В этом уроке вы узнаете
Библиотека dplyr содержит ценные глаголы для навигации по набору данных. В этом уроке вы будете использовать набор данных Travel Times. Набор данных собирает информацию о поездках водителя между его домом и рабочим местом. В наборе данных четырнадцать переменных, в том числе:
- DayOfWeek: укажите день недели, когда водитель пользуется своей машиной.
- Расстояние: общее расстояние поездки
- MaxSpeed: максимальная скорость поездки
- TotalTime: длина в минутах пути
Набор данных имеет около 200 наблюдений в наборе данных, и поездки происходили с понедельника по пятницу.
Прежде всего, вам необходимо:
- загрузить набор данных
- проверить структуру данных.
Одной из удобных функций dplyr является функция glimpse (). Это улучшение по сравнению с str (). Мы можем использовать glimpse (), чтобы увидеть структуру набора данных и решить, какие манипуляции требуются.
library(dplyr) PATH <- "https://raw.githubusercontent.com/guru99-edu/R-Programming/master/travel_times.csv" df <- read.csv(PATH) glimpse(df)
Вывод:
## Observations: 205 ## Variables: 14 ## $ X <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, ... ## $ Date <fctr> 1/6/2012, 1/6/2012, 1/4/2012, 1/4/2012, 1/3/20... ## $ StartTime <fctr> 16:37, 08:20, 16:17, 07:53, 18:57, 07:57, 17:3... ## $ DayOfWeek <fctr> Friday, Friday, Wednesday, Wednesday, Tuesday,... ## $ GoingTo <fctr> Home, GSK, Home, GSK, Home, GSK, Home, GSK, GS... ## $ Distance <dbl> 51.29, 51.63, 51.27, 49.17, 51.15, 51.80, 51.37... ## $ MaxSpeed <dbl> 127.4, 130.3, 127.4, 132.3, 136.2, 135.8, 123.2... ## $ AvgSpeed <dbl> 78.3, 81.8, 82.0, 74.2, 83.4, 84.5, 82.9, 77.5,... ## $ AvgMovingSpeed <dbl> 84.8, 88.9, 85.8, 82.9, 88.1, 88.8, 87.3, 85.9,... ## $ FuelEconomy <fctr> , , , , , , -, -, 8.89, 8.89, 8.89, 8.89, 8.89... ## $ TotalTime <dbl> 39.3, 37.9, 37.5, 39.8, 36.8, 36.8, 37.2, 37.9,... ## $ MovingTime <dbl> 36.3, 34.9, 35.9, 35.6, 34.8, 35.0, 35.3, 34.3,... ## $ Take407All <fctr> No, No, No, No, No, No, No, No, No, No, No, No... ## $ Comments <fctr> , , , , , , , , , , , , , , , Put snow tires o...
Это очевидно, что переменная Comments нуждается в дальнейшей диагностике. Первые наблюдения переменной Comments — это только пропущенные значения.
sum(df$Comments =="")
Код Объяснение
- sum (df $ Comments == «»): Сумма наблюдений равна «» в столбце комментариев от df.
Вывод:
## [1] 181
Выбрать()
Мы начнем с глагола select (). Нам не обязательно нужны все переменные, и хорошей практикой является выбор только тех переменных, которые вы считаете релевантными.
У нас есть 181 пропущенных наблюдений, почти 90 процентов набора данных. Если вы решите исключить их, вы не сможете продолжить анализ.
Другая возможность — удалить переменную Comment с глаголом select ().
Мы можем выбирать переменные разными способами с помощью select (). Обратите внимание, что первым аргументом является набор данных.
- `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.
Вы можете использовать третий способ, чтобы исключить переменную Comments.
step_1_df <- select(df, -Comments) dim(df)
Вывод:
## [1] 205 14
dim(step_1_df)
Вывод:
## [1] 205 13
Исходный набор данных имеет 14 функций, а у step_1_df — 13.
Фильтр()
Глагол filter () помогает сохранять наблюдения в соответствии с критериями. Filter () работает точно так же, как select (), сначала вы передаете фрейм данных, а затем условие, разделенное запятой:
filter(df, condition) arguments: - df: dataset used to filter the data - condition: Condition used to filter the data
Один критерий
Прежде всего, вы можете посчитать количество наблюдений на каждом уровне факторной переменной.
table(step_1_df$GoingTo)
Код Объяснение
- таблица (): подсчитать количество наблюдений по уровню. Обратите внимание, принимаются только переменные уровня фактора
- table (step_1_df $ GoingTo): подсчитать количество поездок к конечному пункту назначения.
Вывод:
## ## GSK Home ## 105 100
Таблица функций () показывает, что 105 поездок идут в GSK, а 100 — домой.
Мы можем отфильтровать данные, чтобы получить один набор данных со 105 наблюдениями, а другой — со 100 наблюдениями.
# Select observations if GoingTo == Home select_home <- filter(df, GoingTo == "Home") dim(select_home)
Вывод:
## [1] 100 14
# Select observations if GoingTo == Work select_work <- filter(df, GoingTo == "GSK") dim(select_work)
Вывод:
## [1] 105 14
Несколько критериев
Мы можем отфильтровать набор данных по нескольким критериям. Например, вы можете извлечь наблюдения, где пункт назначения находится дома и произошел в среду.
select_home_wed <- filter(df, GoingTo == "Home" & DayOfWeek == "Wednesday") dim(select_home_wed)
Вывод:
## [1] 23 14
23 наблюдения соответствовали этому критерию.
Трубопровод
Создание набора данных требует много операций, таких как:
- импорта
- сращивание
- выбирающий
- фильтрация
- и так далее
Библиотека dplyr содержит практический оператор%>%, называемый конвейером . Функция конвейера делает манипулирование чистым, быстрым и менее быстрым к ошибкам.
Этот оператор представляет собой код, который выполняет шаги без сохранения промежуточных шагов на жесткий диск. Если вы вернулись к нашему примеру сверху, вы можете выбрать интересующие вас переменные и отфильтровать их. У нас есть три шага:
- Шаг 1: Импорт данных: импорт данных GPS
- Шаг 2. Выберите данные: выберите GoingTo и DayOfWeek
- Шаг 3: Фильтровать данные: возвращать только домой и среду
Мы можем использовать сложный способ сделать это:
# Step 1 step_1 <- read.csv(PATH) # Step 2 step_2 <- select(step_1, GoingTo, DayOfWeek) # Step 3 step_3 <- filter(step_2, GoingTo == "Home", DayOfWeek == "Wednesday") head(step_3)
Вывод:
## GoingTo DayOfWeek ## 1 Home Wednesday ## 2 Home Wednesday ## 3 Home Wednesday ## 4 Home Wednesday ## 5 Home Wednesday ## 6 Home Wednesday
Это не удобный способ выполнять много операций, особенно в ситуации с большим количеством шагов. Окружающая среда заканчивается множеством сохраненных объектов.
Давайте вместо этого будем использовать оператор конвейера%>%. Нам нужно только определить фрейм данных, используемый в начале, и весь процесс будет вытекать из него.
Основной синтаксис конвейера
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 anymore Note: Create a new variable is optional. If not included, the output will be displayed in the console.
Вы можете создать свой первый канал, выполнив шаги, перечисленные выше.
# Create the data frame filter_home_wed.It will be the object return at the end of the pipeline filter_home_wed <- #Step 1 read.csv(PATH) % > % #Step 2 select(GoingTo, DayOfWeek) % > % #Step 3 filter(GoingTo == "Home",DayOfWeek == "Wednesday") identical(step_3, filter_home_wed)
Вывод:
## [1] TRUE
Мы готовы создать потрясающий набор данных с оператором конвейера.
организовать ()
В предыдущем уроке вы узнали, как сортировать значения с помощью функции sort (). Библиотека dplyr имеет свою функцию сортировки. Это работает как шарм с конвейером. Глаголrange () может переупорядочивать одну или несколько строк, по возрастанию (по умолчанию) или по убыванию.
- `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
Мы можем отсортировать расстояние по месту назначения.
# Sort by destination and distance step_2_df <-step_1_df %>% arrange(GoingTo, Distance) head<step_2_df)
Вывод:
## 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
Резюме
В таблице ниже вы суммируете все операции, которые вы изучили в ходе обучения.
глагол | Задача | Код | объяснение |
---|---|---|---|
проблеск | проверить структуру df |
glimpse(df) |
Идентичен str () |
Выбрать() | Выбрать / исключить переменные |
select(df, A, B ,C) |
Выберите переменные A, B и C |
select(df, A:C) |
Выберите все переменные от А до С | ||
select(df, -C) |
Исключить C | ||
фильтр() | Фильтруйте df на основе одного или нескольких условий |
filter(df, condition1) |
Одно состояние |
filter(df, condition1 |
ondition2) | ||
организовать () | Сортировать набор данных с одной или несколькими переменными |
arrange(A) |
Восходящий вид переменной A |
arrange(A, B) |
Восходящий вид переменных A и B | ||
arrange(desc(A), B) |
Нисходящий вид переменной A и восходящий вид B | ||
%>% | Создать конвейер между каждым шагом |
step 1 %>% step 2 %>% step 3 |