Che cos'è il tidy data?

Rimodellare i dati con tidyr

Jeroen Boeye

Head of Machine Learning, Faktion

Le famiglie felici si assomigliano tutte; ogni famiglia infelice è infelice a modo suo.

Lev Tolstoj

I dataset in formato tidy si assomigliano tutti; ogni dataset disordinato è disordinato a modo suo.

Hadley Wickham

Dati rettangolari

Struttura

Colonne
Righe
Celle

Esempio tidy

Tidy data, variabili

Struttura

Le colonne contengono variabili
Righe
Celle

Esempio tidy variabili

Tidy data, osservazioni

Struttura

Le colonne contengono variabili
Le righe contengono osservazioni
Celle

Esempio tidy osservazioni

Tidy data, valori

Struttura

Le colonne contengono variabili
Le righe contengono osservazioni
Le celle contengono valori

Esempio tidy valori

Ripasso di dplyr

character_df

# A tibble: 4 x 3
  name           homeworld species
  <chr>          <chr>     <chr>  
1 Luke Skywalker Tatooine  Human  
2 R2-D2          Naboo     Droid  
3 Darth Vader    Tatooine  Human  
4 Obi-Wan Kenobi Stewjon   Human

Ripasso dplyr: select()

character_df %>% 
  select(name, homeworld)

# A tibble: 4 x 2
  name           homeworld
  <chr>          <chr>    
1 Luke Skywalker Tatooine 
2 R2-D2          Naboo    
3 Darth Vader    Tatooine 
4 Obi-Wan Kenobi Stewjon

Ripasso dplyr: filter()

character_df %>% 
  filter(homeworld == "Tatooine")

# A tibble: 2 x 3
  name           homeworld species
  <chr>          <chr>     <chr>  
1 Luke Skywalker Tatooine  Human  
2 Darth Vader    Tatooine  Human

Ripasso dplyr: mutate()

character_df %>% 
  mutate(is_human = species == "Human")

# A tibble: 4 x 4
  name           homeworld species is_human
  <chr>          <chr>     <chr>   <lgl>   
1 Luke Skywalker Tatooine  Human   TRUE    
2 R2-D2          Naboo     Droid   FALSE   
3 Darth Vader    Tatooine  Human   TRUE    
4 Obi-Wan Kenobi Stewjon   Human   TRUE

Ripasso dplyr: group_by() e summarize()

character_df %>% 
  group_by(homeworld) %>% 
  summarize(n = n())

# A tibble: 3 x 2
  homeworld     n
  <chr>     <int>
1 Naboo         1
2 Stewjon       1
3 Tatooine      2

logo magrittr

¹ magrittr.tidyverse.org

logo dplyr

logo tidyr

¹ www.tidyverse.org

Più variabili in un'unica colonna

population_df

# A tibble: 4 x 2
  country                 population
  <chr>                        <dbl>
1 Brazil, South America        210. 
2 Nepal, Asia                   28.1
3 Senegal, Africa               15.8
4 Australia, Oceania            25.0

Separare le variabili su due colonne

population_df %>% 
  separate(country, into = c("country", "continent"), sep = ", ")

# A tibble: 4 x 3
  country   continent      population
  <chr>     <chr>               <dbl>
1 Brazil    South America       210. 
2 Nepal     Asia                 28.1
3 Senegal   Africa               15.8
4 Australia Oceania              25.0

Esercitiamoci!

Rimodellare i dati con tidyr