[Data Science] dplyr의 group_by, chaining, join

먼저 dplyr의 핵심 동사는 다음과 같다.

filter(df, 조건) : 행 선택

arrange(df, 변수1, 변수2, ...) : 행 정렬

select(df, 변수1, 변수2, ... ) : 변수/열 선택

mutate(df, 타겟변수1 = 변환, ... ) : 변수 변환

summarize(df, 타겟변수1=통계함수, ... ) : 변수 요약

distinct( )

sample_n( ) and sample_frac( ) 

각 함수에 대하여 ☞ http://gaeko-security-hack.tistory.com/129?category=722260

※ group_by를 이용한 그룹 연산 

group_by() 명령은 데이터셋을 그룹으로 나눈 후, 그룹별로 위의 연산들을 적용한다. 

group_by( DF, GROUPING_VARIABLE)

ex. 

- summarize() 는 각 그룹별로 요약통계량을 계산한다.

- select()는 그룹 변수를 항상 포함

- sample_n() 과 sample_frac()는 그룹별로 랜덤 샘플링 

> # 각 대륙별 기대 수명의 중간값구하기  > # 그루핑부터 해보면 다음과 같다.  > gapminder %>% +   filter(year==2007) %>% +   group_by(continent) # A tibble: 142 x 6 # Groups:   continent [5]    country     continent  year lifeExp       pop gdpPercap    <fct>       <fct>     <int>   <dbl>     <int>     <dbl>  1 Afghanistan Asia       2007    43.8  31889923       975  2 Albania     Europe     2007    76.4   3600523      5937  3 Algeria     Africa     2007    72.3  33333216      6223  4 Angola      Africa     2007    42.7  12420476      4797  5 Argentina   Americas   2007    75.3  40301927     12779  6 Australia   Oceania    2007    81.2  20434176     34435  7 Austria     Europe     2007    79.8   8199783     36126  8 Bahrain     Asia       2007    75.6    708573     29796  9 Bangladesh  Asia       2007    64.1 150448339      1391 10 Belgium     Europe     2007    79.4  10392226     33693 # ... with 132 more rows  > > > # 각 대륙별 기대 수명의 중간값구하기  > gapminder %>% +   filter(year==2007) %>% +   group_by(continent) %>% +   summarize(median(lifeExp)) # A tibble: 5 x 2   continent `median(lifeExp)`   <fct>                 <dbl> 1 Africa                 52.9 2 Americas               72.9 3 Asia                   72.4 4 Europe                 78.6 5 Oceania                80.7 >

※ dplyr 명령의 특징, 체이닝(chaining)

- 첫 번째 입력은 데이터프레임이다.

- 두 번째 입력은 주로 열이름으로 이루어진 조건/계산문이다. $ 인덱싱이 필요없음

- 결과는 데이터프레임 (tbl_df의 속성도 가진)

dplyr 명령을 사용하면 연쇄적 연산 (체이닝, chaining)이 가능하다.

연쇄적 연산이 얼마나 가독성이 좋고 코딩이 간편한지는 다음의 두가지 코드를 비교해보라.

# {base} 패키지를 사용하여 계산하는 경우  # 각 대륙별 기대 수명의 중간값을 내림차순으로 정렬  d1 = filter(gapminder, year==2007) d2 = group_by(d1, continent) d3 = summarize(d2, lifeExp = median(lifeExp)) arrange(d3, -lifeExp) # 또는  arrange(   summarize(     group_by(       filter(gapminder, year==2007), continent       ), lifeExp = median(lifeExp)     ), -lifeExp   )

# {dplyr} 패키지를 사용하여 연쇄적 연산을 사용하여 계산하는 경우  # 각 대륙별 기대 수명의 중간값을 내림차순으로 정렬  gapminder %>%   filter(year==2007) %>%   group_by(continent) %>%   summarize(lifeExp = median(lifeExp)) %>%   arrange(-lifeExp)

연산순서를 왼쪽에서 오른쪽으로, 위에서 아래로 읽을 수 있으므로 가독성이 좋아진다.

※ 테이블을 결합하는 조인 연산자 

조인(join)은 여러 테이블로부터의 변수를 결합한다.

data_frame()함수를 사용하여 예제데이터를 만들어보자. 

// dplyr::data_frame()함수는 {base} 패키지의 data.frame()와 동일한 함수. 

-  inner_join() x와 y에 모두 매칭되는 행만 포함한다. // 교집합

- left_join() x 테이블의 모든 행을 포함. 매칭되지 않은 y 테이블 변수들은 NA가 됨.

- right_join() y 테이블의 모든 행을 포함. 매칭되지 않은 x 테이블 변수들은 NA가 됨.

- full_join() 모든 행을 포함 // 합집합