R 数据处理(十四)—— tidyr
4. 分隔和合并
到目前为止,你已经学会了如何整理 table2
和 table4
。
但是对于 table3
,有一个不一样的问题:我们有一列(rate
)包含两个变量(cases
和 population
)。
要解决这个问题,可以使用 separate()
函数。而如果单个变量在不同的列上,则可以使用 unite()
4.1 separate
separate()
通过在分隔符的位置上拆分数据,将一列拆分为多列。对于 table3
> table3
# A tibble: 6 x 3
country year rate
* <chr> <int> <chr>
1 Afghanistan 1999 745/19987071
2 Afghanistan 2000 2666/20595360
3 Brazil 1999 37737/172006362
4 Brazil 2000 80488/174504898
5 China 1999 212258/1272915272
6 China 2000 213766/1280428583
rate
列同时包含了 cases
和 population
,我们需要将其拆分为两个变量
separate()
获取要分离的列的名称,以及要分离为列的名称
> table3 %>%
+ separate(rate, into = c("cases", "population"))
# A tibble: 6 x 4
country year cases population
<chr> <int> <chr> <chr>
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
image.png
在默认情况下,separate()
会在看到非字母数字字符(即不是数字或字母的字符)的任何位置对值进行拆分。
例如,在上面的代码中,separate()
将 rate
列的值用 /
分隔。如果要指定特定的分隔字符,可以将该字符传递给 separate()
的 sep
参数。例如,我们可以将上面的代码重写
table3 %>%
separate(rate, into = c("cases", "population"), sep = "/")
注意:sep
支持正则表达式
你可能也注意到 cases
和 population
列都是字符类型,这是 separate()
函数的默认行为,保持列的类型不变。
然而,在这里它并不适用,因为这些实际上是数字。我们可以使用 convert=TRUE
让 separate()
尝试将值转换为更好的类型
> table3 %>%
+ separate(rate, into = c("cases", "population"), convert = TRUE)
# A tibble: 6 x 4
country year cases population
<chr> <int> <int> <int>
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
也可以为 sep
传递整数向量,separate()
会将整数解释为需要拆分的位置,正数值表示从字符串最左侧的位置 1
开始;负数值表示从字符串最右侧的位置 -1
开始。
当使用整数分隔字符串时,sep
的长度应该比 into
中的名称数少一个。
我们可以使用这种方式来分隔年份,虽然会使数据不那么整洁,但是有时会很有用
> table3 %>%
+ separate(year, into = c("century", "year"), sep = 2)
# A tibble: 6 x 4
country century year rate
<chr> <chr> <chr> <chr>
1 Afghanistan 19 99 745/19987071
2 Afghanistan 20 00 2666/20595360
3 Brazil 19 99 37737/172006362
4 Brazil 20 00 80488/174504898
5 China 19 99 212258/1272915272
6 China 20 00 213766/1280428583
4.2 unite
unite()
是 separate()
的逆函数:它将多列合并为一列。与 separate()
相比,你用到它的频率要低得多,但它仍然是一个很有用的工具。
我们可以使用 unite()
重新合并上一个示例中创建的 century
和 year
列。该数据被保存为 tidyr::table5
。
unite()
接受一个数据框,需要创建的新的列名以及要组合的一组列,接受 select
样式。
> table5 %>%
+ unite(new, century, year)
# A tibble: 6 x 3
country new rate
<chr> <chr> <chr>
1 Afghanistan 19_99 745/19987071
2 Afghanistan 20_00 2666/20595360
3 Brazil 19_99 37737/172006362
4 Brazil 20_00 80488/174504898
5 China 19_99 212258/1272915272
6 China 20_00 213766/1280428583
在这种情况下,我们还需要使用 sep
参数。默认值将在不同列的值之间放置下划线(_
)。在这里我们不需要任何分隔符,所以使用 ""
> table5 %>%
+ unite(new, century, year, sep = "")
# A tibble: 6 x 3
country new rate
<chr> <chr> <chr>
1 Afghanistan 1999 745/19987071
2 Afghanistan 2000 2666/20595360
3 Brazil 1999 37737/172006362
4 Brazil 2000 80488/174504898
5 China 1999 212258/1272915272
6 China 2000 213766/1280428583
4.3 思考练习
-
extra
和fill
参数在separate()
中的作用是什么?可以对以下两个数据集进行实验
tibble(x = c("a,b,c", "d,e,f,g", "h,i,j")) %>%
separate(x, c("one", "two", "three"))
tibble(x = c("a,b,c", "d,e", "f,g,i")) %>%
separate(x, c("one", "two", "three"))
-
unite()
和separate()
都有一个remove
参数,它有什么作用?为什么要把它设置为FALSE
? -
比较
separate()
和extract()
,为什么分隔有三种变体(通过位置,分隔符和分组),但是unite
只有一个?
5. 缺失值
更改数据的表现形式,可能会引入缺失值。以下两种方式之一都会引入缺失值
- 显式:例如,存在
NA
值 - 隐式:例如,数据中不存在的值
让我们用一个简单的数据来解释
stocks <- tibble(
year = c(2015, 2015, 2015, 2015, 2016, 2016, 2016),
qtr = c( 1, 2, 3, 4, 2, 3, 4),
return = c(1.88, 0.59, 0.35, NA, 0.92, 0.17, 2.66)
)
这个数据中存在两个缺失值:
-
2015
年第四季度的回报率是缺失的,其对应的值为NA
-
2016
年第一季度的回报隐式地丢失了,它根本没有出现在数据中
数据集的表示方式可以使隐式的值显式化,例如,我们可以通过将年份放在列中来显示隐式的缺失值。
> stocks %>%
+ pivot_wider(names_from = year, values_from = return)
# A tibble: 4 x 3
qtr `2015` `2016`
<dbl> <dbl> <dbl>
1 1 1.88 NA
2 2 0.59 0.92
3 3 0.35 0.17
4 4 NA 2.66
由于这些显式缺失值在数据的其他表示形式中可能并不重要,因此可以在 pivot_longer()
中设置 values_drop_na = TRUE
将显式缺失值变为隐式
> stocks %>%
+ pivot_wider(names_from = year, values_from = return) %>%
+ pivot_longer(
+ cols = c(`2015`, `2016`),
+ names_to = "year",
+ values_to = "return",
+ values_drop_na = TRUE
+ )
# A tibble: 6 x 3
qtr year return
<dbl> <chr> <dbl>
1 1 2015 1.88
2 2 2015 0.59
3 2 2016 0.92
4 3 2015 0.35
5 3 2016 0.17
6 4 2016 2.66
另一个显式标记缺失值的工具就是 complete()
> stocks %>%
+ complete(year, qtr)
# A tibble: 8 x 3
year qtr return
<dbl> <dbl> <dbl>
1 2015 1 1.88
2 2015 2 0.59
3 2015 3 0.35
4 2015 4 NA
5 2016 1 NA
6 2016 2 0.92
7 2016 3 0.17
8 2016 4 2.66
complete()
接受一组列,并搜索所有唯一的组合。然后确保原始数据集包含所有这些值,并在必要时显式的填充 NA
还有另一个处理缺失值的工具,例如
treatment <- tribble(
~ person, ~ treatment, ~response,
"Derrick Whitmore", 1, 7,
NA, 2, 10,
NA, 3, 9,
"Katherine Burke", 1, 4
)
你可以使用 fill()
来填充缺失值。它接收一组列,并在这组列中指定用于填补缺失值的值
> treatment %>%
+ fill(person)
# A tibble: 4 x 3
person treatment response
<chr> <dbl> <dbl>
1 Derrick Whitmore 1 7
2 Derrick Whitmore 2 10
3 Derrick Whitmore 3 9
4 Katherine Burke 1 4
5.1 思考练习
-
将
fill
参数与pivot()
和complete()
进行比较。 -
fill()
的direction
参数有什么作用?
6. 案例分析
下面我们将上面介绍的知识结合起来,来解决一个数据整理的问题。
我们使用 tidyr::who
数据,其中包含按年,国家,年龄,性别和诊断方法的结核病(TB
)病例
在这个数据集中有保存了丰富的流行病学信息,但直接使用它所提供的数据形式是不太好的。
> who
# A tibble: 7,240 x 60
country iso2 iso3 year new_sp_m014 new_sp_m1524 new_sp_m2534 new_sp_m3544 new_sp_m4554
<chr> <chr> <chr> <int> <int> <int> <int> <int> <int>
1 Afghan… AF AFG 1980 NA NA NA NA NA
2 Afghan… AF AFG 1981 NA NA NA NA NA
3 Afghan… AF AFG 1982 NA NA NA NA NA
4 Afghan… AF AFG 1983 NA NA NA NA NA
5 Afghan… AF AFG 1984 NA NA NA NA NA
6 Afghan… AF AFG 1985 NA NA NA NA NA
7 Afghan… AF AFG 1986 NA NA NA NA NA
8 Afghan… AF AFG 1987 NA NA NA NA NA
9 Afghan… AF AFG 1988 NA NA NA NA NA
10 Afghan… AF AFG 1989 NA NA NA NA NA
# … with 7,230 more rows, and 51 more variables: new_sp_m5564 <int>, new_sp_m65 <int>,
# new_sp_f014 <int>, new_sp_f1524 <int>, new_sp_f2534 <int>, new_sp_f3544 <int>, new_sp_f4554 <int>,
# new_sp_f5564 <int>, new_sp_f65 <int>, new_sn_m014 <int>, new_sn_m1524 <int>, new_sn_m2534 <int>,
# new_sn_m3544 <int>, new_sn_m4554 <int>, new_sn_m5564 <int>, new_sn_m65 <int>, new_sn_f014 <int>,
# new_sn_f1524 <int>, new_sn_f2534 <int>, new_sn_f3544 <int>, new_sn_f4554 <int>,
# new_sn_f5564 <int>, new_sn_f65 <int>, new_ep_m014 <int>, new_ep_m1524 <int>, new_ep_m2534 <int>,
# new_ep_m3544 <int>, new_ep_m4554 <int>, new_ep_m5564 <int>, new_ep_m65 <int>, new_ep_f014 <int>,
# new_ep_f1524 <int>, new_ep_f2534 <int>, new_ep_f3544 <int>, new_ep_f4554 <int>,
# new_ep_f5564 <int>, new_ep_f65 <int>, newrel_m014 <int>, newrel_m1524 <int>, newrel_m2534 <int>,
# newrel_m3544 <int>, newrel_m4554 <int>, newrel_m5564 <int>, newrel_m65 <int>, newrel_f014 <int>,
# newrel_f1524 <int>, newrel_f2534 <int>, newrel_f3544 <int>, newrel_f4554 <int>,
# newrel_f5564 <int>, newrel_f65 <int>
这是非常典型的真实数据,它包含冗余的列和许多缺失值,总之乱七八糟的。
通常处理这种数据需要用管道来组合 dplyr
、tidyr
中的操作函数。
通常,最好的着手点就是将非变量的列集合在一起,让我们来分析一下
- 似乎
country
,iso2
和iso3
这三列是冗余的国家信息 -
year
显然是一个变量 - 我们还不知道其他所有列是什么,但是给定了变量名的结构(例如
new_sp_m014
,new_ep_m014
,new_ep_f014
),这些很可能是值而是变量
因此,我们需要收集从 new_sp_m014
到 newrel_f65
所有列。
我们还不知道这些值代表什么,所以我们给它们取一个通用的名称 键。我们知道单元格代表病例数,因此我们将使用 cases
作为变量。
同时,当前的表示形式中有很多缺失值,所以我们使用 values_drop_na
只专注于已经存在的值
> who1 <- who %>%
+ pivot_longer(
+ cols = new_sp_m014:newrel_f65,
+ names_to = "key",
+ values_to = "cases",
+ values_drop_na = TRUE
+ )
> who1
# A tibble: 76,046 x 6
country iso2 iso3 year key cases
<chr> <chr> <chr> <int> <chr> <int>
1 Afghanistan AF AFG 1997 new_sp_m014 0
2 Afghanistan AF AFG 1997 new_sp_m1524 10
3 Afghanistan AF AFG 1997 new_sp_m2534 6
4 Afghanistan AF AFG 1997 new_sp_m3544 3
5 Afghanistan AF AFG 1997 new_sp_m4554 5
6 Afghanistan AF AFG 1997 new_sp_m5564 2
7 Afghanistan AF AFG 1997 new_sp_m65 0
8 Afghanistan AF AFG 1997 new_sp_f014 5
9 Afghanistan AF AFG 1997 new_sp_f1524 38
10 Afghanistan AF AFG 1997 new_sp_f2534 36
# … with 76,036 more rows
然后,我们对新的列 key
进行统计
> who1 %>%
+ count(key)
# A tibble: 56 x 2
key n
<chr> <int>
1 new_ep_f014 1032
2 new_ep_f1524 1021
3 new_ep_f2534 1021
4 new_ep_f3544 1021
5 new_ep_f4554 1017
6 new_ep_f5564 1017
7 new_ep_f65 1014
8 new_ep_m014 1038
9 new_ep_m1524 1026
10 new_ep_m2534 1020
# … with 46 more rows
你可以用自己的方式来解析这列数据,但是幸运的是,我们手里有这一数据的一些信息:
-
每列的前三个字母表示该列包含的是新的还是旧的
TB
病例,在这个数据中,每列包含的都是新的病例 -
后面两个字符代表
TB
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的肺结核病例(涂片阴性) -
sp
代表可以通过肺部涂片诊断的肺结核病例(涂片阳性)
-
第六个字符表示结核病患者的性别,男性(
m
)和女性(f
) -
剩下的数字表示年龄分组,数据将年龄分为七个年龄组。
-
014
=0 – 14
-
1524
=15 – 24
-
2534
=25 – 34
-
3544
=35 – 44
-
4554
=45 – 54
-
5564
=55 – 64
-
65
=65 or older
我们先对列名的格式进行一个小小的修改,用 new_rel
替换 newrel
,而其他都是以 _
分隔的
> who2 <- who1 %>%
+ mutate(key = stringr::str_replace(key, "newrel", "new_rel"))
> who2
# A tibble: 76,046 x 6
country iso2 iso3 year key cases
<chr> <chr> <chr> <int> <chr> <int>
1 Afghanistan AF AFG 1997 new_sp_m014 0
2 Afghanistan AF AFG 1997 new_sp_m1524 10
3 Afghanistan AF AFG 1997 new_sp_m2534 6
4 Afghanistan AF AFG 1997 new_sp_m3544 3
5 Afghanistan AF AFG 1997 new_sp_m4554 5
6 Afghanistan AF AFG 1997 new_sp_m5564 2
7 Afghanistan AF AFG 1997 new_sp_m65 0
8 Afghanistan AF AFG 1997 new_sp_f014 5
9 Afghanistan AF AFG 1997 new_sp_f1524 38
10 Afghanistan AF AFG 1997 new_sp_f2534 36
# … with 76,036 more rows
我们可以通过两次 separate()
来分隔每个代码的值。
第一次在下划线处拆分代码
> who3 <- who2 %>%
+ separate(key, c("new", "type", "sexage"), sep = "_")
> who3
# A tibble: 76,046 x 8
country iso2 iso3 year new type sexage cases
<chr> <chr> <chr> <int> <chr> <chr> <chr> <int>
1 Afghanistan AF AFG 1997 new sp m014 0
2 Afghanistan AF AFG 1997 new sp m1524 10
3 Afghanistan AF AFG 1997 new sp m2534 6
4 Afghanistan AF AFG 1997 new sp m3544 3
5 Afghanistan AF AFG 1997 new sp m4554 5
6 Afghanistan AF AFG 1997 new sp m5564 2
7 Afghanistan AF AFG 1997 new sp m65 0
8 Afghanistan AF AFG 1997 new sp f014 5
9 Afghanistan AF AFG 1997 new sp f1524 38
10 Afghanistan AF AFG 1997 new sp f2534 36
# … with 76,036 more rows
然后我们删除 new
这一列,这列值是一个常量。同时,我们也删除 iso2
和 iso3
列,它们是多余的 country
信息。
> who3 %>%
+ count(new)
# A tibble: 1 x 2
new n
<chr> <int>
1 new 76046
> who4 <- who3 %>%
+ select(-new, -iso2, -iso3)
接下来,我们将 sexage
列分割为 sex
和 age
> who5 <- who4 %>%
+ separate(sexage, c("sex", "age"), sep = 1)
> who5
# A tibble: 76,046 x 6
country year type sex age cases
<chr> <int> <chr> <chr> <chr> <int>
1 Afghanistan 1997 sp m 014 0
2 Afghanistan 1997 sp m 1524 10
3 Afghanistan 1997 sp m 2534 6
4 Afghanistan 1997 sp m 3544 3
5 Afghanistan 1997 sp m 4554 5
6 Afghanistan 1997 sp m 5564 2
7 Afghanistan 1997 sp m 65 0
8 Afghanistan 1997 sp f 014 5
9 Afghanistan 1997 sp f 1524 38
10 Afghanistan 1997 sp f 2534 36
# … with 76,036 more rows
现在,数据已经变得非常整洁了。
最后,我们使用管道操作符将上面的代码进行简化
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)
6.1 思考练习
-
在本例中,我们通过设置
values_drop_na = TRUE
,方便检查数据是否具有正确的值。这样做合理吗?考虑一下该数据集中的缺失值代表的含义,是否存在隐式缺失值?NA
和0
有什么区别? -
上面的示例中如果忽略
mutate()
这一步骤会发生什么? -
计算每个国家、每年和每种性别的结核病例总数,并对数据进行可视化。
网友评论