R语言 数据清理

2020-07-02  176

下面是四个重要的数据清理函数：

• gather(): 将数据从宽转换为长
• spread(): 将数据从长转换为宽
• separate(): 将一个变量分成两个
• unit(): 第二单元变量化为一

我们用tidyr库。该库属于用于操作、清理和可视化数据的库集。如果你是用anaconda安装的R，那么该库已经安装好了。库的链接：

https://anaconda.org/r/r-tidyr

如果没安装，则输入以下命令进行安装：

 install.packages("tidyr")

---

gather()

gather()函数的目标是将数据从宽数据转换为长数据。

---

语法

参数	描述
data	用于重新定义数据集的数据帧
key	创建的新列的名称
value	选择用于填充键列的列
na.rm	删除缺失值。默认情况下为FALSE

下面，我们可以可视化的概念重塑宽到长。我们希望创建一个名为growth的列，由quarter变量的行填充。

library(tidyr)
# 创建混乱的数据集
messy <- data.frame(
  country = c("A", "B", "C"),
  q1_2017 = c(0.03, 0.05, 0.01),
  q2_2017 = c(0.05, 0.07, 0.02),
  q3_2017 = c(0.04, 0.05, 0.01),
  q4_2017 = c(0.03, 0.02, 0.04))
messy

结果：

   country q1_2017 q2_2017 q3_2017 q4_2017
 1       A    0.03    0.05    0.04    0.03
 2       B    0.05    0.07    0.05    0.02
 3       C    0.01    0.02    0.01    0.04

# 重塑数据
tidier <-messy %>%
gather(quarter, growth, q1_2017:q4_2017)
tidier

结果：

    country quarter growth
 1        A q1_2017   0.03
 2        B q1_2017   0.05
 3        C q1_2017   0.01
 4        A q2_2017   0.05
 5        B q2_2017   0.07
 6        C q2_2017   0.02
 7        A q3_2017   0.04
 8        B q3_2017   0.05
 9        C q3_2017   0.01
 10       A q4_2017   0.03
 11       B q4_2017   0.02
 12       C q4_2017   0.04

在gather()函数中，我们创建了两个新的变量quarter和growth，因为原始数据集只有一个组变量:即country和键值对。

---

spread()

spread()函数的作用与gather相反。

---

语法

spread(data, key, value)

参数	描述
data	用于重新定义数据集的数据帧。
key	要重塑长到宽的列。
value	用于填充新列的行。

我们可以使用spread()将更整洁的数据集重新塑造成混乱的数据集。

# 重塑数据
messy_1 <- tidier %>%
  spread(quarter, growth) 
messy_1

   country q1_2017 q2_2017 q3_2017 q4_2017
 1       A    0.03    0.05    0.04    0.03
 2       B    0.05    0.07    0.05    0.02
 3       C    0.01    0.02    0.01    0.04

---

separate()

separate()函数的作用是：根据分隔符将列拆分为两列。这个函数在变量为日期的某些情况下很有用。我们的分析可能需要关注月和年，我们希望将列分离为两个新变量。

---

语法

参数	描述
data	用于重新定义数据集的数据帧。
col	要分割的列。
into	新变量的名称
sep	指示用于分隔变量的符号，即: "-"， "_"， "&"
remove	删除旧列。默认设置为TRUE。

通过应用separate()函数，我们可以在更整洁的数据集中将季度与年度分开。

separate_tidier <-tidier %>%
separate(quarter, c("Qrt", "year"), sep ="_")
head(separate_tidier)

   country Qrt year growth
 1       A  q1 2017   0.03
 2       B  q1 2017   0.05
 3       C  q1 2017   0.01
 4       A  q2 2017   0.05
 5       B  q2 2017   0.07
 6       C  q2 2017   0.02

---

unite()

unite()函数的作用是：将两列合并为一列。

---

语法

参数	描述
data	用于重新定义数据集的数据帧。
col	新列的名称
conc	要连接的列的名称
sep	表示将变量统一的符号。即:“-”、“_”、“&”
remove	删除旧的列。默认情况下，设置为TRUE

在上面的例子中，我们将季度与年度分开。如果我们想合并它们呢?我们使用以下代码:

unit_tidier <- separate_tidier %>%
  unite(Quarter, Qrt, year, sep ="_")
head(unit_tidier)

   country Quarter growth
 1       A q1_2017   0.03
 2       B q1_2017   0.05
 3       C q1_2017   0.01
 4       A q2_2017   0.05
 5       B q2_2017   0.07
 6       C q2_2017   0.02

---