R Select(), Filter(), Arrange(), Pipeline with Example

Knihovna s názvem dplyr obsahuje cenná slovesa pro navigaci uvnitř datové sady. Prostřednictvím tohoto kurzu budete používat datovou sadu Travel times. Datový soubor shromažďuje informace o cestě řidiče 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 obsahuje přibližně 200 pozorování v datové sadě a mezi nimi proběhly jízdy Monday do pátku.

Nejprve musíte:

• načíst datovou sadu
• zkontrolujte strukturu dat.

Jednou z užitečných funkcí dplyr je funkce glimpse(). Toto je vylepšení oproti str(). Můžeme použít glimpse() k zobrazení struktury datové sady a rozhodnutí, 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              <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...	

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

sum(df$Comments =="")

Code Vysvětlení

• sum(df$Comments ==””): Sečte pozorování rovnající se “” ve sloupci komentáře z df

Výstup:

## [1] 181

vybrat()

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

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

Další možností je vypustit proměnnou Komentář se slovesem select().

Pomocí select() můžeme vybírat proměnné různými způsoby. 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.	

K vyloučení proměnné Komentáře můžete použít třetí způsob.

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.

Filtr()

Sloveso filter() pomáhá udržovat pozorování podle kritérií. Filter() funguje přesně jako select(), nejprve 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 rámci každé úrovně faktorové proměnné.

table(step_1_df$GoingTo)

Code Vysvětlení

• table(): Spočítá počet pozorování podle úrovně. Upozorňujeme, že jsou akceptovány pouze proměnné na úrovni faktoru
• table(step_1_df$GoingTo): Spočítejte počet cest do konečného cíle.

Výstup:

## 
##  GSK Home 
##  105  100	

Funkční tabulka() udává, že 105 jízd směřuje do GSK a 100 do Home.

Data můžeme filtrovat, abychom vrátili jednu datovou sadu se 105 pozorováními a druhou se 100 pozorováními.

# Select observations
if GoingTo == Home
select_home <- filter(df, GoingTo == "Home")
dim(select_home)

Výstup:

## [1] 100  14

# Select observations
if GoingTo == Work
select_work <- filter(df, GoingTo == "GSK")
dim(select_work)

Výstup:

## [1] 105  14

Více kritérií

Datovou sadu můžeme filtrovat podle více než jednoho kritéria. Můžete například extracpozorování, kde cílem je Domov a proběhla 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, jako například:

• importu
• slučování
• výběr
• filtrování
• a tak dále

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

Tento operátor je kód, který provádí kroky bez ukládání mezikroků na pevný disk. Pokud se vrátíte k našemu příkladu výše, můžete vybrat proměnné, které vás zajímají, 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: Návrat pouze Domů a Středa

Můžeme k tomu použít obtížný způsob:

# 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)

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, zvláště v situaci s mnoha kroky. Prostředí končí spoustou uložených předmětů.

Použijme místo toho operátor potrubí %>%. Stačí na začátku definovat použitý datový rámec a od něj se bude odvíjet celý proces.

Základní syntaxe potrubí

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.

Svou první rouru můžete vytvořit podle výše uvedených kroků.

# 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)

Výstup:

## [1] TRUE

Jsme připraveni vytvořit ohromující datovou sadu s operátorem potrubí.

uspořádat()

v předchozí tutoriál, naučíte se třídit hodnoty pomocí funkce sort(). Knihovna dplyr má svou třídicí funkci. S potrubím to funguje jako kouzlo. Sloveso uspořádat() může změnit pořadí jednoho nebo mnoha řádků, buď 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

Vzdálenost můžeme seřadit podle místa určení.

# Sort by destination and distance
step_2_df <-step_1_df %>%
	arrange(GoingTo, Distance)
head<step_2_df)

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

Shrnutí

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

glimpse(df)

select(df, A, B ,C)

select(df, A:C)

select(df, -C)

filter(df, condition1)

filter(df, condition1

arrange(A)

arrange(A, B)

arrange(desc(A), B)

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