Reestruturação de Dados no R

Mergulhar data frames

Uso do merge de data frames em R merge() função.

A sintaxe da função merge() é a seguinte:

#　S3　Método
merge(x, y, …)
#　data.frame　do　S3　Método　
merge(x, y, by = intersect(names(x), names(y)),
　　　　　　by.x = by, by.y = by, all = FALSE, all.x = all, all.y = all,
　　　　　　sort = TRUE, suffixes = c(".x",".y"), no.dups = TRUE,
　　　　　　incomparables = NULL, …)

Descrição dos parâmetros comuns:

• x, y: data frames

• by, by.x, by.y: especifica o nome da coluna de correspondência em dois data frames, pelo padrão usa o nome da coluna da mesma em ambos os data frames.

• all: valor lógico; all = L é a abreviação de all.x = L e all.y = L, L pode ser TRUE ou FALSE.

• all.x: valor lógico, o padrão é FALSE. Se TRUE, mostra as linhas correspondentes em x, mesmo que não haja correspondência correspondente em y, as linhas não correspondentes em y são representadas por NA.

• all.y: valor lógico, o padrão é FALSE. Se TRUE, mostra as linhas correspondentes em y, mesmo que não haja correspondência correspondente em x, as linhas não correspondentes em x são representadas por NA.

• sort: valor lógico, indica se a coluna deve ser ordenada.

A função merge() é muito semelhante à função JOIN do SQL:

• Natural join ou INNER JOIN: Se houver pelo menos uma correspondência na tabela, retorna as linhas

• Left outer join ou LEFT JOIN: Mesmo que não haja correspondência na tabela direita, retorna todas as linhas da tabela esquerda

• Right outer join ou RIGHT JOIN: Mesmo que não haja correspondência na tabela esquerda, retorna todas as linhas da tabela direita

• Full outer join ou FULL JOINSe houver correspondência em qualquer uma das tabelas, retorna as linhas

# data frame　1
df1　= data.frame(SiteId = c(1:6),　Site　=　c("Google","w3codebox","Taobao","Facebook","Zhihu","Weibo"))
# data frame　2
df2　= data.frame(SiteId = c(2,　4,　6,　7,　8), Country = c("CN","USA","CN","USA","IN")　
# INNER JOIN　
df1　= merge(x=df1,y=df2,by="SiteId")
print("-----　INNER JOIN　-----)

print(df1)
# FULL JOIN
df2　= merge(x=df1,y=df2,by="SiteId",all=TRUE)
print("-----　FULL JOIN　-----)

print(df2)
# LEFT JOIN
df3　= merge(x=df1,y=df2,by="SiteId",all.x=TRUE)
print("-----　LEFT JOIN　-----)

print(df3)
# RIGHT JOIN
df4　= merge(x=df1,y=df2,by="SiteId",all.y=TRUE)
print("-----　RIGHT JOIN　-----)

print(df4)

O resultado da execução do código acima é:

[1] "-----　INNER JOIN　-----"
　　SiteId　　Site　　Country
1　　　　　　2　　　w3codebox　　CN
2　　　　　　4　Facebook　　USA
3　　　　　　6　　　　Weibo　　CN
[1] "-----　FULL JOIN　-----"
　　SiteId　　Site　　Country.x　　Country.y
1　　　　　　2　　　w3codebox　　CN　　CN
2　　　　　　4　Facebook　　USA　　USA
3　　　　　　6　　　　Weibo　　CN　　CN
4　　　　　　7　　　　　<NA>　　<NA>　　<NA>　　USA
5　　　　　　8　　　　　<NA>　　<NA>　　<NA>　　IN
[1] "-----　LEFT JOIN　-----"
　　SiteId　　Site.x　　Country　　Site.y　　Country.x　　Country.y
1　　　　　　2　　　w3codebox　　CN　　w3codebox　　CN　　CN
2　　　　　　4　Facebook　　USA　　Facebook　　USA　　USA
3　　　　　　6　　　　Weibo　　CN　　Weibo　　CN　　CN
[1] "-----　RIGHT JOIN　-----"
　　SiteId　　Site.x　　Country　　Site.y　　Country.x　　Country.y
1　　　　　　2　　　w3codebox　　CN　　w3codebox　　CN　　CN
2　　　　　　4　Facebook　　USA　　Facebook　　USA　　USA
3　　　　　　6　　　　Weibo　　CN　　Weibo　　CN　　CN
4　　　　　　7　　　　　<NA>　　<NA>　　<NA>　　<NA>　　<NA>　　USA
5　　　　　　8　　　　　<NA>　　<NA>　　<NA>　　<NA>　　<NA>　　<NA>　　IN

integração e divisão de dados

usado no R melt() e cast() funções para integrar e dividir dados.

• melt() : transforma dados em formato largo para formato longo.

• cast() : transforma dados em formato longo para formato largo.

A figura a seguir ilustra bem as funções melt() e cast() (exemplos detalhados virão mais tarde):

melt() empilha cada coluna do conjunto de dados em uma coluna, a sintaxe da função é:

melt() empilha cada coluna do conjunto de dados em uma coluna, a sintaxe da função é:

Descrição dos parâmetros:

• melt(data, ..., na.rm = FALSE, value.name = "value")

• data: conjunto de dados.

• ...: Parâmetros passados para outros métodos ou parâmetros recebidos de outros métodos.

• na.rm: remover valores NA do conjunto de dados.

value.name: nome da variável, usado para armazenar valores.

# Instale as bibliotecas necessárias antes de realizar as seguintes operações
install.packages("MASS", repos = "https://mirrors.ustc.edu.cn/CRAN/)
　
　　
# melt() e cast() precisam de bibliotecas　
install.packages("reshape2", repos = "https://mirrors.ustc.edu.cn/CRAN/)
　
install.packages("reshape", repos = "https://mirrors.ustc.edu.cn/CRAN/)

Exemplo de teste:

#　Carregar bibliotecas
library(MASS)　
library(reshape2)　
library(reshape)　
　　
#　Criar data frame
id<-　c(1,　1,　2,　2)　
time　<-　c(1,　2,　1,　2)　
x1　<-　c(5,　3,　6,　2)　
x2　<-　c(6,　5,　1,　4)　
mydata　<-　data.frame(id,　time,　x1,　x2)　
　　
# Caixa de dados original
cat("Caixa de dados original:\n")　
print(mydata)　
#　Integração
md　<-　melt(mydata,　id　=　c("id","time"))　
　　
cat("\nIntegração:\n")　
print(md)

O resultado da execução do código acima é:

Caixa de dados original:
id　time　x1　x2
1　　1　　　　1　　5　　6
2　　1　　　　2　　3　　5
3　　2　　　　1　　6　　1
4　　2　　　　2　　2　　4
Integração:
id time variable value
1　　1　　　　1　　　　　　　x1　　　　　5
2　　1　　　　2　　　　　　　x1　　　　　3
3　　2　　　　1　　　　　　　x1　　　　　6
4　　2　　　　2　　　　　　　x1　　　　　2
5　　1　　　　1　　　　　　　x2　　　　　6
6　　1　　　　2　　　　　　　x2　　　　　5
7　　2　　　　1　　　　　　　x2　　　　　1
8　　2　　　　2　　　　　　　x2　　　　　4

A função cast é usada para restaurar dados combinados, dcast() retorna uma caixa de dados, acast() retorna um vetor/Matriz/Array.

Sintaxe do formato da função cast():

dcast(
　　data,
　　formula,
　　fun.aggregate = NULL,
　　...
　　margins = NULL,
　　subset = NULL,
　　fill = NULL,
　　drop = TRUE,
　　value.var = guess_value(data)
)
acast(
　　data,
　　formula,
　　fun.aggregate = NULL,
　　...
　　margins = NULL,
　　subset = NULL,
　　fill = NULL,
　　drop = TRUE,
　　value.var = guess_value(data)
)

Descrição dos parâmetros:

• data: Caixa de dados combinada.

• formula: Formato de dados重塑ados, semelhante a x ~ y, x como rótulo de linha, y como rótulo de coluna.

• fun.aggregate: Função de agregação, usada para processar valores.

• margins: Vetor de nomes de variáveis (pode incluir "grand\_col" e "grand\_row"), usado para calcular margens, configura TURE para calcular todas as margens.

• subset: Filtros condicionais para os resultados, formato semelhante subset = .(variable=="length")。

• drop：Se manter o valor padrão.

• value.var：Seguido pelo campo a ser tratado.

#　Carregar bibliotecas
library(MASS)　
library(reshape2)　
library(reshape)　
　　
#　Criar data frame
id<-　c(1,　1,　2,　2)　
time　<-　c(1,　2,　1,　2)　
x1　<-　c(5,　3,　6,　2)　
x2　<-　c(6,　5,　1,　4)　
mydata　<-　data.frame(id,　time,　x1,　x2)　
#　Integração
md　<-　melt(mydata,　id　=　c("id","time"))　
#　Imprimir conjunto de dados recastado usando função cast()　
cast.data　<-　cast(md,　id~variable,　mean)　
　　
print(cast.data)　
　　
cat("\n")　
time.cast　<-　cast(md,　time~variable,　mean)　
print(time.cast)　
cat("\n")　
id.time　<-　cast(md,　id~time,　mean)　
print(id.time)　
cat("\n")　
id.time.cast　<-　cast(md,　id+time~variable)　
print(id.time.cast)　
cat("\n")　
id.variable.time　<-　cast(md,　id+variable~time)　
print(id.variable.time)　
cat("\n")　
id.variable.time2　<-　cast(md,　id~variable+time)　
print(id.variable.time2)

O resultado da execução do código acima é:

id　x1　　x2
1　　1　　4　5.5
2　　2　　4　2.5
　　time　　x1　　x2
1　　　　1　5.5　3.5
2　　　　2　2.5　4.5
　　id　　　1　2
1　　1　5.5　4
2　　2　3.5　3
　　id　time　x1　x2
1　　1　　　　1　　5　　6
2　　1　　　　2　　3　　5
3　　2　　　　1　　6　　1
4　　2　　　　2　　2　　4
　　id　variable　1　2
1　　1　　　　　　　x1　5　3
2　　1　　　　　　　x2　6　5
3　　2　　　　　　　x1　6　2
4　　2　　　　　　　x2　1　4
　　id　x1_1　x1_2　x2_1　x2_2
1　　1　　　　5　　　　3　　　　6　　　　5
2　　2　　　　6　　　　2　　　　1　　　　4