forked from cardiomoon/RLecture2018
-
Notifications
You must be signed in to change notification settings - Fork 0
/
2.데이터변형.Rmd
1049 lines (751 loc) · 25.4 KB
/
2.데이터변형.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "데이터 변형"
author: "문 건 웅"
date: "2017년 8월 26일"
output:
xaringan::moon_reader:
lib_dir: libs
nature:
highlightStyle: github
highlightLines: true
countIncrementalSlides: false
---
```{r setup, include=FALSE}
options(htmltools.dir.version = FALSE)
knitr::opts_chunk$set(echo = TRUE,comment=NA, message=FALSE, warning=FALSE,
fig.asp=0.618, fig.align="center")
```
# 데이터 변형
![Data wrangling](http://r4ds.had.co.nz/diagrams/data-science-wrangle.png)
---
## Prerequisites
```{r}
#install.packages("tidyverse")
library(tidyverse)
library(nycflights13)
```
---
## Tibbles
Tibble은 데이터프레임을 개선시킨 데이터구조이다.
```{r}
iris
```
---
```{r}
iris1=as_tibble(iris)
iris1
```
---
## 데이터 변형
- 예제소개
- 조건에 맞는 관찰치 찾기 `filter()`
- 정렬하기 `arrange()`
- 원하는 변수만 고르기 `select()`
- 새로운 변수를 추가 `mutate()`
- 그룹별로 요약하기 `summarise()`
- 그룹별 변수추가(및 데이터 필터링)
---
### 데이터 소개
- *flights* : 2013년에 뉴욕시에서 출발한 모든 비행기록(336,776 flights)
```{r}
flights
```
---
#### 출력하기
```{r}
print(flights,n=10,width=Inf)
```
---
#### 변수의 종류
- `int` 정수
- `dbl` 실수
- `chr` 문자형
- `dttm` 날짜-시간(날짜+시간)
- `lgl` 논리형 - `TRUE` or `FALSE`
- `fctr` 팩터형. 고정된 값을 갖는 범주형 변수
- `date` 날짜
---
#### dplyr의 다섯가지의 키 함수
- 조건에 맞는 관찰치 찾기: `filter()`
- 정렬하기: `arrange()`
- 원하는 변수만 고르기: `select()`
- 새로운 변수를 추가하기: `mutate()`
- 하나의 변수로 요약하기: `summarise()`
--
#### One more thing
- 모든 함수를 그룹별로 적용하기 `group_by()`
---
### 사용하기
모든 함수의 사용법은 유사하다:
1. 첫번째 인수는 데이터프레임이다.
2. 두번째 이후의 인수는 그 데이터프레임으로 무엇을 할 것인지 기술한다.(변수이름 사용)
3. 결과는 새로운 데이터프레임이다.
---
#### 외워봅시다: dplyr의 키 함수
- 조건에 맞는 관찰치 찾기:
--
: `filter()`
- 정렬하기:
--
`arrange()`
- 원하는 변수만 고르기:
--
`select()`
- 새로운 변수를 추가하기:
--
`mutate()`
- 하나의 변수로 요약하기:
--
`summarise()`
- 그룹별로 함수 적용:
--
`group_by()`
---
### Filter rows with filter()
filter() 함수는 관찰치들의 값을 기준으로 부분집합을 만들어준다. 함수의 첫번째 인수는 데이터프레임의 이름이고 두번째 이후의 인수들은 데이터를 골라내는 기준이다.
flights 데이터 중 1월 1일 의 데이타만 골라내려면:
```{r}
filter(flights, month==1, day==1)
```
---
filter() 함수는 filter를 적용하여 새로운 데이터프레임을 만들지만 원본을 바꾸지는 않는다. 따라서 filter를 적용한 새로운 데이터를 jan1이라는 이름으로 저장하려면 할당연산자 `<-` 를 사용하여 저장한다.
tip: `<-`는 alt + `-` 또는 option + `-`로 입력할 수 있다.
```{r}
jan1 <- filter(flights, month==1, day==1)
```
이때는 새로운 이름으로 할당이 되지만 인쇄가 되지는 않는다.
---
할당과 동시에 인쇄를 하려면 할당문 앞뒤를 괄호로 감싸주면 된다. 예를 들어 12월 25일의 비행기록을 dec25에 할당하면서 동시에 저장하려면 다음과 같이 한다.
```{r}
(dec25 <- filter(flights, month==12, day==25))
```
---
#### 비교하기
R에서 사용할 수 있는 비교 연산자는 다음과 같다. `>, >=, <, <=, ==(equal), !=(not equal)`.
처음 R을 배우기 시작할 때 가장 범하기 쉬운 에러는 `==`(equal)대신 `=`(할당연산자)를 사용하는 것이다. 예를 들어 1월의 비행기록을 고르려고 할때 `=`을 사용하게 되면 다음과 같은 에러가 난다.
```{r, error=TRUE}
filter(flights, month = 1)
```
---
또 하나 비교 연산자 `==`를 사용할 때 문제는 [부동소수점(floating point)](https://ko.wikipedia.org/wiki/%EB%B6%80%EB%8F%99%EC%86%8C%EC%88%98%EC%A0%90) 문제이다.
```{r}
sqrt(2)^2 == 2
1/49*49 == 1
```
--
컴퓨터에서 사용하는 숫자는 부동소수점 방식으로 고정 소수점 방식보다 넓은 범위의 수를 나타낼 수 있어 과학기술 계산에 많이 이용되지만, 근삿값으로 표현된다. 따라서 실수끼리 비교할때 `==` 연산자 대신 near ()함수를 쓰면 된다.
```{r}
near(sqrt(2)^2,2)
near(1/49*49,1)
```
---
### 논리 연산자
filter()함수에 비교문을 여러 개 넣으면 `and`로 작동한다. 그 외의 논리 연산자로 `&`는 `and`, `|`는 `or`, 그리고 `!`는 `not`으로 작동한다. 그 외의 불린 연산자는 다음 그림을 참조한다.
![operation](http://r4ds.had.co.nz/diagrams/transform-logical.png)
---
flights 데이터에서 1월과 12월의 비행기록을 찾으려면 다음과 같이 한다.
```{r}
filter(flights, month == 1 | month == 12)
```
---
하지만 다음과 같이 쓸 수는 없다.
```{r,eval=FALSE}
filter(flights, month == 1 | 12)
```
이때는 1|12 가 TRUE가 되므로 모든 자료가 된다. 이러한 방법으로 쓸 수 있는 연산자는 `포함(include) 연산자`이며 `x %in% y`와 같이 사용한다. 이 연산자는 x가 y의 값중 하나일때 참이 된다. 따라서 1월, 7월, 12월의 비행기록을 찾으려면 다음과 같이 할 수 있다.
```{r}
filter(flights, month %in% c(1,7,12))
```
---
### [드 모르간(De Morgan)의 법칙](https://ko.wikipedia.org/wiki/%EB%93%9C_%EB%AA%A8%EB%A5%B4%EA%B0%84%EC%9D%98_%EB%B2%95%EC%B9%99)
- !(x & y) 는 !x | !y 와 같다.
- !(x | y) 는 !x & !y 와 같다.
(예) 출발 및 도착 지연이 2시간 이내인 모든 비행기록을 찾는다면?
```{r,eval=FALSE}
filter(flights, !(arr_delay > 120 | dep_delay > 120))
filter(flights, arr_delay <= 120, dep_delay <= 120)
```
---
### 누락된 값(NA)
R의 비교문에서 가장 혼동하기 쉬운 것은 누락치(NA, not available)이다. NA는 전염력이 있다. NA 를 연산하는 경우 모두 NA 가 된다.
```{r}
NA > 5
10 == NA
NA + 10
NA / 2
```
---
가장 혼동하기 쉬운 것은 다음 비교이다.
```{r}
NA == NA
```
이것을 이해하기 위해서는 다음 예를 보자.
```{r}
# 철수의 나이를 x라고 하고 나이를 모른다고 하자
x <- NA
# 영희의 나이를 y라고 하고 나이를 모른다고 하자
y <- NA
#철수와 영희가 나이가 같은가?
x == y
# 모른다!!
```
--
철수의 나이가 누락되어 있는가?
```{r}
is.na(x)
```
---
#### filter()와 누락치
filter()는 주어진 조건이 참인 경우만 포함한다. 거짓이거나 누락치인 경우는 제외된다.
```{r}
df <- tibble(x = c(1, NA, 3))
filter(df, x > 1)
```
--
누락치를 포함하려면?
```{r}
filter(df, is.na(x) | x > 1)
```
---
## Exercises
1.Find all flights that
- Had an arrival delay of two or more hours
- Flew to Houston(`IAH` or `HOU`)
- Were operated by United, American, or Delta
- Departed in summer (July, August, and September)
- Arrived more than two hours late, but didn’t leave late
- Were delayed by at least an hour, but made up over 30 minutes in flight
- Departed between midnight and 6am (inclusive)
2.Another useful dplyr filtering helper is between(). What does it do? Can you use it to simplify the code needed to answer the previous challenges?
3.How many flights have a missing dep_time? What other variables are missing? What might these rows represent?
4.Why is `NA ^ 0` not missing? Why is `NA | TRUE` not missing? Why is `FALSE & NA` not missing? Can you figure out the general rule? (`NA * 0` is a tricky counterexample!)
---
## Answers
1. Find all flights that
- Had an arrival delay of two or more hours
```{r, eval=FALSE}
filter(flights,arr_delay >= 120)
```
- Flew to Houston(`IAH` or `HOU`)
```{r, eval=FALSE}
filter(flights, dest %in% c("IAH","HOU"))
```
- Were operated by United, American, or Delta
```{r, eval=FALSE}
filter(flights, carrier %in% c("UA","AA","DL"))
```
- Departed in summer (July, August, and September)
```{r, eval=FALSE}
filter(flights, month >= 7, month <= 9)
```
---
- Arrived more than two hours late, but didn’t leave late
```{r, eval=FALSE}
filter(flights, arr_delay >= 120, dep_delay<=0 )
```
- Were delayed by at least an hour, but made up over 30 minutes in flight
```{r, eval=FALSE}
filter(flights, arr_delay >= 60, dep_delay - arr_delay >= 30 )
```
- Departed between midnight and 6am (inclusive)
```{r, eval=FALSE}
filter(flights, dep_time >= 0, dep_time <= 600 )
```
2.Another useful dplyr filtering helper is between(). What does it do? Can you use it to simplify the code needed to answer the previous challenges?
```{r, eval=FALSE}
filter(flights, dep_time >=0, dep_time<=600)
filter(flights, between(dep_time ,0, 600))
```
3.How many flights have a missing dep_time? What other variables are missing? What might these rows represent?
```{r, eval=FALSE}
filter(flights,is.na(dep_time))
```
---
## 데이터 정렬하기(Arrange rows) `arrange()`
arrange() 함수는 데이타프레임과 열 이름으로 데이타를 정렬한다.
```{r}
arrange(flights, year, month, day)
```
---
desc()을 사용하면 내림차순으로 정렬할 수 있다.
```{r}
arrange(flights, desc(arr_delay))
```
---
누락치(NA)는 가장 마지막에 정렬된다.
```{r}
df <- tibble(x = c(5, 2, NA))
arrange(df, x)
arrange(df, desc(x))
```
---
### Exercises
1.How could you use arrange() to sort all missing values to the start? (Hint: use is.na()).
2.Sort flights to find the most delayed flights. Find the flights that left earliest.
3.Sort flights to find the fastest flights.
4.Which flights travelled the longest? Which travelled the shortest?
---
### Answers
1.How could you use arrange() to sort all missing values to the start? (Hint: use is.na()).
```{r}
arrange(df, !is.na(x),desc(x))
```
---
2.Sort flights to find the most delayed flights. Find the flights that left earliest.
```{r,eval=FALSE}
arrange(flights, desc(arr_delay))
```
---
3.Sort flights to find the fastest flights.
```{r,eval=FALSE}
arrange(flights,desc(distance/air_time))
top_n(flights,1,distance/air_time)
```
---
4.Which flights travelled the longest? Which travelled the shortest?
```{r,eval=FALSE}
arrange(flights,desc(distance))
arrange(flights,desc(air_time))
top_n(flights,1,air_time)
```
---
## 원하는 열만 선택 `select()`
데이터의 변수가 수백개 또는 수천개인 경우가 종종 있다. 이런 경우 관심있는 변수들에 국한하여 작업을 진행하는 것이 좋다. select() 함수로 원하는 변수를 선택할 수 있다.
```{r}
# 열 이름으로 선택하기
select(flights, year, month, day)
```
---
```{r}
# year부터 day 까지 열 선택하기
select(flights, year:day)
```
---
```{r}
# year부터 day 까지 열을 제외하고 나머지 열 선택
select(flights, -(year:day))
```
---
### select() 와 함께 쓸 수 있는 도우미 함수들
- `starts_with("abc")`: “abc”로 시작하는 열이름 선택
- `ends_with("xyz")`: “xyz”으로 끝나는 열이름 선택
- `contains("ijk")`: “ijk”를 포함한 열이름 선택
- `matches()`: 정규표현식을 사용하여 변수이름 선택
- `num_range("x", 1:3)`: x1, x2 and x3
--
### rename() ; 열이름 바꾸기
```{r,eval=FALSE}
rename(flights, tail_num = tailnum)
```
---
### everything()과 함께 select() 사용
데이터 프레임의 변수 순서를 바꿀때 유용
```{r}
select(flights, time_hour, air_time,everything())
```
---
### Exercises
1.Brainstorm as many ways as possible to select dep_time, dep_delay, arr_time, and arr_delay from flights.
2.What happens if you include the name of a variable multiple times in a select() call?
3.What does the one_of() function do? Why might it be helpful in conjunction with this vector?
```{r, eval=FALSE}
vars <- c("year", "month", "day", "dep_delay", "arr_delay")
select(flights, one_of(vars))
```
4.Does the result of running the following code surprise you? How do the select helpers deal with case by default? How can you change that default?
```{r, eval=FALSE}
select(flights, contains("TIME"))
```
---
## 새로운 변수 추가 `mutate()`
기존의 열에서 새로운 열을 만들 때 `mutate()`함수를 사용할 수 있다.
```{r}
flights_sml <- select(flights,
year:day, ends_with("delay"), distance, air_time)
mutate(flights_sml,
gain = arr_delay - dep_delay,
speed = distance / air_time * 60
)
```
---
방금 만든 열도 참조하여 새 열을 만들 수 있다.
```{r}
mutate(flights_sml,
gain = arr_delay - dep_delay,
hours = air_time / 60,
gain_per_hour = gain / hours
)
```
---
새로 만든 변수만 유지하고 나머지 변수는 없앨 경우 `transmutate()`를 쓴다.
```{r}
transmute(flights,
gain = arr_delay - dep_delay,
hours = air_time / 60,
gain_per_hour = gain / hours
)
```
---
### mutate()와 함께 사용하는 유용한 함수들
- 산수 연산자: +, -, \*, / , ^ . 예를 들어 air_time/60, hours\*60 + minute
- 몫과 나머지: 몫(`%/%`) 연산자, 나머지(`%%`) 연산자
```{r}
transmute(flights,
dep_time,
hour = dep_time %/% 100,
minute = dep_time %% 100
)
```
---
- 로그함수: log(), log2(), log10()
- 오프셋: leads(), lags()
```{r}
(x <- 1:10)
lag(x)
lead(x)
```
---
lag()함수는 값의 변화를 계산하거나(x-lag(x)) 값이 변화했는지 찾아내는데 유용하다(x!=lag(x))
```{r}
x <- c(1,2,2,3,7,7,8,1)
x
lag(x)
x-lag(x)
x != lag(x)
```
---
- 누적 총계: cumsum(), cumprod(), cummin(), cummax(), cummean()
```{r}
(x <- 1:10)
cumsum(x)
cummean(x)
```
- 논리적 비교: <, <=, > , >=, ==, !=
---
- 순위연산자: min_rank()
```{r}
y <- c(1,2,2,NA,3,4)
min_rank(y)
min_rank(desc(y))
```
- 그 외 순위연산자
```{r}
row_number(y)
dense_rank(y)
percent_rank(y)
cume_dist(y)
```
---
### Exercises
1.Currently `dep_time` and `sched_dep_time` are convenient to look at, but hard to compute with because they’re not really continuous numbers. Convert them to a more convenient representation of number of minutes since midnight.
2.Compare `air_time` with `arr_time - dep_time`. What do you expect to see? What do you see? What do you need to do to fix it?
3.Compare `dep_time`, `sched_dep_time`, and `dep_delay`. How would you expect those three numbers to be related?
4.Find the 10 most delayed flights using a ranking function. How do you want to handle ties? Carefully read the documentation for `min_rank()`.
5.What does `1:3 + 1:10` return? Why?
6.What trigonometric functions does R provide?
---
### Answers
1.Currently `dep_time` and `sched_dep_time` are convenient to look at, but hard to compute with because they’re not really continuous numbers. Convert them to a more convenient representation of number of minutes since midnight.
```{r}
flights %>%
select(ends_with("dep_time")) %>%
mutate(
dep_min = dep_time %/% 100*60 + dep_time %% 100,
sched_dep_min = sched_dep_time %/% 100*60 + sched_dep_time %% 100
)
```
---
2.Compare `air_time` with `arr_time - dep_time`. What do you expect to see? What do you see? What do you need to do to fix it?
```{r}
flights %>%
mutate(time_diff = arr_time - dep_time) %>%
select(air_time,arr_time,dep_time,time_diff)
```
---
```{r}
time2min=function(time){
time %/%100*60 + time %%100
}
flights %>%
mutate(
arr_min=time2min(arr_time),
dep_min=time2min(dep_time),
timediff=arr_min-dep_min
) %>%
select(air_time,arr_time, dep_time, timediff)
```
---
3.Compare `dep_time`, `sched_dep_time`, and `dep_delay`. How would you expect those three numbers to be related?
```{r}
flights %>%
mutate(dep_diff = time2min(dep_time) - time2min(sched_dep_time)) %>%
filter(dep_delay!=dep_diff)
```
---
4.Find the 10 most delayed flights using a ranking function. How do you want to handle ties? Carefully read the documentation for `min_rank()`.
```{r}
flights %>%
mutate(rank=min_rank(desc(arr_delay))) %>%
arrange(desc(arr_delay)) %>%
filter(rank<=10)
```
---
```{r}
flights %>%
top_n(10,arr_delay) %>%
arrange(desc(arr_delay))
```
---
5.What does `1:3 + 1:10` return? Why?
```{r}
1:3 + 1:10
```
6.What trigonometric functions does R provide?
---
## 그룹별 요약 `summarise()`
summarise()함수는 데이터프레임을 요약하여 한줄로 만들어준다.
```{r}
summarise(flights, delay = mean(dep_delay, na.rm = TRUE))
```
---
group_by() 함수를 사용하면 데이터프레임 전체가 아니라 그룹별로 나뉜 데이터 그룹별로 함수가 적용된다. 예를 들어 날짜 별로 이륙지연 평균을 구해보면 다음과 같다.
```{r}
by_day <- group_by(flights, year, month, day)
summarise(by_day, delay= mean(dep_delay, na.rm = TRUE))
```
---
### 여러 작업을 하나로 연결하는 pipe
flights 데이터에서 목적지에 따른 비행거리와 도착지연과의 관계를 그림으로 나타내보자.
```{r}
by_dest <- group_by(flights, dest)
delay <- summarise(by_dest,
count = n(),
dist = mean(distance, na.rm = TRUE),
delay = mean(arr_delay, na.rm = TRUE)
)
delay <- filter(delay, count > 20, dest != "HNL")
```
---
```{r}
ggplot(data = delay, mapping = aes(x = dist, y = delay)) +
geom_point(aes(size = count), alpha = 1/3) +
geom_smooth(se = FALSE)
```
---
이 그래프를 얻기 위해 다음과 같은 단계를 거쳤다.
1.먼저 목적지 별로 그룹으로 나누었다.
2.비행횟수, 도착거리 평균, 도착지연 평균을 계산하였다.
3.건수가 작은 도착지와 호놀룰루를 제외하였다.
하지만 이 경우 중간단계의 데이터프레임에 일일이 이름을 붙였다. 이 이름은 단지 다음 단계로 넘어가기 위한 이름이고 달리 쓰이는 곳도 없다.
파이프 연산자 %>%를 쓰면 다음과 같다.
```{r}
delays <- flights %>%
group_by(dest) %>%
summarise(
count = n(),
dist = mean(distance, na.rm = TRUE),
delay = mean(arr_delay, na.rm = TRUE)
) %>%
filter(count > 20, dest != "HNL")
```
참고) %>% 는 `then`으로 읽는다.
---
### 파이프 연산자
- `x %>% f(y)` turns into `f(x,y)`
- `x %>% f(y) %>% g(z)` turns into `g(f(x, y), z)`
Tip) %>% 연산자는 Ctrl+Shift+M 또는 Cmd+Shift+M으로 입력할수 있다.
---
### 누락치 제거
평균과 같은 집계함수는 누락치가 하나라도 있으면 누락치로 계산된다.
```{r}
flights %>%
group_by(year, month, day) %>%
summarise(mean = mean(dep_delay))
```
---
따라서 평균을 계산할때 누락치를 제거하려면 na.rm = TRUE 옵션을 준다.
```{r}
flights %>%
group_by(year, month, day) %>%
summarise(mean = mean(dep_delay, na.rm=TRUE))
```
---
누락치를 제거한 데이터를 not_cancelled 에 저장한다.
```{r}
not_cancelled <- flights %>%
filter(!is.na(dep_delay), !is.na(arr_delay))
not_cancelled %>%
group_by(year, month, day) %>%
summarise(mean = mean(dep_delay))
```
---
### Counts
집계를 할때 count(n()) 또는 누락되지 않은 count(sum(!is.na(x))) 를 포함하는 것이 좋다. 결론을 내리기 전에 적은 양의 데이터에 의해 결론이 내려지지 않는지 count를 살펴보아야 한다. 예를 들어 평균 도착지연이 가장 많은 비행기(tail number)가 어떤 것인지 살펴보자.
```{r,fig.height=3,fig.width=5}
delays <- not_cancelled %>%
group_by(tailnum) %>%
summarise(delay = mean(arr_delay))
ggplot(data = delays, mapping = aes(x = delay)) +
geom_freqpoly()
```
그림에서 보면 평균 도착지연이 300분이나 되는 비행기도 있다.
---
비행횟수와 평균도착지연 관계를 산점도로 나타내보면 다음과 같다.
```{r,fig.height=4,fig.width=6}
delays <- not_cancelled %>%
group_by(tailnum) %>%
summarise(
delay=mean(arr_delay, na.rm = TRUE),
n = n()
)
ggplot(data = delays, mapping = aes(x = n, y = delay)) +
geom_point(alpha = 1/10)
```
비행횟수가 적은 경우 도착지연시간의 변동이 크다는 것을 알수 있다.
---
이런 경우 관찰치가 적은 그룹을 필터링해서 걸러내는 것이 유용할 수 있다.
```{r,fig.height=5,fig.width=7}
delays %>%
filter(n > 25) %>%
ggplot(mapping = aes(x = n, y = delay)) +
geom_point(alpha = 1/10)
```
---
### 타수와 타율의 관계
Lahman패키지의 Batting 데이타를 사용하여 타수와 타율의 관계를 살펴보자. Lahman패키지가 설치되어 있지 않은 경우 설치한다.
```{r,eval=FALSE}
install.packages("Lahman")
```
타자의 타율(batting average, ba) 은 안타수를 타수로 나누어 계산한다.
```{r}
batting <- as_tibble(Lahman::Batting)
batters <- batting %>%
group_by(playerID) %>%
summarise(
ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),
ab = sum(AB, na.rm = TRUE)
)
```
---
타율이 가장 높은 10명을 보면 다음과 같다.
```{r}
batters %>%
top_n(10,ba)
```
---
```{r,fig.height=5,fig.width=7}
batters %>%
ggplot(mapping = aes(x = ab, y = ba)) +
geom_point() +
geom_smooth(se = FALSE)
```
---
100타수 이상인 타자들에 대해서 산점도를 그려보면 다음과 같다.
```{r,fig.height=5,fig.width=7}
batters %>%
filter(ab > 100) %>%
ggplot(mapping = aes(x = ab, y = ba)) +
geom_point() +
geom_smooth(se = FALSE)
```
---
### 유용한 집계함수
- 평균, 중앙값: mean(), median()
```{r}
not_cancelled %>%
group_by(year, month, day) %>%
summarise(
avg_delay1 = mean(arr_delay),
avg_delay2 = mean(arr_delay[arr_delay > 0]) # the average positive delay
)
```
---
- 퍼진 정도: sd(), IQR(), mad()
```{r}
not_cancelled %>%
group_by(dest) %>%
summarise(distance_sd = sd(distance)) %>%
arrange(desc(distance_sd))
```
---
- 순위: min(x), quantile(x,0.25), max(x)
- 순서 : first(x), nth(x), last(x)
- Counts : n(), sum(!is.na(x)), n_distinct(x)
```{r}
# Which destinations have the most carriers?
not_cancelled %>%
group_by(dest) %>%
summarise(carriers = n_distinct(carrier)) %>%
arrange(desc(carriers))
```
---
- count()
```{r}
not_cancelled %>%
count(dest)
```
---
- count() for sum
```{r}
not_cancelled %>%
count(tailnum, wt = distance)
```
---
- counts for logical values : sum(x>10), mean(x==0)
논리값을 숫자함수로 다룰때 TRUE는 1로 FALSE는 0으로 바뀐다. 따라서 sum(x)는 TRUE의 갯수, mean(x)는 비율이 된다. 예를 들어 날짜별로 새벽 5시 전에 출발한 비행기의 대수와 비율을 보면 다음과 같다.
```{r}
not_cancelled %>%
group_by(year,month,day) %>%
summarise(
n_early=sum(dep_time<=500),
early_perc=mean(dep_time<=500)
)
```
---
날짜별로 1시간 이상 연착된 비행기의 비율은?
```{r}
not_cancelled %>%
group_by(year,month,day) %>%
summarise(
hour_perc=mean(arr_delay>60)
)
```
---
### Exercises
1.Brainstorm at least 5 different ways to assess the typical delay characteristics of a group of flights. Consider the following scenarios:
- A flight is 15 minutes early 50% of the time, and 15 minutes late 50% of the time.
- A flight is always 10 minutes late.
- A flight is 30 minutes early 50% of the time, and 30 minutes late 50% of the time.
- 99% of the time a flight is on time. 1% of the time it’s 2 hours late.