데이터 분석을 위한 R수업 <4차시 ①: dplyr 활용>

데이터 분석을 위한 R수업 <4차시 ①: dplyr 활용>

 

06-1 데이터 전처리 - 원하는 형태로 데이터 가공하기

06-2 조건에 맞는 데이터만 추출하기

06-3 필요한 변수만 추출하기

06-4 순서대로 정렬하기

06-5 파생변수 추가하기

06-6 집단별로 요약하기

06-7 데이터 합치기

 

06-1 데이터 전처리 - 원하는 형태로 데이터 가공하기

dplyr은 데이터 전처리에 가장 많이 사용되는 패키지 입니다.

 

dplyr 함수

filter() 행 추출

select() 열(변수) 추출

arrange() 정렬

mutate() 변수추가

summarise() 통계치 산출

group_by() 집단별로 나누기

left_join() 데이터 합치기(열)

bind_rows() 데이터 합치기(행)

 

06-2 조건에 맞는 데이터만 추출하기

library(dplyr)
exam <- read.csv("csv_exam.csv")
exam

 

결과값

 

csv.exam.csv를 read.csv 함수로 불러와 exam 변수에 넣었습니다.

여기서 1반 학생들의 데이터만 추출하겠습니다.

 

exam %>% filter(class == 1)

 

dplyr 패키지는 %>%를 이용하여 함수를 나열합니다.

 

1반 학생만 추출

2반 학생만 추출해보겠습니다.

exam %>% filter(class == 2)

2반 학생만 추출

!=를 이용해서 1반이 아닌 경우를 추출

exam %>% filter(class != 1)

1반 학생이 아닌 경우 추출

수학점수가 50점 이상인 학생을 추출

exam %>% filter(math > 50)

 

영어점수가 80점 미만인 학생을 추출

exam %>% filter(english < 80)

 

여러 조건을 동시에 충족하는 행 추출하기

 

1반이면서 수학 점수가 50점 이상인 경우 추출

exam %>% filter(class == 1 & math >= 50)

 

2반이면서 영어 점수가 80점 이하인 경우 추출

exam %>% filter(class == 2 & english <= 80)

 

여러 조건 중 하나 이상 충족하는 행 추출하기

 

OR 연산자 | 를 이용하면 된다.

 

수학 점수가 90점 이상이거나 영어 점수가 90점 이상인 경우

exam %>% filter(math >= 90 | english >= 90)

 

영어 점수가 90점 미만이거나 과학 점수가 50점 미만인 경우

exam %>% filter(english < 90 | science < 50)

 

조건 목록에 맞는지 확인하는 %in% 연산자와 c() 함수를 이용해 조건 목록을 제시할 수 있다.

exam %>% filter(class %in% c(1,3,5))

 

추출한 행으로 새로운 데이터 만들기

class1 <- exam %>% filter(class == 1)
class2 <- exam %>% filter(class == 2)

 

class1의 math열의 평균 값 보기

mean(class1$math)

 

06-3 필요한 변수만 추출하기

select() 함수는 데이터의 변수(열)중 추출하고 싶은 변수만을 추출하는데 쓰인다.

exam |> select(math)

 

%>% 대신 파이프를 사용하였다.

exam |> select(english)

 

여러 변수를 동시에 추출할 수 있다.

exam |> select(class, math, english)

 

특정 변수를 제외하고 나머지를 출력할 수도 있다.

exam |> select(-math)

 

filter()와 select() 조합하기

exam |> filter(class == 1) |> select(english)

 

1반 학생들을 찾아서 english 변수만 보여주는 함수

단락을 나눠서 아래처럼 표현할 수도 있다.

exam |> 
  filter(class == 1) |> 
  select(english)

 

exam |>
  select(id, math) |> 
  head(6)

 

06-4 순서대로 정렬하기

arrange() 함수를 이용하면 데이터를 원하는 순서로 정렬할 수 있습니다.

 

math에 대해 오름차순 정렬

exam |> arrange(math)

 

> exam |> arrange(math)
   id class math english science
1   9     3   20      98      15
2   5     2   25      80      65
3   4     1   30      98      58
4   3     1   45      86      78
5  12     3   45      85      32
6  13     4   46      98      65
7  14     4   48      87      12
8   1     1   50      98      50
9   6     2   50      89      98
10 10     3   50      98      45
11 16     4   58      98      65
12  2     1   60      97      60
13 11     3   65      65      65
14 17     5   65      68      98
15 15     4   75      56      78
16 20     5   78      83      58
17  7     2   80      90      45
18 18     5   80      78      90
19 19     5   89      68      87
20  8     2   90      78      25

 

math에 대해 내림차순 정렬

exam |> arrange(desc(math))

 

desc()를 넣어주면 된다.

> exam |> arrange(desc(math))
   id class math english science
1   8     2   90      78      25
2  19     5   89      68      87
3   7     2   80      90      45
4  18     5   80      78      90
5  20     5   78      83      58
6  15     4   75      56      78
7  11     3   65      65      65
8  17     5   65      68      98
9   2     1   60      97      60
10 16     4   58      98      65
11  1     1   50      98      50
12  6     2   50      89      98
13 10     3   50      98      45
14 14     4   48      87      12
15 13     4   46      98      65
16  3     1   45      86      78
17 12     3   45      85      32
18  4     1   30      98      58
19  5     2   25      80      65
20  9     3   20      98      15

 

정렬 기준으로 삼을 변수를 여러개 지정할 수 있다.

exam |> arrange(class, math)

 

06-5 파생변수 추가하기

mutate() 함수를 이용하면 파생변수를 만들어 추가할 수 있다.

exam |> 
  mutate(total = math + english + science) |> 
  head()

 

> exam |> 
+   mutate(total = math + english + science) |> 
+   head()
  id class math english science total
1  1     1   50      98      50   198
2  2     1   60      97      60   217
3  3     1   45      86      78   209
4  4     1   30      98      58   186
5  5     2   25      80      65   170
6  6     2   50      89      98   237

 

여러 파생변수 한번에 추가하기위해서는 ,를 이용하면 된다.

 

exam |> 
  mutate(total = math + english + science, 
         mean = total/3) |> 
  head()

 

> exam |> 
+   mutate(total = math + english + science, 
+          mean = total/3) |> 
+   head()
  id class math english science total     mean
1  1     1   50      98      50   198 66.00000
2  2     1   60      97      60   217 72.33333
3  3     1   45      86      78   209 69.66667
4  4     1   30      98      58   186 62.00000
5  5     2   25      80      65   170 56.66667
6  6     2   50      89      98   237 79.00000

 

mutate()에 ifelse()를 적용하면 조건에 따라 다른 값을 부여한 변수를 추가할 수 있다.

 

exam |> 
  mutate(test = ifelse(science >= 60, "pass", "fail")) |> 
  head()

mutate와 ifelse

mutate()와 arrange()의 조합

exam |> 
  mutate(total = math + english + science) |> 
  arrange(total) |> 
  head()

 

mutate()와 arrange()의 조합

 

★dplyr 함수에는 데이터 프레임명을 반복하여 입력하지 않기 때문에 코드가 간결해진다.

 

06-6 집단별로 요약하기

집단별 평균이나 집단별 빈도처럼 각 집단을 요약한 값을 구할 때는

group_by()와 summarise() 함수를 이용한다.

 

exam |> 
  summarise(mean_math = mean(math))

 

math 변수의 평균을 구해서 mean_math에 넣고 출력한다.

 

집단별로 요약하기

 

exam |> 
  group_by(class) |> 
  summarise(mean_math = mean(math))

 

group_by()에 변수를 저장하면 변수 항목별로 데이터를 분리한다.

여기에 summarise를 조합하면 집단별 요약 통계량을 만든다.

집단별 요약 통계량

여러 요약 통계량 한번에 산출하기

 

exam |> 
  group_by(class) |> 
  summarise(mean_math = mean(math),
            sum_math = sum(math),
            median_math = median(math),
            n = n())

여러 요약 통계량 한번에 출력하기

각 집단별로 다시 집단나누기

mpg |> 
  group_by(manufacturer, drv) |> 
  summarise(mean_cty = mean(cty)) |> 
  head(10)

 

manufacturer로 나눈 집단을 다시 drv로 나누어 보기

그리고 그 나눠진 집단에서 cty의 평균 보기

 

집단별로 다시 나누기

 

하나의 dplyr 구문 만들기

mpg |> 
  group_by(manufacturer) |> #회사별로 분리
  filter(class == "suv") |> #suv 추출
  mutate(tot = (cty+hwy)/2) |> #통합연비 변수 생성
  summarise(mean_tot = mean(tot)) |> #통합 연비 평균 산출
  arrange(desc(mean_tot)) |> #내림차순 정렬
  head(5) # 1위부터 5위까지 출력

# A tibble: 5 × 2
  manufacturer mean_tot
  <chr>           <dbl>
1 subaru           21.9
2 toyota           16.3
3 nissan           15.9
4 mercury          15.6
5 jeep             15.6