Co jsou uklizená data?

Reshaping Data with tidyr

Jeroen Boeye

Head of Machine Learning, Faktion

Šťastné rodiny jsou si všechny podobné, ale každá nešťastná rodina je nešťastná po svém.

Lev Tolstoj

Uklizené datové sady jsou si všechny podobné, ale každá neuklizená datová sada je neuklizená po svém.

Hadley Wickham

Tabulková data

Struktura

Sloupce
Řádky
Buňky

Ukázka uklizených dat

Uklizená data – proměnné

Struktura

Sloupce obsahují proměnné
Řádky
Buňky

Ukázka uklizených proměnných

Uklizená data – pozorování

Struktura

Sloupce obsahují proměnné
Řádky obsahují pozorování
Buňky

Ukázka uklizených pozorování

Uklizená data – hodnoty

Struktura

Sloupce obsahují proměnné
Řádky obsahují pozorování
Buňky obsahují hodnoty

Ukázka uklizených hodnot

Opakování 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

Opakování 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

Opakování 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

Opakování 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

Opakování dplyr: group_by() a 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

Více proměnných v jednom sloupci

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

Rozdělení proměnných do dvou sloupců

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

Lass uns üben!

Reshaping Data with tidyr