#install.packages('dplyr')
library(dplyr)Wprowadzenie do dplyr
Statystyka I z R
Wprowadzenie do dplyr
Pakiet dplyr jest pakietem, który ma pozwolić nam ułatwić i przyspieszyć wykonywanie różnych często dokonywanych operacji na ramkach danych. Jego podstawowe zalety to przejrzysta składnia oraz szybkość działania (wiele z jego funkcji zostało napisanych w C++ dla lepszej optymalizacji). Przy naprawdę dużej ilości danych użycie tego pakietu może okazać się niezbędne.
Wszystkie te operacje potrafią Państwo wykonać za pomocą “czystego” R, na czym bardzo mi zależało. Być może jednak czasami będzie wygodniej zrobić to używając funkcji dostarczanych przez pakiet dplyr. Na pewno traci się pewną elastyczność i kontrolę nad tym, co się robi, nie ulega jednak wątpliwości, że czasami warto zapłacić taką cenę za wygodę pracy.
To wprowadzenie zostało przygotowane na podstawie oficjalnego krótkiego wprowadzenia do pakietu oraz dokumentacji.
Omówimy sobie kilka możliwości jakie daje nam ten pakiet.
Instalujemy pakiet za pomocą standardowego install.packages oraz ładujemy go za pomocą library.
Do ćwiczeń wykorzystamy dane pochodzące z badań nad uchowcami. Jak wyglądają te zwierzatka? Tak:
Informacje na temat danych mogą Państwo znaleźć tutaj: Dokumentacja zbioru Abalone
Wczytajmy dane i zobaczmy jak one wyglądają za pomocą head.
df <- read.csv('abalone.data', header = FALSE)
col_names <- c('Sex', 'Length', 'Diameter', 'Height',
'Whole.weight', 'Shucked.weight',
'Viscera.weight', 'Shell.weight', 'Rings')
colnames(df) <- col_names
head(df) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 M 0.455 0.365 0.095 0.5140 0.2245 0.1010
2 M 0.350 0.265 0.090 0.2255 0.0995 0.0485
3 F 0.530 0.420 0.135 0.6770 0.2565 0.1415
4 M 0.440 0.365 0.125 0.5160 0.2155 0.1140
5 I 0.330 0.255 0.080 0.2050 0.0895 0.0395
6 I 0.425 0.300 0.095 0.3515 0.1410 0.0775
Shell.weight Rings
1 0.150 15
2 0.070 7
3 0.210 9
4 0.155 10
5 0.055 7
6 0.120 8W kolumnie Sex znajdujemy informacje o płci (I oznacza “infant”), dalej mamy dane dotyczące rozmiaru i wagi oraz liczby “kręgów” (rings?). Z dokumentacji danych możemy dowiedzieć się, co zmienna ta oznacza: “Rings / integer / – / +1.5 gives the age in years”
filter
Funkcja filter pozwala nam wybierać wiersze z ramki danych. Warto zwrócić uwagę na jej składnie. Jako pierwszy argument przyjmuje ramkę danych, kolejne wyrażenia to warunki, jakie musi spełniać obserwacja. Bardzo ważne jest, żeby zauważyć, że do nazw kolumn odwołujemy się bez cudzysłowów. Spróbujmy wybrać wszystkie te ślimaczki, które są płci męskiej i mają więcej niż 22 “kręgi”.
filter(df, Sex == 'M', Rings > 22) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 M 0.600 0.495 0.195 1.0575 0.3840 0.1900
2 M 0.630 0.485 0.175 1.3000 0.4335 0.2945
3 M 0.665 0.535 0.225 2.1835 0.7535 0.3910
4 M 0.610 0.490 0.150 1.1030 0.4250 0.2025
5 M 0.515 0.400 0.160 0.8175 0.2515 0.1560
6 M 0.690 0.540 0.185 1.6195 0.5330 0.3530
Shell.weight Rings
1 0.375 26
2 0.460 23
3 0.885 27
4 0.360 23
5 0.300 23
6 0.555 24Możemy oczywiście użyć bardziej oczywistej składni i posłużyć się operatorem logicznym koniunkcji. Efekt jest dokładnie taki sam, jak w poprzednim przykładzie:
filter(df, Sex == 'M' & Rings > 22) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 M 0.600 0.495 0.195 1.0575 0.3840 0.1900
2 M 0.630 0.485 0.175 1.3000 0.4335 0.2945
3 M 0.665 0.535 0.225 2.1835 0.7535 0.3910
4 M 0.610 0.490 0.150 1.1030 0.4250 0.2025
5 M 0.515 0.400 0.160 0.8175 0.2515 0.1560
6 M 0.690 0.540 0.185 1.6195 0.5330 0.3530
Shell.weight Rings
1 0.375 26
2 0.460 23
3 0.885 27
4 0.360 23
5 0.300 23
6 0.555 24Nic nie stoi na przeszkodzie, by używać wszystkich dostępnych w R operatorów logicznych i arytmetycznych. W poniższym przykładzie wybraliśmy te ślimaczki, które są płci żeńskiej lub męskiej, mają wartość Height większą niż 0.24 oraz co najmniej 10 “kręgów”. Wszystkie zasady związane z nawiasami jakie znamy ze standardowego R dalej obowiązują.
filter(df, (Sex == 'M' | Sex == 'F') & Height > 0.24 & Rings >= 10) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 M 0.705 0.565 0.515 2.2100 1.1075 0.4865
2 F 0.815 0.650 0.250 2.2550 0.8905 0.4200
3 M 0.775 0.630 0.250 2.7795 1.3485 0.7600
4 F 0.595 0.470 0.250 1.2830 0.4620 0.2475
Shell.weight Rings
1 0.5120 10
2 0.7975 14
3 0.5780 12
4 0.4450 14arrange
Za pomocą funkcji arrange możemy porzadkować ramkę danych zgodnie z wartościami z poszczególnych kolumn. Jako pierwszy argument przekazujemy ramkę danych, kolejnymi są kolumny po których sortujemy. Kolejne kolumny używane są wówczas, gdy w poprzednich mamy do czynienia z “remisem”. W 2 i 3 wierszu nasze ślimaczki mają tyle samo “kręgów”, więc pod uwagę brana jest kolejna kolumna - długość. Za pomocą funkcji desc możemy zdecydować, czy porządkować chcemy rosnąco, czy malejąco. W zasadzie funkcja ta robi to samo co order, oferując (może) bardziej przejrzystą składnię.
head(arrange(df, desc(Rings), desc(Length), Sex), 15) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 F 0.700 0.585 0.185 1.8075 0.7055 0.3215
2 M 0.665 0.535 0.225 2.1835 0.7535 0.3910
3 F 0.550 0.465 0.180 1.2125 0.3245 0.2050
4 M 0.600 0.495 0.195 1.0575 0.3840 0.1900
5 F 0.645 0.490 0.215 1.4060 0.4265 0.2285
6 F 0.700 0.540 0.215 1.9780 0.6675 0.3125
7 M 0.690 0.540 0.185 1.6195 0.5330 0.3530
8 F 0.800 0.630 0.195 2.5260 0.9330 0.5900
9 M 0.630 0.485 0.175 1.3000 0.4335 0.2945
10 F 0.620 0.470 0.200 1.2255 0.3810 0.2700
11 F 0.620 0.520 0.225 1.1835 0.3780 0.2700
12 M 0.610 0.490 0.150 1.1030 0.4250 0.2025
13 F 0.550 0.415 0.135 0.7750 0.3020 0.1790
14 M 0.515 0.400 0.160 0.8175 0.2515 0.1560
15 F 0.490 0.385 0.150 0.7865 0.2410 0.1400
Shell.weight Rings
1 0.475 29
2 0.885 27
3 0.525 27
4 0.375 26
5 0.510 25
6 0.710 24
7 0.555 24
8 0.620 23
9 0.460 23
10 0.435 23
11 0.395 23
12 0.360 23
13 0.260 23
14 0.300 23
15 0.240 23select
select umożliwia nam wybieranie kolumn z ramki danych. Jako pierwszy argument przyjmuję ramkę danych jako kolejne kolumny, które chcemy wybrać. Z najprostszym przypadkiem mamy do czynienia wówczas, gdy po prostu przekazujemy nazwy kolumn.
head(select(df, Sex, Length, Diameter)) Sex Length Diameter
1 M 0.455 0.365
2 M 0.350 0.265
3 F 0.530 0.420
4 M 0.440 0.365
5 I 0.330 0.255
6 I 0.425 0.300Pakiet dplyr umożliwia nam radzenie sobie z sytuacjami, gdy w naszej ramce danych mamy bardzo dużo kolumn. Załóżmy, że chcemy wybrać tylko te z nich, których nazwa zawiera ciąg znaków weight. Możemy ten problem rozwiązać za pomoca funkcji contains.
head(select(df, Sex, contains('weight'))) Sex Whole.weight Shucked.weight Viscera.weight Shell.weight
1 M 0.5140 0.2245 0.1010 0.150
2 M 0.2255 0.0995 0.0485 0.070
3 F 0.6770 0.2565 0.1415 0.210
4 M 0.5160 0.2155 0.1140 0.155
5 I 0.2050 0.0895 0.0395 0.055
6 I 0.3515 0.1410 0.0775 0.120Dodatkową funkcjonalnościa jest fakt, że możemy posłużyć się wyrażeniami regularnymi. Jeżeli nie mieli Państwo z nimi styczności wcześniej, to najkrócej mówiąc są to ciągi znaków wyrażające pewne wzorce, do których dopasowywane są napisy. W poniższym przykładzie posłużyłem się patternem ^...ght, który dopasowuje wszystkie napisy, które zaczynają się (^) od trzech dowolnych znaków (...), po których następuje ght. W naszym przypadku tylko Height spełnia te warunki, dlatego tylko tę kolumnę wybraliśmy.
head(select(df, Sex, matches('^...ght'))) Sex Height
1 M 0.095
2 M 0.090
3 F 0.135
4 M 0.125
5 I 0.080
6 I 0.095Możemy również wybrać wszystkie kolumny z wyjątkiem jakichś. Posługując się składnią nazwa_kolumny:_nazwa_kolumny wybieramy wszystkie kolejne kolumny pomiędzy dwoma okreslonymi i używając znaku minusa (-) wybieramy wszystkie kolumny z ramki danych oprócz tych wyszczególnionych. W przykładzie poniżej posłużyliśmy się tą metodą, by wybrać wszystkie kolumny oprócz tych dotyczących wagi naszych zwierzatek.
head(select(df, -(Whole.weight:Shell.weight))) Sex Length Diameter Height Rings
1 M 0.455 0.365 0.095 15
2 M 0.350 0.265 0.090 7
3 F 0.530 0.420 0.135 9
4 M 0.440 0.365 0.125 10
5 I 0.330 0.255 0.080 7
6 I 0.425 0.300 0.095 8distinct
Wybiera unikatowe wartości z ramki danych, jako drugi i kolejne argumenty przekazujemy kolumny, które chcemy wziąć pod uwagę, decydując o “unikatowości” obserwacji. W poniższym przykładzie przekazaliśmy kolumny Sex i Rings, otrzymamy więc maksymalnie 3 (liczba płci) x 29 (liczba “kręgów”) wartości (bo tyle jest unikatowych kombinacji w naszym przypadku). W rzeczywistości otrzymaliśmy 68 (ponieważ nie wszystkie kombinacje występują w naszym zbiorze danych)
nrow(distinct(df, Sex, Rings))[1] 68head(distinct(df, Sex, Rings), 15) Sex Rings
1 M 15
2 M 7
3 F 9
4 M 10
5 I 7
6 I 8
7 F 20
8 F 16
9 M 9
10 F 19
11 F 14
12 M 11
13 F 10
14 M 12
15 I 10mutate
Za pomocą funkcji mutate możemy łatwo dodawać kolumny. Składnia jest analogiczna jak przy poprzednich funkcjach - pierwszym argumentem jest ramka danych, kolejne to kolumny, które chcemy dodać. Określając wartości w kolumnach możemy posługiwać się operatorami arytmetycznymi ale też funkcjami R (np. sqrt). Korzystajac z wiedzy dotyczącej relacji między ilością “kręgów” oraz wiekiem dodajmy nową kolumnę Age. Dla demonstracji dodajmy również dwie dodatkowe kolumny ujmujące relację między wagą a wymiarami.
head(mutate(df,
Age = Rings + 1.5,
Height.to.weight.ratio = Height/Whole.weight,
Body.mass.ratio = sqrt(Height*Diameter)/Whole.weight)) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 M 0.455 0.365 0.095 0.5140 0.2245 0.1010
2 M 0.350 0.265 0.090 0.2255 0.0995 0.0485
3 F 0.530 0.420 0.135 0.6770 0.2565 0.1415
4 M 0.440 0.365 0.125 0.5160 0.2155 0.1140
5 I 0.330 0.255 0.080 0.2050 0.0895 0.0395
6 I 0.425 0.300 0.095 0.3515 0.1410 0.0775
Shell.weight Rings Age Height.to.weight.ratio Body.mass.ratio
1 0.150 15 16.5 0.1848249 0.3622806
2 0.070 7 8.5 0.3991131 0.6848534
3 0.210 9 10.5 0.1994092 0.3517247
4 0.155 10 11.5 0.2422481 0.4139537
5 0.055 7 8.5 0.3902439 0.6967247
6 0.120 8 9.5 0.2702703 0.4802829Funkcja transmute różni się od mutate tylko tym, że zwraca wyłacznie nowododane kolumny:
head(transmute(df,
Age = Rings + 1.5,
Height.to.weight.ratio = Height/Whole.weight,
Body.mass.ratio = sqrt(Height*Diameter)/Whole.weight)) Age Height.to.weight.ratio Body.mass.ratio
1 16.5 0.1848249 0.3622806
2 8.5 0.3991131 0.6848534
3 10.5 0.1994092 0.3517247
4 11.5 0.2422481 0.4139537
5 8.5 0.3902439 0.6967247
6 9.5 0.2702703 0.4802829summarise
summarise pozwala nam stworzyć ramkę danych, w której w jakiś sposób “podsumowujemy” wiele wartości do jednej. Możemy użyć tutaj standardowych funkcji R takich jak mean czy sd. W przypadku poniżej stworzyliśmy dwie nowe kolumny, które sprowadzają wartości w kolumnach Rings i Whole.weight do jednej wartości (do średniej oraz odchylenia standardowego).
summarise(df,
ring_mean = mean(Rings),
wieight_sd = sd(Whole.weight)) ring_mean wieight_sd
1 9.933684 0.490389sample_n/frac
Funkcje sample_n i sample_frac pozwalają nam losować probę z ramki danych. Różnią się tym, że sample_n pozwala wylosować \(n\) obserwacji, a sample_frac pozwala wylosować liczę obserwacji stanowiącą jakiś ułamek wszystkich (w przykładzie - \(0.5%\) wszystkich obserwacji). Funkcje te mogą być bardzo przydatne przy pracy z dużymi zbiorami danych.
sample_n(df, 15) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 M 0.545 0.410 0.140 0.7370 0.3490 0.1500
2 I 0.395 0.310 0.095 0.3130 0.1310 0.0720
3 I 0.400 0.310 0.100 0.1270 0.1060 0.0710
4 I 0.460 0.350 0.100 0.4710 0.2520 0.0770
5 F 0.490 0.400 0.115 0.5690 0.2560 0.1325
6 M 0.630 0.490 0.165 1.2005 0.5750 0.2730
7 F 0.560 0.455 0.160 0.9670 0.4525 0.2070
8 M 0.530 0.435 0.155 0.6990 0.2880 0.1595
9 F 0.660 0.530 0.180 1.5175 0.7765 0.3020
10 I 0.485 0.355 0.130 0.5810 0.2450 0.1320
11 F 0.725 0.565 0.210 2.1425 1.0300 0.4870
12 M 0.505 0.400 0.125 0.7700 0.2735 0.1590
13 F 0.635 0.500 0.180 1.2565 0.5390 0.2920
14 M 0.625 0.480 0.145 1.0850 0.4645 0.2445
15 F 0.655 0.510 0.175 1.4150 0.5885 0.3725
Shell.weight Rings
1 0.212 9
2 0.093 7
3 0.085 7
4 0.123 8
5 0.145 9
6 0.294 10
7 0.274 9
8 0.205 10
9 0.401 10
10 0.168 12
11 0.503 14
12 0.255 13
13 0.350 10
14 0.327 10
15 0.364 10sample_frac(df, 0.005) Sex Length Diameter Height Whole.weight Shucked.weight Viscera.weight
1 F 0.695 0.550 0.185 1.6790 0.8050 0.4015
2 M 0.475 0.370 0.110 0.4895 0.2185 0.1070
3 I 0.365 0.275 0.135 0.2400 0.1080 0.0445
4 F 0.500 0.385 0.105 0.4980 0.1795 0.1095
5 I 0.400 0.300 0.110 0.2985 0.1375 0.0710
6 F 0.530 0.420 0.130 1.0010 0.3400 0.2260
7 M 0.580 0.440 0.150 1.0465 0.5180 0.2185
8 M 0.490 0.380 0.135 0.5415 0.2175 0.0950
9 M 0.595 0.485 0.150 1.0835 0.5305 0.2310
10 I 0.480 0.390 0.150 0.6275 0.2760 0.1340
11 M 0.775 0.630 0.250 2.7795 1.3485 0.7600
12 I 0.465 0.355 0.105 0.4420 0.2085 0.0975
13 M 0.560 0.430 0.155 0.8675 0.4000 0.1720
14 F 0.630 0.500 0.155 1.0050 0.3670 0.1990
15 I 0.500 0.390 0.130 0.5075 0.2115 0.1040
16 I 0.435 0.325 0.120 0.3995 0.1815 0.0610
17 F 0.630 0.480 0.165 1.2615 0.5505 0.2770
18 F 0.705 0.530 0.170 1.5640 0.6120 0.3940
19 F 0.500 0.370 0.135 0.4500 0.1715 0.1055
20 F 0.750 0.565 0.215 1.9380 0.7735 0.4825
21 M 0.500 0.370 0.150 1.0615 0.4940 0.2230
Shell.weight Rings
1 0.3965 10
2 0.1460 8
3 0.0735 7
4 0.1700 17
5 0.0750 6
6 0.2650 17
7 0.2795 10
8 0.1900 11
9 0.2760 8
10 0.1850 13
11 0.5780 12
12 0.1185 7
13 0.2290 8
14 0.3600 16
15 0.1755 9
16 0.1125 8
17 0.3885 10
18 0.4400 10
19 0.1550 9
20 0.5750 11
21 0.2960 9group_by
Funkcja group_by odpowiada w moim przekonaniu za całą magię pakietu dplyr. Można o niej myśleć jako o funkcji split na dopingu. Pozwala ona podobnie jak split podzielić ramkę danych ze względu na wartości w jakiejś kolumnie. Jej przewagą jest to, że na obiekcie, który zwraca ta funkcja możemy dokonywać wszystkich operacji, jakich dokonywaliśmy za pomocą pakietu dplyr na ramkach danych.
W poniższym przykładzie wykorzystaliśmy funkcję group_by aby podzielić naszą ramkę danych na na ramki ze wzgledu na płeć naszych zwierzatek. Następnie użyliśmy funkcji summarise by uzyskać informacje o średniej wadze ze skorupą, po zdjęciu skorupy i średniej wadze skorupy. Dzięki temu, że użyliśmy jej na obiekcie zwracanym przez funkcję group_by, dokonywaliśmy wszystkich operacji osobno na każdej “podramce”.
by_sex <- group_by(df, Sex)
weight_means <- summarise(by_sex,
count = n(), # specjalna funkcja, która zwraca liczbę obserwacji
w.weight.mean = mean(Whole.weight),
s.weight.mean = mean(Shucked.weight),
v.weight.mean = mean(Shell.weight))
weight_means# A tibble: 3 × 5
Sex count w.weight.mean s.weight.mean v.weight.mean
<chr> <int> <dbl> <dbl> <dbl>
1 F 1307 1.05 0.446 0.302
2 I 1342 0.431 0.191 0.128
3 M 1528 0.991 0.433 0.282Tym, co stanowi o sile pakietu dplyr jest to, że poszczególne operacje możemy łączyć w łańcuszki. W tym krótkim fragmencie kodu wykonaliśmy następujące operacje (w kolejności):
- Dodaliśmy nową kolumnę do ramki danych
Age, która jest liczbą “kręgów” powiększoną o 1.5 - Pogrupowaliśmy nasze obserwacje ze względu na wiek (kolumna
Age) - Wyliczyliśmy rozstęp międzyćwiartkowy dla wysokości i wagi całkowitej z podziałem na wiek
- Uporządkowaliśmy uzyskane wyniki malejąco ze względu na kolumny z rozstępami międzyćwiartkowymi wzrostu i wagi (proszę zobaczyć 2 i 3 wiersz - w kolumnie
height.iqrjest remis, więc kolejność między nimi ustala wartość z kolumnyweight.iqr.
arrange(
summarise(
group_by(
mutate(
df,
Age = Rings+1.5)
,Age),
height.iqr = IQR(Height),
weight.iqr = IQR(Whole.weight)),
desc(height.iqr), desc(weight.iqr))# A tibble: 28 × 3
Age height.iqr weight.iqr
<dbl> <dbl> <dbl>
1 24.5 0.045 0.409
2 23.5 0.0425 0.916
3 14.5 0.0425 0.601
4 18.5 0.04 0.554
5 17.5 0.04 0.532
6 13.5 0.0400 0.675
7 11.5 0.0400 0.537
8 15.5 0.0400 0.535
9 16.5 0.0400 0.495
10 22.5 0.0363 0.584
# ℹ 18 more rowsTak skonstruowany kod czyta się i pisze jednak dość trudno. Aby zrekonstruować kolejność wykonywanych operacji, musimy zaczać “od środka”, co jest niewygodne. Z tego względu preferowanym w dplyr sposobem łączenia operacji w łańcuchy jest specjalny operator %>%.
Cała magia tego operatora polega na tym, że przekazuje argument po lewej stronie jako pierwszy argument funkcji po prawej stronie operatora. Zilustrujmy to na najprostszym przykładzie:
x <- c(1, 2, 4, 3, 5, 3, 2, 1, 5, 6, 1, 0, 12, 3, 4, 6)
mean(x)
## [1] 3.625
x %>% mean()
## [1] 3.625Wywołaliśmy funkcję mean bez żadnego argumentu, ale operator %>% pozwolił nam przekazanie lewego operandu jako pierwszego argumentu funkcji stanowiącej prawy operand. Dzięki temu możemy zapisywać łańcuszki funkcji w bardziej czytelny sposób, który odpowiada rzeczywistej kolejności operacji. Poniższy kod robi dokładnie to samo, co kod wyżej, jest jednak bardziej czytelny, ponieważ odpowiada faktycznej kolejności operacji:
- Dodaliśmy nową kolumnę do ramki danych
Age, która jest liczbą “kręgów” powiększoną o 1.5 - Pogrupowaliśmy nasze obserwacje ze względu na wiek (kolumna
Age) - Wyliczyliśmy rozstęp międzyćwiartkowy dla wysokości i wagi całkowitej z podziałem na wiek
- Uporządkowaliśmy uzyskane wyniki malejąco ze względu na kolumny z rozstępami międzyćwiartkowymi wzrostu i wagi.
df %>%
mutate(Age = Rings+1.5) %>%
group_by(Age) %>%
summarise(height.iqr = IQR(Height),
weight.iqr = IQR(Whole.weight)
) %>%
arrange(desc(height.iqr), desc(weight.iqr))# A tibble: 28 × 3
Age height.iqr weight.iqr
<dbl> <dbl> <dbl>
1 24.5 0.045 0.409
2 23.5 0.0425 0.916
3 14.5 0.0425 0.601
4 18.5 0.04 0.554
5 17.5 0.04 0.532
6 13.5 0.0400 0.675
7 11.5 0.0400 0.537
8 15.5 0.0400 0.535
9 16.5 0.0400 0.495
10 22.5 0.0363 0.584
# ℹ 18 more rowspivot_longer i pivot_wider
Całkiem często podczas pracy z danymi będziemy potrzebować zmiany formatu danych. Wyobraźmy sobie sytuację, w której przeprowadziliśmy eksperyment, w którym chcieliśmy zbadać wpływ spożycia kawy na kompetencje matematyczne. W tym celu zarekrutowaliśmy 5 badanych i daliśmy im do rozwiązania test matematyczny trzy razy: przed wypiciem kawy, po wypiciu pierwszej filiżanki oraz po wypiciu dwóch filiżanek.
data <- data.frame(participant = c(1, 2, 3, 4, 5),
gender = c("M", "M", "K", "K", "M"),
pre_coffee = c(3, 4, 3, 4, 5),
first_coffee = c(5, 4, 4, 3, 6),
second_coffee = c(7, 5, 7, 5, 8)
)
data participant gender pre_coffee first_coffee second_coffee
1 1 M 3 5 7
2 2 M 4 4 5
3 3 K 3 4 7
4 4 K 4 3 5
5 5 M 5 6 8Taki format danych czesto nazywany jest w praktyce szerokim (wide) formatem danych. W tym formacie jeden wiersz tabeli odpowiada jednemu uczestnikowi eksperymentu (albo badanemu przedmiotowi, etc.). Zwróćmy uwagę, że każdy wiersz zawiera więcej niż jeden pomiar. Wiele funkcji w R wymaga jednak, aby w przekazywanej do niej ramce danych jeden wiersz odpowiadał jednemu pomiarowi. Taki format nazywa się formatem długim (long).
Za pomocą funkcji pivot_longer z biblioteki tidyr możemy przekształcić nasza ramkę danych do formatu długiego. Funkcja ta przyjmuje wiele argumentów, wśród których najważniejsze to:
data- ramka danych, którą chcemy przetransformować do postaci długiejcols- kolumny, w których znajdują się nasze obserwacjenames_to- nazwa nowej kolumny, w której znajdą się nazwy kolumn z obserwacjamivalues_to- nazwa nowej kolumny, w której znajdą się wartości z kolumn z obserwacjami
library(tidyr)
data_long <- pivot_longer(data = data,
cols = c("pre_coffee", "first_coffee", "second_coffee"),
names_to = "measurement_point",
values_to = "value"
)
data_long# A tibble: 15 × 4
participant gender measurement_point value
<dbl> <chr> <chr> <dbl>
1 1 M pre_coffee 3
2 1 M first_coffee 5
3 1 M second_coffee 7
4 2 M pre_coffee 4
5 2 M first_coffee 4
6 2 M second_coffee 5
7 3 K pre_coffee 3
8 3 K first_coffee 4
9 3 K second_coffee 7
10 4 K pre_coffee 4
11 4 K first_coffee 3
12 4 K second_coffee 5
13 5 M pre_coffee 5
14 5 M first_coffee 6
15 5 M second_coffee 8Operacja ta jest odwracalana. Do przetransformowania formatu danych z długiego na szeroki służy funkcja pivot_wider. Aby jej użyć musimy przekazać tej funkcji kilka argumentów:
data- ramka danych, którą chcemy przetransformować do postaci szerokiejid_cols- kolumny identyfikujące nową jednostkę obserwacji (tutaj: badanego)names_from- nazwa kolumny, w której znajdują się nazwy poszczególnych kolumn w nowej ramce danychvalues_from- nazwa kolumny, w których znajdują się wartości poszczególnych pomiarów
data_wide <- pivot_wider(data = data_long,
id_cols = c("participant", "gender"),
names_from = "measurement_point",
values_from = "value"
)
data_wide# A tibble: 5 × 5
participant gender pre_coffee first_coffee second_coffee
<dbl> <chr> <dbl> <dbl> <dbl>
1 1 M 3 5 7
2 2 M 4 4 5
3 3 K 3 4 7
4 4 K 4 3 5
5 5 M 5 6 8