Czym są uporządkowane dane?

Przekształcanie danych z tidyr

Jeroen Boeye

Head of Machine Learning, Faktion

Szczęśliwe rodziny są do siebie podobne, każda nieszczęśliwa rodzina jest nieszczęśliwa na swój sposób.

Lew Tołstoj

Uporządkowane zbiory danych są do siebie podobne, każdy nieuporządkowany zbiór jest nieuporządkowany na swój sposób.

Hadley Wickham

Dane prostokątne

Struktura

Kolumny
Wiersze
Komórki

Przykład tidy

Uporządkowane dane, zmienne

Struktura

Kolumny przechowują zmienne
Wiersze
Komórki

Przykładowe zmienne tidy

Uporządkowane dane, obserwacje

Struktura

Kolumny przechowują zmienne
Wiersze przechowują obserwacje
Komórki

Przykładowe obserwacje tidy

Uporządkowane dane, wartości

Struktura

Kolumny przechowują zmienne
Wiersze przechowują obserwacje
Komórki przechowują wartości

Przykładowe wartości tidy

Powtórzenie 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

Powtórzenie 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

Powtórzenie 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

Powtórzenie 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

Powtórzenie dplyr: group_by() i 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

Wiele zmiennych w jednej kolumnie

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

Rozdzielanie zmiennych na dwie kolumny

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

Czas na ćwiczenia!

Przekształcanie danych z tidyr