[R数据科学]tidyverse数据清洗案例详解

简介: 本中你将学习在R中数据处理简洁的方法,称为tidy data。将数据转换为这种格式需要一些前期工作,但这些工作从长远来看是值得的。一旦你有了整洁的数据和一些包提供的整洁工具,您将花费很少时间将数据从一种表示转换到另一种,从而可以将更多的时间花在分析问题上。

介绍


本中你将学习在R中数据处理简洁的方法,称为tidy data。将数据转换为这种格式需要一些前期工作,但这些工作从长远来看是值得的。一旦你有了整洁的数据和一些包提供的整洁工具,您将花费很少时间将数据从一种表示转换到另一种,从而可以将更多的时间花在分析问题上。


本文将为您提供整理数据的实用介绍以及tidyr包中附带的工具。如果你想了解更多的基本理论,你可能会喜欢发表在《统计软件杂志》上的tidy data论文[1]


本文框架


(KZSC58[[[LIX1Y9VJSUICS.png


数据清洗案例


我们主要通过一个案例,来了解如何整洁数据,并将案例中的各个有用函数进行详细解读。该例子来自《R for data science》[2],案例数据来自tidyr::who,其包含按年份,国家,年龄,性别和诊断方法细分的结核病(TB)病例。数据来自2014年世界卫生组织《全球结核病报告》[3]

library(tidyverse) #加载包
who #数据展示

0K@`0G03OXNR8%{PA_%8]NM.png

这是一个非常典型的现实示例数据集。它包含冗余列,奇数变量代码和许多缺失值。我们需要采取多个步骤来对其进行整理。


不是变量的列汇集在一起

首先将不是变量的列聚集在一起。所包含的列包括:

  • countryiso2iso3是三个指定国家/地区的变量。
  • year是一个变量。
  • 变量名中给出的结构(例如new_sp_m014new_ep_m014new_ep_f014)可能是值,而不是变量。

因此,我们需要将从new_sp_m014newrel_f65的所有列汇总在一起。我们用通用名称"key"来表示他们。我们知道单元格代表案件数,因此我们将变量数存储在cases中,并用na.rm去除含有缺失值的行。这里使用pivot_longer()将数据变长,具体见后面函数详情。

who1 <- who %>%
  pivot_longer(
    cols = new_sp_m014:newrel_f65,
    names_to = 'key',
    values_to = 'cases',
    values_drop_na = T
)
who1

2GZGM10@MLHD6W[%H](HJ4M.png


key进行计数,我们可以得到一些有关值结构的提示:

who1 %>% count(key)

_J$_K{UUJB7KJJLL6TS2J[R.png


其中key的具体含义,查阅可得:

  1. 每列的前三个字母:新、旧病例。
  2. 之后两个字母:结核的类型。
  • rel 代表复发病例
  • ep 代表肺外结核病例
  • sn 代表无法通过肺部涂片诊断(涂片阴性)的肺结核病例
  • sp 代表可被诊断为肺部涂片(涂片阳性)的肺结核病例
  1. 第六字母:结核病患者的性别。男性(m)和女性(f
  2. 其余数字给出了年龄段。数据集将案例分为七个年龄组:
  • 014 = 0 – 14岁
  • 1524 = 15 – 24岁
  • 2534 = 25 – 34岁
  • 3544 = 35 – 44岁
  • 4554 = 45 – 54岁
  • 5564 = 55 – 64岁
  • 65 = 65岁或以上


替换数据

我们需要对列名称的格式进行较小的修正:将new_rel替换为newrel(很难在这里找到它,但是如果您不修正它,我们将在后续步骤中出错)。这里使用了stringr包中的str_replace(),将newrel替换new_rel

who2 <- who1 %>%
  mutate( names_from = stringr::str_replace(key,'newrel','new_rel')
  )
who2

_$7MGAT$2~_CUAU[`FF$~@T.png


字符分割

接下来就是将key中的字符进行分割,我们使用separate()对字符进行两次分割。

1.将在每个下划线处拆分代码。

who3 <- who2 %>%
  separate(key,c('new','type','sexage'),sep = '_')
who3

image.gif

利用select()删除没用的列:new,iso2,iso3

who3 %>% count(new)
who4 <- who3 %>% select(-new,-iso2,-iso3)
who4

image.gif

  1. 将分离sexagesexage通过的第一个字符后拆分:
who5 <- who4 %>%
  separate(sexage,c('sex','age'),sep=1)
who5

DCF(}3)K})V}B$5WE{YLA$P.png

这时,who数据集整洁!


可视化

数据清洗完毕,就可以做一些初步的可视化,探索性分析.这里简单绘制了 前几个国家不同年份,不同性别的结核病病例总数。

who5 %>% group_by(country,year,sex)  %>% filter(year<2003) %>%
  count() %>%
  head(100) %>%
  ggplot(aes(x=as.factor(year),y=n,fill=country))+geom_col() +facet_wrap(~sex,nrow = 1)+
    scale_fill_brewer(palette = "Paired")

}Y~N6IQU289S}HB46_U0{$D.png


复杂的管道函数

事实上你可以直接只用管道函数构建一个复杂的函数,这样做去除了中间变量,而且可读性很强,强烈推荐。

who %>%
  pivot_longer(
    cols = new_sp_m014:newrel_f65,
    names_to = "key",
    values_to = "cases",
    values_drop_na = TRUE
  ) %>%
  mutate(
    key = stringr::str_replace(key, "newrel", "new_rel")
  ) %>%
  separate(key, c("new", "var", "sexage")) %>%
  select(-new, -iso2, -iso3) %>%
  separate(sexage, c("sex", "age"), sep = 1)


所用函数详细解释


pivot_longer()、poivot_wider()

pivot_longer() 将在列中列名(数值)转换到一列上。具体可见下图,将列变量转化为数据存在year列名中,相当于把数据变长(longer).

image.gif

函数主要参数:

  • cols选取的列;
  • names_to 字符串,指定要从数据的列名中存储的数据创建的列的名称。
  • values_to 字符串,指定要从存储在单元格值中的数据创建的列的名称。
  • values_drop_na 如果为真,将删除value_to列中只包含NAs的行。

例子如上面例子:将new_sp_m014newrel_f65之间的列选取,汇总到key列名中,值存在cases列名中,并将含有缺失值的行进行删除。

who1 <- who %>%
  pivot_longer(
    cols = new_sp_m014:newrel_f65,
    names_to = 'key',
    values_to = 'cases',
    values_drop_na = T
)

当然还有一个和它相反功能的函数poivot_wider()。具体见下图,相当于把key中的值变为列名,对应的values数据转化到population中.下面是简单的例子。

R}`F39BDU7PU43XUI`F]97S.png

library(tidyverse)
stocks <- tibble(
  year   = c(2015, 2015, 2016, 2016),
  half  = c(   1,    2,     1,    2),
  return = c(1.88, 0.59, 0.92, 0.17)
)
stocks

image.gif

我们将数据变宽,将year变为列名,对应在return中的数据进行填充。

stocks %>%
  pivot_wider(names_from = year,values_from = return)

1FPU71FXLB0)YKAUU@QMC%0.png


separate()

该函数可将字符进行分割,具体案例如上.

默认情况下,当separate()看到非字母数字字符(即不是数字或字母的字符)时,它将分割值。可以用里面的参数sep。比如:sep='_'。他还有一个功能,当sep=2时,可通过第二个位置进行分割,使用在省份市级,等数据上。例如以下函数,其中into = c("century", "year")将原始分割后的数据导入两个新列上,分别叫centuryyear

table3 %>% 
  separate(year, into = c("century", "year"), sep = 2)

注意:默认情况下,会转化成字符形式,你可以用参数convert=T,将数据转化最佳结构。

WE1@KJPJI{}ZH@N`59{SIA2.png


unite

separate()的反函数,这里做个补充。

(TYC3OEEM0(SQZACP]6R53E.png

默认情况下,sep='_'如果我们不需要任何分隔符可以使用sep=''

目录
相关文章
|
4月前
|
数据采集 数据可视化 大数据
Python在数据科学中的实际应用:从数据清洗到可视化的全流程解析
Python在数据科学中的实际应用:从数据清洗到可视化的全流程解析
103 1
|
4月前
|
数据采集 数据挖掘 BI
R数据科学-1(dplyr)
R数据科学-1(dplyr)
33 1
|
3月前
|
数据采集 数据可视化 数据挖掘
数据挖掘实战:使用Python进行数据分析与可视化
在大数据时代,Python因其强大库支持和易学性成为数据挖掘的首选语言。本文通过一个电商销售数据案例,演示如何使用Python进行数据预处理(如处理缺失值)、分析(如销售额时间趋势)和可视化(如商品类别销售条形图),揭示数据背后的模式。安装`pandas`, `numpy`, `matplotlib`, `seaborn`后,可以按照提供的代码步骤,从读取CSV到数据探索,体验Python在数据分析中的威力。这只是数据科学的入门,更多高级技术等待发掘。【6月更文挑战第14天】
157 11
|
4月前
|
机器学习/深度学习 存储 算法
R语言使用特征工程泰坦尼克号数据分析应用案例
R语言使用特征工程泰坦尼克号数据分析应用案例
|
4月前
|
数据采集 数据挖掘 大数据
Python 数据分析中的数据清洗技巧与实践
【2月更文挑战第1天】数据分析是当下热门的技术领域之一,而数据清洗作为数据分析过程中至关重要的一环,往往被人们忽视。本文将深入探讨在 Python 环境下进行数据清洗的关键技巧与实际操作,帮助读者提升数据分析的效率与准确性。
|
4月前
|
机器学习/深度学习 数据可视化 算法
数据分析基础:Python 与统计学
在当今数据驱动的世界中,数据分析已成为各个领域的关键技能。Python 作为一种强大的编程语言,结合了丰富的数据分析库,使其成为数据分析的首选工具之一。同时,统计学作为数据分析的理论基础,提供了一套方法来理解和解释数据。本文将介绍 Python 在数据分析中的应用,以及统计学在数据分析中的重要性。
|
9月前
|
数据可视化 前端开发 数据挖掘
Python 教程之数据分析(2)—— 探索性数据分析
Python 教程之数据分析(2)—— 探索性数据分析
114 0
|
数据可视化 数据挖掘 数据处理
|
数据可视化 数据挖掘 索引
带你和Python与R一起玩转数据科学: 探索性数据分析
本系列将介绍如何在现在工作中用两种最流行的开源平台玩转数据科学。先来看一看数据分析过程中的关键步骤 – 探索性数据分析。
3232 0