Ramki danych w R: data frame, podgląd i dostęp do kolumn

Ramka danych to lista kolumn

Ramka danych (data frame) to tabela w R: wiersze to obserwacje, kolumny to zmienne. To arkusz kalkulacyjny R i kształt, w jakim przychodzą praktycznie wszystkie prawdziwe dane: jeden wiersz na osobę, pomiar czy transakcję; jedna kolumna na cechę.

Pod względem struktury ramka danych to lista wektorów równej długości z nałożonym zachowaniem wierszy i kolumn. Ten jeden fakt wyjaśnia większość jej zasad: każda kolumna ma jeden typ (bo jest wektorem), różne kolumny mogą mieć różne typy (bo to lista), a wszystkie kolumny muszą mieć tę samą długość (to właśnie część "ramka").

Tworzysz ją, przekazując nazwane wektory do data.frame():

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26),
  active = c(TRUE, FALSE, TRUE)
)

print(people)

Tekst, liczby i wartości logiczne obok siebie, czyli mieszanka, której macierz nie pomieści. W praktyce rzadko wpisuje się dane ręcznie w ten sposób; tabele zwykle przychodzą przez read.csv albo z bazy danych. Wszystko poniżej działa jednak identycznie, niezależnie od tego, skąd pochodzi ramka danych.

Pierwszy rzut oka na ramkę danych

Nigdy nie licz na zbiorze danych, którego nie obejrzysz. Narzędzia R do podglądu są krótkie i warto używać ich odruchowo:

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26),
  active = c(TRUE, FALSE, TRUE)
)

str(people)
print(nrow(people))
print(ncol(people))
print(names(people))
summary(people)

• str() uruchamiaj jako pierwsze na każdych świeżo wczytanych danych: jeden wiersz na kolumnę z jej typem i pierwszymi wartościami. To tutaj wyłapiesz kolumnę "liczb", która przez jeden zabłąkany wpis wczytała się jako tekst.
• nrow() / ncol() podają wymiary; names() wypisuje nazwy kolumn.
• summary() daje statystyki dla każdej kolumny: min/medianę/średnią/max dla liczb, liczebności dla wartości logicznych i czynników.
• head(df) i tail(df) wypisują pierwsze i ostatnie sześć wierszy, co jest niezbędne, gdy prawdziwe zbiory danych robią się za duże, żeby wypisać je w całości. head() zobaczysz w działaniu poniżej na wbudowanym zbiorze danych.

Trzy sposoby na pobranie kolumny

Dostęp do kolumn to podstawowa operacja, a R daje trzy zapisy:

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26)
)

print(people$age)
print(people[["age"]])
print(people[, "age"])

print(class(people["age"]))

• people$age: forma codzienna, krótka, czytelna i podpowiadana w większości edytorów.
• people[["age"]]: identyczny wynik, ale nazwa może pochodzić ze zmiennej (col <- "age"; people[[col]]), czego $ nie potrafi. Wybieraj ją wewnątrz funkcji.
• people[, "age"]: styl macierzowy, wiersze przed przecinkiem (puste = wszystkie), kolumny po nim.

Wszystkie trzy zwracają kolumnę jako zwykły wektor, gotowy do mean(people$age). Czwarty zapis we fragmencie to pułapka: people["age"] z pojedynczymi nawiasami zwraca jednokolumnową ramkę danych, a nie wektor. To ta sama różnica między [ a [[ co w listach, bo ramka danych jest listą. Jeśli funkcja matematyczna narzeka, że dane wejściowe nie są liczbowe, sprawdź nawiasy.

Wiersze i komórki

Zapis [row, column] sięga do dowolnego wycinka tabeli:

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26)
)

print(people[2, ])
print(people[2, "name"])
print(people[c(1, 3), ])

print(people[people$age > 28, ])

people[2, ] to cały drugi wiersz (jako jednowierszowa ramka danych; wiersze zachowują ramkę, bo mieszają typy). people[2, "name"] to pojedyncza komórka. Wektor numerów wierszy pobiera kilka wierszy.

Najważniejsza jest ostatnia linia: warunek logiczny na kolumnie wybiera wiersze, tutaj wszystkie osoby powyżej 28 lat. Ten wzorzec maskowania wierszy to podstawa każdego filtrowania danych w R i zasługuje na osobny artykuł: pełne omówienie, łącznie z subset() i filtrami z wieloma warunkami, znajdziesz w filtrowaniu i wybieraniu podzbiorów.

Dodawanie i usuwanie kolumn

Ponieważ ramka danych to lista kolumn, kolumny dodaje się i usuwa zwykłym przypisaniem:

people <- data.frame(
  name = c("Rosa", "Ken", "Mia"),
  age = c(30, 41, 26)
)

people$score <- c(88, 75, 93)
people$age_months <- people$age * 12
print(people)

people$age_months <- NULL
print(names(people))

Przypisanie do nowej nazwy dodaje kolumnę; wektor musi pasować do nrow() (albo mieć długość 1, wtedy jest powielany do każdego wiersza). Drugie dodanie pokazuje typowy ruch: nowe kolumny obliczane z istniejących przez wektorowe operacje na całej kolumnie naraz. Przypisanie NULL całkowicie usuwa kolumnę.

W ten sam sposób nadpiszesz wartości kolumny: people$age <- people$age + 1 postarza wszystkich o rok.

Wbudowane zbiory danych i słowo o tibble

R ma wczytane zbiory danych do ćwiczeń, więc wszystko powyżej wypróbujesz bez importowania czegokolwiek. Dwa, które spotkasz w każdym tutorialu, to mtcars (32 samochody, 11 zmiennych liczbowych) i iris (150 kwiatów, 4 pomiary i czynnik z gatunkiem):

print(head(mtcars))
print(nrow(mtcars))
print(names(iris))
print(mean(mtcars$mpg))

Tutaj head() pokazuje swoją wartość: sześć wierszy mówi, jak wyglądają dane, bez zalewania ekranu. Te zbiory to idealne miejsca do eksperymentów: gdy nie wiesz, jak zachowuje się jakaś funkcja, sprawdź ją na mtcars, zanim użyjesz jej na własnych danych.

Jeden termin, który spotkasz, gdy tylko dotkniesz tidyverse: tibble, czyli wersja ramki danych z tidyverse. Ta sama idea, grzeczniejsze zachowanie: wypisywanie pokazuje tylko pierwsze dziesięć wierszy z typami kolumn i nie ma częściowego dopasowywania nazw. Tworzy się ją przez tibble() albo dostaje z funkcji readr/dplyr:

library(tibble)
tibble(name = c("Rosa", "Ken"), age = c(30, 41))
#> # A tibble: 2 x 2
#>   name    age
#>   <chr> <dbl>
#> 1 Rosa     30
#> 2 Ken      41

Wszystko w tym artykule ($, str(), dodawanie kolumn, logiczne maski wierszy) działa na tibble bez zmian. Tibble jest ramką danych z dodatkowym szlifem; kto zna ramki danych, zna oba.

Co warto zapamiętać

• Ramka danych to lista kolumn równej długości: jeden typ na kolumnę, różne typy w całej tabeli. To arkusz kalkulacyjny R.
• Najpierw obejrzyj, potem licz: najpierw str(), potem head(), summary(), nrow()/ncol()/names().
• df$col, df[["col"]] i df[, "col"] zwracają kolumnę jako wektor; pojedyncze nawiasy df["col"] zwracają ramkę danych.
• df[rows, cols] wycina wszystko; logiczna maska przed przecinkiem filtruje wiersze.
• Kolumny dodajesz przypisaniem (często obliczając je z innych kolumn), usuwasz przez NULL; ćwicz na mtcars.

Dalej: brakujące wartości, czyli co znaczy NA, dlaczego rozprzestrzenia się w obliczeniach i jak sobie z nim radzić.