Colonnes avec plusieurs valeurs

Restructurer des données avec tidyr

Jeroen Boeye

Head of Machine Learning, Faktion

Deux variables dans une seule colonne

netflix_df

# A tibble: 637 x 3
   title                  type    duration
   <chr>                  <chr>   <chr>   
 1 Article 15             Movie   125 min 
 2 Kill Me If You Dare    Movie   100 min 
 3 The Spy                TV Show 1 Seasons
 4 The World We Make      Movie   108 min 
 5 Watchman               Movie   93 min

Conversion des types après séparation

netflix_df %>% 
  separate(duration, into = c("value", "unit"), convert = TRUE)

# A tibble: 5 x 4
  title               type    value unit  
  <chr>               <chr>   <int> <chr> 
1 Article 15          Movie     125 min   
2 Kill Me If You Dare Movie     100 min   
3 The Spy             TV Show     1 Seasons
4 The World We Make   Movie     108 min   
5 Watchman            Movie      93 min

Rappel : agrégation avec dplyr

netflix_df %>% 
  separate(duration, into = c("value", "unit"), convert = TRUE) %>%
  group_by(type, unit) %>% 
  summarize(mean_duration = mean(value))

# A tibble: 2 x 3
# Groups:   type [2]
  type    unit    mean_duration
  <chr>   <chr>           <dbl>
1 Movie   min             98.6 
2 TV Show Seasons          1.85

Séparer les variables en colonnes

Colonne avec plusieurs variables

Une colonne par variable

Combiner plusieurs colonnes en une seule

star_wars_df

# A tibble: 4 x 2
  given_name family_name
  <chr>      <chr>      
1 Luke       Skywalker  
2 Han        Solo       
3 Leia       Organa     
4 R2         D2

Combiner plusieurs colonnes en une seule

star_wars_df %>%
  unite("name", given_name, family_name)

# A tibble: 4 x 1
  name          
  <chr>         
1 Luke_Skywalker
2 Han_Solo      
3 Leia_Organa   
4 R2_D2

Combiner plusieurs colonnes en une seule

star_wars_df %>%
  unite("name", given_name, family_name, sep = " ")

# A tibble: 4 x 1
  name          
  <chr>         
1 Luke Skywalker
2 Han Solo      
3 Leia Organa   
4 R2 D2

Plusieurs valeurs dans une seule cellule

drink_df

# A tibble: 2 x 2
  drink          ingredients           
  <chr>          <chr>                 
1 Chocolate milk milk, chocolate, sugar
2 Orange juice   oranges, sugar

Plusieurs valeurs dans une seule cellule

Données Netflix

Colonne avec plusieurs variables

Données de boissons

Cellule avec plusieurs valeurs

Plusieurs valeurs dans une seule cellule

Données Netflix

Colonne avec plusieurs variables

Données de boissons

Cellule avec plusieurs valeurs

Valeurs vers variables

Une colonne par variable

Plusieurs valeurs dans une seule cellule

Données Netflix

Colonne avec plusieurs variables

Données de boissons

Cellule avec plusieurs valeurs

Valeurs vers variables

Une colonne par variable

Valeurs vers observations

Une valeur par cellule

Répartir les valeurs sur les lignes

drink_df %>% 
  separate_rows(ingredients, sep = ", ")

# A tibble: 5 x 2
  drink          ingredients
  <chr>          <chr>      
1 Chocolate milk milk       
2 Chocolate milk chocolate  
3 Chocolate milk sugar      
4 Orange juice   oranges    
5 Orange juice   sugar

Compter les ingrédients

drink_df %>% 
  separate_rows(ingredients, sep = ", ") %>% 
  count(drink)

# A tibble: 2 x 2
  drink              n
  <chr>          <int>
1 Chocolate milk     3
2 Orange juice       2

drink_df %>% 
  separate_rows(ingredients, sep = ", ") %>% 
  count(ingredients)

# A tibble: 4 x 2
  ingredients     n
  <chr>       <int>
1 chocolate       1
2 milk            1
3 oranges         1
4 sugar           2

Visualiser les ingrédients

drink_df %>% 
  separate_rows(ingredients, sep = ", ") %>% 
  ggplot(aes(x=drink, fill=ingredients)) +
  geom_bar()

Histogramme des ingrédients

Passons à la pratique !

Restructurer des données avec tidyr