Vad är tidy data?

Omforma data med tidyr

Jeroen Boeye

Head of Machine Learning, Faktion

Lyckliga familjer liknar varandra, men varje olycklig familj är olycklig på sitt eget sätt.

Leo Tolstoy

Välstrukturerade datamängder liknar varandra, men varje rörig datamängd är rörig på sitt eget sätt.

Hadley Wickham

Rektangulär data

Struktur

Kolumner
Rader
Celler

Tidy-exempel

Tidy data, variabler

Struktur

Kolumner innehåller variabler
Rader
Celler

Tidy-exempel variabler

Tidy data, observationer

Struktur

Kolumner innehåller variabler
Rader innehåller observationer
Celler

Tidy-exempel observationer

Tidy data, värden

Struktur

Kolumner innehåller variabler
Rader innehåller observationer
Celler innehåller värden

Tidy-exempel värden

Repetition: 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

Repetition: 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

Repetition: 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

Repetition: 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

Repetition: dplyr – group_by() och 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

magrittr-logotyp

¹ magrittr.tidyverse.org

dplyr-logotyp

tidyr-logotyp

¹ www.tidyverse.org

Flera variabler i en kolumn

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

Dela upp variabler i två kolumner

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

Nu kör vi en övning!

Omforma data med tidyr