csökkentse a gyakori problémákat.
- Kisebb hajlandóságot az adattípusok automatikus konverziójára a bemenet során.
- Több és világosabb hibaüzenetet.
- Más, általában jobb megjelenítési formátumokat.
Röviden, a tibble célja, hogy kevesebbet tegyen és többet panaszkodjon, amit úgy is szoktak jellemezni, hogy lusta és morcos.
A típusok általában felcserélhetők: bármely függvény, amely elfogad egy data.frame-et, elfogad egy tibble-t is, és fordítva.
A típusok közötti átalakítás egyszerű: as_tibble(df) és as.data.frame(tbl).
Új munka esetén a tibble használata valószínűleg segít robusztusabb kódot írni.
Az R világában azonban rengeteg örökölt kód és örökölt adat van, így a data.frame valószínűleg még sokáig gyakori marad.
# 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
Figyeld meg az alapértelmezett nyomtatási formátumot: a méreteket tartalmazó megjegyzéssor automatikusan kiíródik, és az oszloptípusok is megjelennek.
Tibble-ek használata
A tibble-ek a Tidyverse alapelemei, ezért a library(tibble) vagy a library(tidyverse) hívással töltheted be őket.
Tibble létrehozása
A legegyszerűbben a tibble() függvénnyel fűzhetjük össze az oszlopvektorokat, ahogyan a data.frame() esetében is.
Erre egy korábbi szakaszban láttunk példát.
Ha kényelmesebb soronként megadni az értékeket, a megfelelő függvény a tribble().
A gyakorlatban tucatnyi módja van a tibble-ek létrehozásának, mivel számos Tidyverse-függvény alapértelmezett kimeneti formátuma.
Egy tibble kezelése
A funkcionális programozás fogalom a purrr könyvtárral foglalkozott, amellyel vektorokat és listákat (egydimenziós adatszerkezeteket) kezelhetünk.
Dataframe-ek (akár hagyományosak, akár tibble-ek) esetében a megfelelő könyvtár a dplyr.
Részhalmazok kiválasztása
A dataframe-ek, köztük a tibble-ek is, oszlopvektorok listájaként kezelhetők, így a lista indexelésével egy adott oszlopot kapunk vissza.
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$created
#> [1] 1957 1993 1991 2012
A dataframe mátrixstílusú indexeléssel is indexelhető.
tbl[c(2, 4), 1:2]
# A tibble: 2 × 2
#> languages created
#> <chr> <dbl>
#> 1 R 1993
#> 2 Julia 2012
A modern R-ben, a Tidyverse ökoszisztémával a dplyr függvények általában rugalmasabbak és kényelmesebbek, és ezek állnak a fogalom hátralévő részének középpontjában.
Oszloponkénti műveletek
Egyetlen oszlopot a pull() függvénnyel kaphatsz meg, a nevével vagy a sorszámával (negatív számok jobbról balra számolnak).
tbl |> pull(created)
#> [1] 1957 1993 1991 2012
Ez ugyanaz az eredmény, mint a tbl$created esetében, csak egy pipe-barát függvénnyel.
Több oszlop kiválasztásához a megfelelő függvény a select(), amely rendkívül sokoldalú.
Oszlopokat kaphatsz meg (vagy ejthetsz el) a nevük vagy típusuk tulajdonságai alapján.
# 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
Több feltétel is megadható a &, | és ! logikai operátorokkal (és, vagy, nem).
Ez a lehetőség meglehetősen nevetségesnek tűnik a nyelveket tartalmazó játékdataframe-ünkkel.
Szerencsére a starwars tibble benne van a dplyr-ben, így van mivel nagyobbat gyakorolni.
# 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
Soronkénti műveletek
Sorokat kapsz meg bizonyos feltételeknek megfelelően a filter() függvénnyel, vagy kizárhatod őket a filter_out() függvénnyel.
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
A szűrési feltételek tetszőlegesen összetettek lehetnek, de mindig a sorok tartalmán alapulnak.
Ha ismertek a sorok számai, többféle slice() függvényt használhatunk.
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
Egy tibble módosítása
Első figyelmeztetés: a copy-on-modify alapértelmezés miatt az eredeti tibble általában változatlan marad.
A legtöbb módosítás oszloponként történik.
Az oszlopnevek a rename(newname = oldname) hívással változtathatók meg, vagy a rename_with() függvénnyel, hogy egy függvényt alkalmazzunk.
Figyeld meg a rename() szintaxisát.
Az oldname oszlop tartalma a newname névhez kötődik, innen ered a sorrend.
Az oszlopok sorrendje a relocate() függvénnyel változtatható meg.
A megadott oszlop(ok) alapértelmezés szerint a legbaloldalibb pozícióba kerülnek, de a .before vagy .after argumentummal finomabb pozicionálás is elérhető.
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
Nagyobb változtatásokhoz a mutate() a következőket teszi lehetővé:
- Új oszlopok létrehozása, amelyek a meglévő oszlopok függvényei.
- Meglévő oszlop lecserélése úgy, hogy egy ugyanilyen nevű új oszlopot hozunk létre.
- Oszlop törlése úgy, hogy az értékét
NULL-ra állítjuk.
Nyilvánvalóan a mutate() hatékony, esetleg zavaró is lehet, és ok arra, hogy hálásak legyünk a copy-on-modify-nak.
Nincs nyilvánvaló oka annak, hogy a Star Wars-szereplők testtömegindexével törődjünk, de azért csak:
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
A soronkénti műveletek kevésbé gyakoriak egyetlen tibble módosításakor (több tibble egyesítését egy későbbi fogalom tárgyalja).
Egy kivétel: az arrange() sorokat rendez egy vagy több oszlop értékei szerint.
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
Tanulófeladat
