Aggiungere e trasformare colonne in R (mutate e R base)

Aggiungere una colonna: df$new <- value

Per aggiungere una colonna in R base, assegna a un nome che non esiste ancora. Il valore di solito è calcolato da colonne che esistono già:

orders <- data.frame(
    item  = c("mug", "poster", "shirt", "cap"),
    price = c(12.0, 8.5, 22.0, 15.0),
    qty   = c(3, 10, 2, 5)
)

orders$total <- orders$price * orders$qty
orders$currency <- "USD"

print(orders)

Sono successe due cose. orders$total ha ricevuto un vettore completo: price * qty viene calcolato per tutte le righe in una volta, perché in R l'aritmetica è vettorizzata. orders$currency ha ricevuto un singolo valore, che R ha riciclato su tutte e quattro le righe. Qualsiasi altra lunghezza è un errore (replacement has 3 rows, data has 4): è R che ti protegge da una colonna disallineata.

Funziona perché un data frame è una lista di colonne della stessa lunghezza: assegnare un nuovo elemento con nome fa crescere la lista. La guida ai data frame spiega questo modello nel dettaglio.

Colonne condizionali: ifelse()

Una colonna il cui valore dipende da una condizione vuole ifelse(), il cugino vettorizzato di if. Prende un intero vettore di condizioni e restituisce un valore per riga:

students <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana"),
    score = c(91, 54, 78, 60)
)

students$grade <- ifelse(students$score >= 60, "pass", "fail")
print(students)

Perché non un semplice if? Perché if valuta esattamente un TRUE/FALSE: se gli passi una colonna, dà errore (the condition has length > 1). ifelse(test, yes, no) controlla ogni elemento e sceglie riga per riga. Per tre o più esiti puoi annidare:

students <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana"),
    score = c(91, 54, 78, 60)
)

students$band <- ifelse(students$score >= 85, "high",
                 ifelse(students$score >= 60, "mid", "low"))
print(students)

Annidare su due livelli va bene; con tre o più diventa una piramide, ed è proprio il lavoro per cui è stato costruito case_when() di dplyr (più sotto). L'if/else su un singolo valore è trattato nella guida a if-else.

Più colonne insieme: transform()

transform() di R base aggiunge più colonne in una sola chiamata, usando i nomi delle colonne senza prefisso:

orders <- data.frame(
    item  = c("mug", "poster", "shirt"),
    price = c(12.0, 8.5, 22.0),
    qty   = c(3, 10, 2)
)

orders <- transform(orders,
    total    = price * qty,
    discount = ifelse(qty >= 5, "yes", "no")
)
print(orders)

Nota che transform() restituisce un nuovo data frame: devi riassegnare il risultato, mentre df$new <- ... modifica sul posto. Un limite: le espressioni dentro una stessa chiamata a transform() non si vedono tra loro, quindi discount = ifelse(total > 50, ...) lì non funziona (total non esiste ancora). Fallo in due passaggi, oppure con mutate(), che lo permette.

Modificare o creare

La stessa sintassi di assegnazione sovrascrive una colonna esistente: l'unica differenza è se quella colonna esisteva già o no.

prices <- data.frame(item = c("mug", "shirt"), price = c(12.499, 21.995))

prices$price <- round(prices$price, 2)   # transform in place
print(prices)

Vale la pena fermarsi su questo punto: R non ti avvisa quando sovrascrivi una colonna. Un errore di battitura come df$prise <- round(df$price, 2) crea in silenzio una nuova colonna invece di correggere quella vecchia. Dopo una trasformazione, usa print() o str() sul data frame e conferma di aver cambiato quello che intendevi.

Eliminare una colonna

Assegna NULL per eliminarla:

df <- data.frame(a = 1:3, b = 4:6, notes = c("x", "y", "z"))

df$notes <- NULL
print(df)

La colonna non c'è più, senza cerimonie. Per eliminarne diverse, df[, c("a", "b")] (tieni quelle che elenchi) di solito è più chiaro di tanti NULL ripetuti.

Il modo dplyr: mutate()

Il verbo di dplyr per tutto quanto visto sopra è mutate(). I frammenti qui sotto sono statici, perché la sandbox esegue solo R base, ma ecco come appaiono le stesse operazioni:

library(dplyr)

orders |>
    mutate(
        total    = price * qty,
        big      = total > 50        # can use total, defined one line up
    )

Due vantaggi rispetto a R base. Primo, le colonne definite nello stesso mutate() possono riferirsi l'una all'altra, in ordine, cosa che transform() rifiuta. Secondo, gli helper condizionali sono migliori degli ifelse() annidati:

students |>
    mutate(
        grade = if_else(score >= 60, "pass", "fail"),
        band  = case_when(
            score >= 85 ~ "high",
            score >= 60 ~ "mid",
            .default    = "low"
        )
    )

if_else() è un ifelse() più severo (entrambi i rami devono essere dello stesso tipo, e questo cattura bug reali). case_when() si legge come un elenco piatto di coppie condition ~ value controllate dall'alto in basso, con .default come ripiego: il sostituto leggibile della piramide di ifelse(). Come ogni verbo di dplyr, mutate() restituisce un nuovo data frame; vedi l'introduzione a dplyr per come si concatena con il resto.

Cosa ti porti a casa

• df$new <- expression aggiunge una colonna; l'espressione viene eseguita per tutte le righe in una volta.
• ifelse(test, yes, no) costruisce colonne condizionali; un semplice if non può farlo.
• transform() aggiunge più colonne per chiamata ma non si vedono tra loro; mutate() sì.
• La stessa assegnazione sovrascrive in silenzio: controlla l'ortografia dopo una trasformazione.
• df$col <- NULL elimina una colonna; case_when() sostituisce le piramidi di ifelse() annidati.

Prossimo passo: rinominare colonne, con names(), l'idioma robusto di R base, e rename() di dplyr.