Tutorial R : Cara Menggunakan Data Reshaping di Pemrograman R
Pembentukan Ulang Data di R adalah tentang mengubah cara data diatur ke dalam baris dan kolom. Sebagian besar waktu pemrosesan data di R dilakukan dengan mengambil data masukan sebagai kerangka data. Mudah untuk mengekstrak data dari baris dan kolom bingkai data tetapi ada situasi ketika kami membutuhkan bingkai data dalam format yang berbeda dari format yang kami terima. R memiliki banyak fungsi untuk memisahkan, menggabungkan, dan mengubah baris menjadi kolom dan sebaliknya dalam bingkai data.
Menggabungkan Kolom dan Baris dalam Bingkai Data
Kita bisa menggabungkan beberapa vektor untuk membuat bingkai data menggunakan fungsi cbind () . Juga kita bisa menggabungkan dua frame data menggunakan fungsi rbind () .
# Create vector objects. city <- c("Tampa","Seattle","Hartford","Denver") state <- c("FL","WA","CT","CO") zipcode <- c(33602,98104,06161,80294) # Combine above three vectors into one data frame. addresses <- cbind(city,state,zipcode) # Print a header. cat("# # # # The First data frame\n") # Print the data frame. print(addresses) # Create another data frame with similar columns new.address <- data.frame( city = c("Lowry","Charlotte"), state = c("CO","FL"), zipcode = c("80230","33949"), stringsAsFactors = FALSE ) # Print a header. cat("# # # The Second data frame\n") # Print the data frame. print(new.address) # Combine rows form both the data frames. all.addresses <- rbind(addresses,new.address) # Print a header. cat("# # # The combined data frame\n") # Print the result. print(all.addresses)
Ketika kita menjalankan kode di atas, hasilnya adalah sebagai berikut -
# # # # 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
Menggabungkan Bingkai Data
Kita bisa menggabungkan dua frame data dengan menggunakan fungsi merge () . Bingkai data harus memiliki nama kolom yang sama tempat penggabungan terjadi.
Dalam contoh di bawah ini, kami mempertimbangkan kumpulan data tentang Diabetes pada Wanita India Pima yang tersedia di nama perpustakaan "MASS". kami menggabungkan dua kumpulan data berdasarkan nilai tekanan darah ("bp") dan indeks massa tubuh ("bmi"). Saat memilih dua kolom ini untuk penggabungan, rekaman di mana nilai dari dua variabel ini cocok di kedua kumpulan data digabungkan bersama untuk membentuk satu bingkai data.
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)
Ketika kita menjalankan kode di atas, hasilnya adalah sebagai berikut -
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
Melting dan Casting
Salah satu aspek yang paling menarik dari pemrograman R adalah tentang mengubah bentuk data dalam beberapa langkah untuk mendapatkan bentuk yang diinginkan. Fungsi yang digunakan untuk melakukan ini disebut melt () dan cast () .
Kami menganggap dataset yang disebut kapal hadir di perpustakaan yang disebut "MASS".
library(MASS) print(ships)
Ketika kita menjalankan kode di atas, hasilnya adalah sebagai berikut -
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 ............ ............
Lelehkan Data
Sekarang kami mencairkan data untuk mengaturnya, mengonversi semua kolom selain tipe dan tahun menjadi beberapa baris.
molten.ships <- melt(ships, id = c("type","year")) print(molten.ships)
Ketika kita menjalankan kode di atas, hasilnya adalah sebagai berikut -
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 ........... ...........
Transmisikan Data Molten
Kami dapat mentransmisikan data cair ke dalam bentuk baru di mana agregat dari setiap jenis kapal untuk setiap tahun dibuat. Itu dilakukan dengan menggunakan fungsi cast () .
recasted.ship <- cast(molten.ships, type+year~variable,sum) print(recasted.ship)
Ketika kita menjalankan kode di atas, hasilnya adalah sebagai berikut -
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
Post a Comment for "Tutorial R : Cara Menggunakan Data Reshaping di Pemrograman R"