آموزش تغییر شکل داده در زبان R

0 دیدگاه

تغییر شکل داده در زبان R به معنای تغییر نحوه سازمان‌دهی داده‌ها در سطرها و ستون‌ها است. در بیشتر مواقع، پردازش داده در R با ورودی به صورت data frame انجام می‌شود. استخراج داده از سطرها و ستون‌های یک data frame ساده است، اما گاهی نیاز داریم آن را به قالبی متفاوت از قالب اولیه تبدیل کنیم. R توابع متعددی برای تقسیم، ادغام و تبدیل سطرها به ستون‌ها و برعکس در یک data frame فراهم کرده است.

اتصال ستون‌ها و سطرها در Data Frame

می‌توان چند بردار (vector) را با استفاده از تابع cbind() برای ایجاد یک data frame به هم متصل کرد. همچنین برای ترکیب دو data frame از تابع rbind() استفاده می‌شود.

# ایجاد بردارها
city <- c("Tampa","Seattle","Hartford","Denver")
state <- c("FL","WA","CT","CO")
zipcode <- c(33602,98104,06161,80294)

# ترکیب سه بردار در یک data frame
addresses <- cbind(city,state,zipcode)

# چاپ عنوان
cat("# # # # The First data frame\n") 

# چاپ data frame
print(addresses)

# ایجاد یک data frame جدید با ستون‌های مشابه
new.address <- data.frame(
   city = c("Lowry","Charlotte"),
   state = c("CO","FL"),
   zipcode = c("80230","33949"),
   stringsAsFactors = FALSE
)

# چاپ عنوان
cat("# # # The Second data frame\n") 

# چاپ data frame
print(new.address)

# ترکیب سطرهای هر دو data frame
all.addresses <- rbind(addresses,new.address)

# چاپ عنوان
cat("# # # The combined data frame\n") 

# چاپ نتیجه
print(all.addresses)

# ایجاد بردارها

city <- c("Tampa","Seattle","Hartford","Denver")

state <- c("FL","WA","CT","CO")

zipcode <- c(33602,98104,06161,80294)

# ترکیب سه بردار در یک data frame

addresses <- cbind(city,state,zipcode)

# چاپ عنوان

cat("# # # # The First data frame\n")

# چاپ data frame

print(addresses)

# ایجاد یک data frame جدید با ستون‌های مشابه

new.address <- data.frame(

city = c("Lowry","Charlotte"),

state = c("CO","FL"),

zipcode = c("80230","33949"),

stringsAsFactors = FALSE

)

# چاپ عنوان

cat("# # # The Second data frame\n")

# چاپ data frame

print(new.address)

# ترکیب سطرهای هر دو data frame

all.addresses <- rbind(addresses,new.address)

# چاپ عنوان

cat("# # # The combined data frame\n")

# چاپ نتیجه

print(all.addresses)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

# # # # The First data frame
     city       state zipcode
[1,] "Tampa"    "FL"  "33602"
[2,] "Seattle"  "WA"  "98104"
[3,] "Hartford" "CT"   "6161" 
[4,] "Denver"   "CO"  "80294"

# # # The Second data frame
       city       state   zipcode
1      Lowry      CO      80230
2      Charlotte  FL      33949

# # # The combined data frame
       city      state zipcode
1      Tampa     FL    33602
2      Seattle   WA    98104
3      Hartford  CT     6161
4      Denver    CO    80294
5      Lowry     CO    80230
6     Charlotte  FL    33949

# # # # The First data frame

city state zipcode

[1,] "Tampa" "FL" "33602"

[2,] "Seattle" "WA" "98104"

[3,] "Hartford" "CT" "6161"

[4,] "Denver" "CO" "80294"

# # # The Second data frame

city state zipcode

1 Lowry CO 80230

2 Charlotte FL 33949

# # # The combined data frame

city state zipcode

1 Tampa FL 33602

2 Seattle WA 98104

3 Hartford CT 6161

4 Denver CO 80294

5 Lowry CO 80230

6 Charlotte FL 33949

ادغام داده‌ها در دیتا فریم

برای ادغام دو دیتا فریم می‌توان از تابع merge() استفاده کرد. هر دو data frame باید ستون‌های مشترکی با نام یکسان داشته باشند تا عملیات ادغام بر اساس آن‌ها انجام شود.

در مثال زیر، مجموعه‌داده‌های مربوط به دیابت در زنان سرخپوست پیما (Pima Indian Women) از کتابخانه MASS استفاده شده است. این دو مجموعه‌داده بر اساس مقادیر فشار خون (bp) و شاخص توده بدنی (bmi) ادغام می‌شوند. در نتیجه، رکوردهایی که مقادیر این دو متغیر در هر دو مجموعه یکسان هستند، در یک data frame جدید ترکیب خواهند شد.

library(MASS)
merged.Pima <- merge(x = Pima.te, y = Pima.tr,
   by.x = c("bp", "bmi"),
   by.y = c("bp", "bmi")
)
print(merged.Pima)
nrow(merged.Pima)

library(MASS)

merged.Pima <- merge(x = Pima.te, y = Pima.tr,

by.x = c("bp", "bmi"),

by.y = c("bp", "bmi")

)

print(merged.Pima)

nrow(merged.Pima)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

   bp  bmi npreg.x glu.x skin.x ped.x age.x type.x npreg.y glu.y skin.y ped.y
1  60 33.8       1   117     23 0.466    27     No       2   125     20 0.088
2  64 29.7       2    75     24 0.370    33     No       2   100     23 0.368
3  64 31.2       5   189     33 0.583    29    Yes       3   158     13 0.295
4  64 33.2       4   117     27 0.230    24     No       1    96     27 0.289
5  66 38.1       3   115     39 0.150    28     No       1   114     36 0.289
6  68 38.5       2   100     25 0.324    26     No       7   129     49 0.439
7  70 27.4       1   116     28 0.204    21     No       0   124     20 0.254
8  70 33.1       4    91     32 0.446    22     No       9   123     44 0.374
9  70 35.4       9   124     33 0.282    34     No       6   134     23 0.542
10 72 25.6       1   157     21 0.123    24     No       4    99     17 0.294
11 72 37.7       5    95     33 0.370    27     No       6   103     32 0.324
12 74 25.9       9   134     33 0.460    81     No       8   126     38 0.162
13 74 25.9       1    95     21 0.673    36     No       8   126     38 0.162
14 78 27.6       5    88     30 0.258    37     No       6   125     31 0.565
15 78 27.6      10   122     31 0.512    45     No       6   125     31 0.565
16 78 39.4       2   112     50 0.175    24     No       4   112     40 0.236
17 88 34.5       1   117     24 0.403    40    Yes       4   127     11 0.598
   age.y type.y
1     31     No
2     21     No
3     24     No
4     21     No
5     21     No
6     43    Yes
7     36    Yes
8     40     No
9     29    Yes
10    28     No
11    55     No
12    39     No
13    39     No
14    49    Yes
15    49    Yes
16    38     No
17    28     No
[1] 17

bp bmi npreg.x glu.x skin.x ped.x age.x type.x npreg.y glu.y skin.y ped.y

1 60 33.8 1 117 23 0.466 27 No 2 125 20 0.088

2 64 29.7 2 75 24 0.370 33 No 2 100 23 0.368

3 64 31.2 5 189 33 0.583 29 Yes 3 158 13 0.295

4 64 33.2 4 117 27 0.230 24 No 1 96 27 0.289

5 66 38.1 3 115 39 0.150 28 No 1 114 36 0.289

6 68 38.5 2 100 25 0.324 26 No 7 129 49 0.439

7 70 27.4 1 116 28 0.204 21 No 0 124 20 0.254

8 70 33.1 4 91 32 0.446 22 No 9 123 44 0.374

9 70 35.4 9 124 33 0.282 34 No 6 134 23 0.542

10 72 25.6 1 157 21 0.123 24 No 4 99 17 0.294

11 72 37.7 5 95 33 0.370 27 No 6 103 32 0.324

12 74 25.9 9 134 33 0.460 81 No 8 126 38 0.162

13 74 25.9 1 95 21 0.673 36 No 8 126 38 0.162

14 78 27.6 5 88 30 0.258 37 No 6 125 31 0.565

15 78 27.6 10 122 31 0.512 45 No 6 125 31 0.565

16 78 39.4 2 112 50 0.175 24 No 4 112 40 0.236

17 88 34.5 1 117 24 0.403 40 Yes 4 127 11 0.598

age.y type.y

1 31 No

2 21 No

3 24 No

4 21 No

5 21 No

6 43 Yes

7 36 Yes

8 40 No

9 29 Yes

10 28 No

11 55 No

12 39 No

13 39 No

14 49 Yes

15 49 Yes

16 38 No

17 28 No

[1] 17

تغییر شکل داده: Melting و Casting

یکی از بخش‌های جالب در R تغییر شکل داده‌ها در چند مرحله برای رسیدن به قالب دلخواه است. توابعی که برای این کار استفاده می‌شوند melt() و cast() نام دارند.

برای نمونه، مجموعه‌داده‌ای به نام ships که در کتابخانه MASS موجود است، بررسی می‌کنیم.

library(MASS)
print(ships)

1 2	library(MASS) print(ships)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

     type year   period   service   incidents
1     A   60     60        127         0
2     A   60     75         63         0
3     A   65     60       1095         3
4     A   65     75       1095         4
5     A   70     60       1512         6
.............
.............
8     A   75     75       2244         11
9     B   60     60      44882         39
10    B   60     75      17176         29
11    B   65     60      28609         58
............
............
17    C   60     60      1179          1
18    C   60     75       552          1
19    C   65     60       781          0
............
............

type year period service incidents

1 A 60 60 127 0

2 A 60 75 63 0

3 A 65 60 1095 3

4 A 65 75 1095 4

5 A 70 60 1512 6

.............

8 A 75 75 2244 11

9 B 60 60 44882 39

10 B 60 75 17176 29

11 B 65 60 28609 58

............

17 C 60 60 1179 1

18 C 60 75 552 1

19 C 65 60 781 0

............

ذوب کردن داده‌ها (Melt the Data)

در این مرحله داده‌ها را با استفاده از تابع melt() سازماندهی می‌کنیم. به این صورت که تمام ستون‌ها (به‌جز type و year) به ردیف‌های متعدد تبدیل می‌شوند.

molten.ships <- melt(ships, id = c("type","year"))
print(molten.ships)

1 2	molten.ships <- melt(ships, id = c("type","year")) print(molten.ships)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

      type year  variable  value
1      A   60    period      60
2      A   60    period      75
3      A   65    period      60
4      A   65    period      75
............
............
9      B   60    period      60
10     B   60    period      75
11     B   65    period      60
12     B   65    period      75
13     B   70    period      60
...........
...........
41     A   60    service    127
42     A   60    service     63
43     A   65    service   1095
...........
...........
70     D   70    service   1208
71     D   75    service      0
72     D   75    service   2051
73     E   60    service     45
74     E   60    service      0
75     E   65    service    789
...........
...........
101    C   70    incidents    6
102    C   70    incidents    2
103    C   75    incidents    0
104    C   75    incidents    1
105    D   60    incidents    0
106    D   60    incidents    0
...........
...........

type year variable value

1 A 60 period 60

2 A 60 period 75

3 A 65 period 60

4 A 65 period 75

............

9 B 60 period 60

10 B 60 period 75

11 B 65 period 60

12 B 65 period 75

13 B 70 period 60

...........

41 A 60 service 127

42 A 60 service 63

43 A 65 service 1095

...........

70 D 70 service 1208

71 D 75 service 0

72 D 75 service 2051

73 E 60 service 45

74 E 60 service 0

75 E 65 service 789

...........

101 C 70 incidents 6

102 C 70 incidents 2

103 C 75 incidents 0

104 C 75 incidents 1

105 D 60 incidents 0

106 D 60 incidents 0

...........

قالب‌بندی مجدد داده‌ها (Cast the Molten Data)

اکنون داده‌های ذوب‌شده (molten) را به قالب جدیدی بازمی‌گردانیم. در این قالب، مجموع مقادیر هر متغیر برای هر نوع کشتی (type) و هر سال (year) محاسبه می‌شود. این کار با تابع cast() انجام می‌گیرد.

recasted.ship <- cast(molten.ships, type+year~variable,sum)
print(recasted.ship)

1 2	recasted.ship <- cast(molten.ships, type+year~variable,sum) print(recasted.ship)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

     type year  period  service  incidents
1     A   60    135       190      0
2     A   65    135      2190      7
3     A   70    135      4865     24
4     A   75    135      2244     11
5     B   60    135     62058     68
6     B   65    135     48979    111
7     B   70    135     20163     56
8     B   75    135      7117     18
9     C   60    135      1731      2
10    C   65    135      1457      1
11    C   70    135      2731      8
12    C   75    135       274      1
13    D   60    135       356      0
14    D   65    135       480      0
15    D   70    135      1557     13
16    D   75    135      2051      4
17    E   60    135        45      0
18    E   65    135      1226     14
19    E   70    135      3318     17
20    E   75    135       542      1