[ R ] dplyr 패키지 활용 #2

 

(4) 컬럼으로 데이터 정렬

• 데이터 셋의 특정 컬럼을 기준으로 오름차순 또는 내림차순으로 정렬하는 arrange()함수 사용
• arrange(dataframe, 컬럼1, 컬럼2, …) #default는 오름차순
• arrange(dataframe, desc(컬럼1, …)) #desc()함수로 지정하는 경우 내림차순

 

ex ) 단일 객체의 오름차순 정렬

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% arrange(math) # id class math eng sci # 1   2     2   20  60  80 # 2   5     2   40  30  90 # 3   1     1   50  50  70 # 4   4     3   50  80  90 # 5  10     1   60  80  60 # 6   3     3   80  70  90 # 7   6     2   80  90  80 # 8   8     3   80  90  70 # 9   7     1   90  90  70 # 10  9     2   90  60  50

• 오름차순으로 데이터를 정렬하여 추출

 

ex ) 단일 객체의 내림차순 정렬

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% arrange(desc(math)) # id class math eng sci # 1   7     1   90  90  70 # 2   9     2   90  60  50 # 3   3     3   80  70  90 # 4   6     2   80  90  80 # 5   8     3   80  90  70 # 6  10     1   60  80  60 # 7   1     1   50  50  70 # 8   4     3   50  80  90 # 9   5     2   40  30  90 # 10  2     2   20  60  80

• arrange 함수를 이용하여 데이터를 내림차순으로 정렬하여 추출하려면 기준 객체에 desc 함수를 적용한다.
• 내림차순으로 데이터를 정렬하여 추출한다.

 

ex ) 다중 객체의 오름차순 정렬

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% arrange(class, math) # id class math eng sci # 1   1     1   50  50  70 # 2  10     1   60  80  60 # 3   7     1   90  90  70 # 4   2     2   20  60  80 # 5   5     2   40  30  90 # 6   6     2   80  90  80 # 7   9     2   90  60  50 # 8   4     3   50  80  90 # 9   3     3   80  70  90 # 10  8     3   80  90  70

• arrange 함수를 이용하여 다중 객체의 데이터를 ,(콤마)로 기준으로 오름차순으로 정렬하며 추출한다.
• 여러 객체의 데이터를 오름차순으로 정렬하여 추출한다

 

ex ) hglights_df를 대상으로 데이터 정렬

arrange(hflights_df, Year, Month, DepTime, ArrTime) # Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum TailNum # <int> <int>      <int>     <int>   <int>   <int> <chr>             <int> <chr>   #   1  2011     1          1         6       1     621 CO                 1542 N76254  # 2  2011     1         21         5       4      46 XE                 2956 N13997  # 3  2011     1          4         2       5      59 OO                 1118 N745SK  # 4  2011     1         27         4      11     216 CO                  209 N17730  # 5  2011     1         27         4      17     240 XE                 2771 N11565  # 6  2011     1          9         7      22     117 WN                   55 N506SW  # 7  2011     1         28         5     226     310 XE                 2956 N11535  # 8  2011     1         18         2     537     829 DL                 1248 N302NB  # 9  2011     1         25         2     538     824 DL                 1248 N355NB  # 10  2011     1          7         5     538     832 DL                 1248 N337NB

• 오름차순 정렬 시 우선순위는 가장 왼쪽의 컬럼부터 시작하여 오른쪽 컬럼 순으로 정렬
• 파이프 연산자를 사용하여 hflights_df 데이터 셋에 arrange()함수 적용
• hflights_df %>% arrange(Year, Month, DepTime, AirTime) 

 

 

 

(5) 컬럼으로 데이터 검색

• 데이터 셋의 특정 컬럼을 기준으로 데이터 검색 시 select()함수
•  select(dataframe, 컬럼1, 컬럼2, …)
• select 함수는 추출하고자 하는 객체를 할당하면 해당 객체만 추출한다.

 

ex ) 단일 객체

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% select(math) #   math # 1    50 # 2    20 # 3    80 # 4    50 # 5    40 # 6    80 # 7    90 # 8    80 # 9    90 # 10   60

• 단일 객체를 추출하여 반환한다.

 

ex ) 다중 객체

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% select(class, math) #  class math # 1      1   50 # 2      2   20 # 3      3   80 # 4      3   50 # 5      2   40 # 6      2   80 # 7      1   90 # 8      3   80 # 9      2   90 # 10     1   60

• select 함수의 인자에 ,(콤마)를 활용하여 여러 객체를 추출한다.
• 여러 객체를 추출하여 반환한다.

 

ex ) 객체 제외

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% select(-math) #    id class eng sci # 1   1     1  50  70 # 2   2     2  60  80 # 3   3     3  70  90 # 4   4     3  80  90 # 5   5     2  30  90 # 6   6     2  90  80 # 7   7     1  90  70 # 8   8     3  90  70 # 9   9     2  60  50 # 10 10     1  80  60

• select 함수의 인자에 -(마이너스) 연산자를 활용하여 객체 제외하고 추출한다.
• 객체 제외하고 추출하여 반환한다.

 

 

ex ) %>% 함수 적용

• %>% 함수를 적용하여 함수를 조합하여 구현한다.
• %>% 함수를 적용하면 코드의 길이가 줄어들어 이해하기도 쉽고 실행하는데 불필요한 부분이 줄어들어 시간이 단축된다.

 

# 특정 객체의 값을 추출한다.

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% filter(class == 1 ) %>% select(eng) # eng # 1  50 # 2  90 # 3  80

 

 

# 특정 객체의 값 일부를 추출한다

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% select(id, math) %>% head(3) # id math # 1  1   50 # 2  2   20 # 3  3   80

 

 

 

 

ex ) hflights_df를 대상으로 지정된 컬럼 데이터 검색

select(hflights_df, Year, Month, DepTime, ArrTime) # Year Month DepTime ArrTime # <int> <int>   <int>   <int> #   1  2011     1    1400    1500 # 2  2011     1    1401    1501 # 3  2011     1    1352    1502 # 4  2011     1    1403    1513 # 5  2011     1    1405    1507 # 6  2011     1    1359    1503 # 7  2011     1    1359    1509 # 8  2011     1    1355    1454 # 9  2011     1    1443    1554 # 10  2011     1    1443    1553

• hflights_df %>% select(hflights_df, Year, Month, DepTime, AirTime)

 

ex ) hflights_df 대상 컬럼의 범위로 검색

select(hflights_df, Year:ArrTime) # Year Month DayofMonth DayOfWeek DepTime ArrTime # <int> <int>      <int>     <int>   <int>   <int> #   1  2011     1          1         6    1400    1500 # 2  2011     1          2         7    1401    1501 # 3  2011     1          3         1    1352    1502 # 4  2011     1          4         2    1403    1513 # 5  2011     1          5         3    1405    1507 # 6  2011     1          6         4    1359    1503 # 7  2011     1          7         5    1359    1509 # 8  2011     1          8         6    1355    1454 # 9  2011     1          9         7    1443    1554 # 10  2011     1         10         1    1443    1553

• select()함수 사용시 특정 컬럼만이 아닌 컬럼의 범위 설정 가능
• 검색조건으로 시작걸럼:종료컬럼 형식으로 컬럼 범위의 시작과 끝을 지정
• 특정 컬럼 또는 컬럼의 범위를 검색에서 제외하려는 경우 제외하려는 컬럼 이름 또는 범위 앞에 “-“속성을 지정

 

 

(6) 데이터셋에 컬럼 추가

• 데이터 셋에 특정 컬럼을 추가하는 mutate()함수
• mutate(dataframe, 컬럼명1=수식1, 컬럼명2=수식2, …)

 

ex ) hflights_df에서 출발 지연시간과 도착 지연시간의 차이를 계산한 컬럼 추가

mutate(hflights_df, gain = ArrTime - DepTime,         gain_per_hour = gain / (AirTime / 60)) # Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum TailNum # <int> <int>      <int>     <int>   <int>   <int> <chr>             <int> <chr>   #   1  2011     1          1         6    1400    1500 AA                  428 N576AA  # 2  2011     1          2         7    1401    1501 AA                  428 N557AA  # 3  2011     1          3         1    1352    1502 AA                  428 N541AA  # 4  2011     1          4         2    1403    1513 AA                  428 N403AA  # 5  2011     1          5         3    1405    1507 AA                  428 N492AA  # 6  2011     1          6         4    1359    1503 AA                  428 N262AA  # 7  2011     1          7         5    1359    1509 AA                  428 N493AA  # 8  2011     1          8         6    1355    1454 AA                  428 N477AA  # 9  2011     1          9         7    1443    1554 AA                  428 N476AA  # 10  2011     1         10         1    1443    1553 AA                  428 N504AA

 

 

 

ex ) mutate()함수에 의해 추가된 컬럼 보기

select(mutate(hflights_df, gain = ArrDelay - DepDelay,  gain_per_hour = gain / (AirTime / 60)),        Year, Month, ArrDelay, DepDelay, gain, gain_per_hour) # Year Month ArrDelay DepDelay  gain gain_per_hour # <int> <int>    <int>    <int> <int>         <dbl> #   1  2011     1      -10        0   -10        -15    # 2  2011     1       -9        1   -10        -13.3  # 3  2011     1       -8       -8     0          0    # 4  2011     1        3        3     0          0    # 5  2011     1       -3        5    -8        -10.9  # 6  2011     1       -7       -1    -6         -8    # 7  2011     1       -1       -1     0          0    # 8  2011     1      -16       -5   -11        -16.5  # 9  2011     1       44       43     1          1.46 # 10  2011     1       43       43     0          0

• console창 크기 이외의 컬럼명 확인이 어려운 경우 select()함수 안에 mutate()함수 사용

 

 

(7) 요약통계 구하기

• 데이터 셋에 특정 컬럼을 대상으로 기술통계량을 계산하는 summarise() 함수
•  summarise(dataframe, 추가할 컬럼명 = 함수(컬럼명), …)
• 컬럼의 평균과 같이 컬럼을 요약한 통계량을 구할 때는 summarise 함수와 group_by 함수를 사용한다.
• 구한 결과를 요약표로 만들면 컬럼의 집단 간에 어떤 차이가 있고 어떤 분포를 갖는지 쉽게 파악할 수 있다.
• 그룹으로 나눈 데이터는 다른 분석에도 사용할 수 있으므로 활용도가 매우 높다.
• 전체의 평균, 표준편차, 사분위수 등 전체적인 값들에 대한 요약 통계량을 산출할 때는 summary 함수를 사용하고, 개별 컬럼의 데이터에 대한 요약 통계량을 구할 때는 summarise 함수를 사용한다.

 

ex ) 컬럼 데이터의 요약 통계량을 반환한다

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% summarise(mean_math = mean(math)) # mean_math # 1        64

 

 

 

ex ) hflights_df에서 비행시간의 평균 구하기

summarise(hflights_df, avgAirTime = mean(AirTime, na.rm = TRUE)) # avgAirTime # <dbl> #   1       108 hflights_df %>% summarise(avgAirTime = mean(AirTime, na.rm = TRUE)) # avgAirTime # <dbl> #   1       108

• mean()함수를 사용하여 평균을 계산하여 avgAirTime변수에 저장
• 뒤의 결과 값은 같다

 

ex ) hflights_df 의 관측치 길이 구하기

summarise(hflights_df, cnt = n(), delay = mean(AirTime, na.rm = TRUE)) # cnt delay # <int> <dbl> #   1 227496  108.

• n()함수: 데이터 셋의 관측치 길이를 구하는 함수

 

 

ex ) 도착시간(AirTime)의 표준편차와 분산 계산

summarise(hflights_df, arrTimeSd = sd(ArrTime, na.rm = TRUE),                    arrTimeVar = var(ArrTime, na.rm = T)) # arrTimeSd arrTimeVar # <dbl>      <dbl> #   1      472.    223163.

 

 

 

 

(8) 집단변수 대상 그룹화

• 데이터 셋 내 범주형 컬럼을 대상으로 그룹화하는 group_by()함수 사용
• group_by(dataframe, 집단변수) group_by
• 함수에 객체를 지정하면 컬럼별로 분리한다.

ex ) 컬럼의 집단별 평균 요약 통계량

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% group_by(class) %>% summarise(mean_math = mean(math)) # class mean_math #   <int>     <dbl> # 1     1      66.7 # 2     2      57.5 # 3     3      70

• 컬럼의 집단별 평균에 대한 요약 통계량을 반환한다.
• group_by 함수는 인자로 범주형 변수가 포함된 컬럼명을 인자로 받아 요약 통계량을 계산

 

 

ex ) 컬럼의 집단별 다중 요약 통계량

library(dplyr) csvgrade <- read.csv("C:/grade_csv.csv") csvgrade %>% group_by(class) %>% summarise(mean_math = mean(math), sum_math                                            = sum(math), median_math = median(math)) # class mean_math sum_math median_math #   <int>     <dbl>    <int>       <dbl> # 1     1      66.7      200          60 # 2     2      57.5      230          60 # 3     3      70        210          80

• 컬럼의 집단별 다중 요약 통계량을 반환한다

 

ex ) 집단변수를 이용하여 그룹화

species <- group_by(iris, Species) str(species) # grouped_df [150 x 5] (S3: grouped_df/tbl_df/tbl/data.frame) # $ Sepal.Length: num [1:150] 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ... # $ Sepal.Width : num [1:150] 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ... # $ Petal.Length: num [1:150] 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ... # $ Petal.Width : num [1:150] 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ... # $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ... # - attr(*, "groups")= tibble [3 x 2] (S3: tbl_df/tbl/data.frame) # ..$ Species: Factor w/ 3 levels "setosa","versicolor",..: 1 2 3 # ..$ .rows  : list<int> [1:3]  # .. ..$ : int [1:50] 1 2 3 4 5 6 7 8 9 10 ... # .. ..$ : int [1:50] 51 52 53 54 55 56 57 58 59 60 ... # .. ..$ : int [1:50] 101 102 103 104 105 106 107 108 109 110 ... # .. ..@ ptype: int(0)  # ..- attr(*, ".drop")= logi TRUE species # Sepal.Length Sepal.Width Petal.Length Petal.Width Species #         <dbl>       <dbl>        <dbl>       <dbl> <fct>   # 1          5.1         3.5          1.4         0.2 setosa  # 2          4.9         3            1.4         0.2 setosa  # 3          4.7         3.2          1.3         0.2 setosa  # 4          4.6         3.1          1.5         0.2 setosa  # 5          5           3.6          1.4         0.2 setosa  # 6          5.4         3.9          1.7         0.4 setosa  # 7          4.6         3.4          1.4         0.3 setosa  # 8          5           3.4          1.5         0.2 setosa  # 9          4.4         2.9          1.4         0.2 setosa  # 10          4.9         3.1          1.5         0.1 setosa