Ce sunt datele tidy?

Restructurarea datelor cu tidyr

Jeroen Boeye

Head of Machine Learning, Faktion

Familiile fericite seamănă toate între ele, dar fiecare familie nefericită este nefericită în felul ei.

Lev Tolstoi

Seturile de date tidy seamănă toate între ele, dar fiecare set de date dezordonat este dezordonat în felul lui.

Hadley Wickham

Date dreptunghiulare

Structură

Coloane
Rânduri
Celule

Exemplu tidy

Date tidy, variabile

Structură

Coloanele conțin variabile
Rânduri
Celule

Variabile exemplu tidy

Date tidy, observații

Structură

Coloanele conțin variabile
Rândurile conțin observații
Celule

Observații exemplu tidy

Date tidy, valori

Structură

Coloanele conțin variabile
Rândurile conțin observații
Celulele conțin valori

Valori exemplu tidy

Recapitulare 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

Recapitulare 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

Recapitulare 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

Recapitulare 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

Recapitulare dplyr: group_by() și 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

Mai multe variabile într-o singură coloană

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

Separarea variabilelor în două coloane

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

Să exersăm!

Restructurarea datelor cu tidyr