R의 dplyr: filter, select, mutate, summarize — 실전 입문

dplyr이란 무엇인가

dplyr은 데이터 조작을 위한 R의 가장 인기 있는 패키지로, 몇 개의 동사로 만들어진 "데이터의 문법"입니다. 각 동사는 데이터 프레임을 받아 정확히 한 가지 일(행 일부 남기기, 열 추가하기, 그룹 요약 계산하기)을 하고 새 데이터 프레임을 돌려주는 함수입니다. 모든 동사가 데이터 프레임이 들어가고 데이터 프레임이 나오는 같은 모양이기 때문에, 파이프로 딱딱 맞물려 위에서 아래로 레시피처럼 읽히는 파이프라인이 됩니다. dplyr은 이 설계를 공유하는 패키지 가족(tidyr, ggplot2, readr)인 tidyverse의 핵심입니다.

dplyr이 하는 모든 것을 기본 R도 합니다. 아래는 순수 기본 R로 쓴 작은 분석입니다. 내장 mtcars 데이터를 4기통 자동차로 걸러 내고, 새 열을 계산하고, 기어 수별로 평균을 냅니다. 이것은 실행됩니다.

cars4 <- mtcars[mtcars$cyl == 4, ]
cars4$kml <- cars4$mpg * 0.425   # miles/gallon -> km/liter

result <- aggregate(kml ~ gear, data = cars4, FUN = mean)
result$kml <- round(result$kml, 1)
print(result)

동작하고, 좋은 R 코드입니다. 다만 이야기가 대괄호 인덱싱, $ 대입, 수식에 흩어져 있다는 점을 눈여겨보세요. 같은 분석의 dplyr 버전은 이렇습니다.

library(dplyr)

mtcars |>
    filter(cyl == 4) |>
    mutate(kml = mpg * 0.425) |>
    group_by(gear) |>
    summarize(avg_kml = round(mean(kml), 1))

네 개의 동사가, 여러분이 소리 내어 설명할 법한 순서대로 놓여 있습니다. 이 가독성이 세일즈 포인트 전부이며, 20단계짜리 파이프라인에서는 결정적입니다.

이 페이지의 dplyr 코드는 이 편집기가 기본 R만 실행하기 때문에 정적입니다. 실행해 보려면 아래에서 설명하는 대로 자기 컴퓨터에 dplyr을 설치하세요.

설치하고 불러오기

한 번 설치한 뒤, 그것을 쓰는 모든 스크립트에서 불러옵니다.

install.packages("dplyr")   # once, per machine
library(dplyr)              # every script

대신 install.packages("tidyverse")를 설치하면 dplyr과 형제 패키지들이 함께 딸려 옵니다. dplyr이 로드될 때 stats::filter와 stats::lag를 가린다는 경고가 나오는데, 정상이며 오류가 아닙니다.

여섯 개의 핵심 동사

모든 동사는 데이터 프레임을 첫 인자로 받고, 열 이름을 따옴표나 df$ 접두사 없이 그대로 받습니다.

filter()는 조건에 맞는 행을 남깁니다.

mtcars |> filter(mpg > 25)
mtcars |> filter(cyl == 4, hp < 70)   # comma = AND

select()는 이름, 범위, 도우미 함수로 열을 남깁니다.

mtcars |> select(mpg, cyl, hp)
mtcars |> select(mpg:hp)              # a range of adjacent columns
mtcars |> select(starts_with("d"))    # disp, drat

mutate()는 열을 추가하거나 변환합니다.

mtcars |> mutate(kml = mpg * 0.425, heavy = wt > 3.5)

arrange()는 행을 정렬합니다. 내림차순으로 하려면 열을 desc()로 감싸세요.

mtcars |> arrange(desc(mpg))

summarize()는 행들을 하나의 요약 행으로 접고, **group_by()**는 그것을 그룹별로 접게 만듭니다.

mtcars |>
    group_by(cyl) |>
    summarize(n = n(), avg_mpg = mean(mpg))

group_by()는 그 자체로는 눈에 보이는 일을 하지 않습니다. 데이터 프레임에 표시를 달아 두어 다음에 오는 summarize()(또는 mutate())가 그룹 단위로 동작하게 할 뿐이죠. 각 동사에는 이 장에 별도의 문서가 있습니다. 행 필터링, 열 추가, 정렬, 그룹 요약을 참고하세요.

파이프로 동사 잇기

파이프 |>는 앞의 값을 받아 뒤에 오는 함수의 첫 인자로 넣습니다. x |> f(y)는 f(x, y)를 뜻하죠. 모든 dplyr 동사가 데이터 프레임을 받아 데이터 프레임을 돌려주므로 동사는 끝없이 이어집니다.

mtcars |>
    filter(hp > 100) |>
    mutate(kml = mpg * 0.425) |>
    group_by(cyl) |>
    summarize(cars = n(), avg_kml = round(mean(kml), 1)) |>
    arrange(desc(avg_kml))

소리 내어 읽어 보세요. mtcars를 가져와서, 마력이 100을 넘는 차만 남기고, 리터당 킬로미터 열을 더하고, 기통 수로 묶고, 각 그룹의 개수와 평균을 내고, 평균으로 정렬합니다. 중간 변수도, 중첩도 없습니다. 오래된 코드는 |> 대신 magrittr 패키지의 %>%를 씁니다. dplyr 작업에서는 서로 바꿔 쓸 수 있으며, R 4.1 이상에 내장된 |>는 파이프 문서에서 다룹니다.

count()와 n(): 세기 도우미

세는 일이 너무 흔해서 dplyr에는 지름길이 있습니다. n()은 현재 그룹의 행 개수를 주고(summarize()나 mutate() 안에서만 유효합니다), count()는 group_by() + summarize(n = n())이라는 춤 전체를 한 번의 호출로 줄여 줍니다.

mtcars |> count(cyl)                    # rows per cyl value
mtcars |> count(cyl, gear, sort = TRUE) # two groupers, biggest first

group_by(x) |> summarize(n = n())을 쓰고 있다면 count(x)로 바꾸세요.

tibble에 대한 한마디

dplyr 동사는 종종 tibble, 즉 tidyverse가 변형한 데이터 프레임을 돌려줍니다. 그것은 데이터 프레임입니다(데이터 프레임을 받는 모든 것이 tibble도 받습니다). 다만 출력이 더 친절합니다. 처음 10행만, 화면에 들어가는 열만, 각 이름 아래 타입을 함께 보여 줍니다. 알아 둘 차이가 둘 있습니다. tibble은 행 이름을 결코 쓰지 않으며(그래서 mtcars |> as_tibble()은 차 이름을 잃습니다. tidyverse는 식별자가 실제 열에 있기를 기대합니다), 대괄호 하나 인덱싱은 때때로 벡터로 떨어지는 대신 언제나 tibble을 돌려줍니다. 어느 쪽도 일상에서 놀랄 일은 아닙니다. str()이 tbl_df라고 말해도 당황하지 마세요.

핵심 정리

• dplyr은 문법입니다. 여섯 개의 동사가 각각 데이터 프레임에 한 가지 일을 하고 파이프로 이어집니다.
• filter()는 행을, select()는 열을 고르고, mutate()는 열을 추가하며, arrange()는 정렬하고, group_by() + summarize()는 집계합니다.
• x |> f(y)는 f(x, y)입니다. 파이프라인은 일이 일어나는 순서대로 위에서 아래로 읽힙니다.
• count()와 n()이 세는 일의 대부분을 처리합니다.
• 기본 R로도 전부 할 수 있습니다. 파이프라인이 길어지면 dplyr이 가독성에서 이깁니다.

다음 순서는 필터링과 부분 선택을 깊이 다루는 것입니다. 기본 R의 대괄호 관용구와 dplyr의 filter()가 어디에 자리 잡는지 살펴봅니다.