Введение в упорядочивание данных с помощью tidyr

Пакет tidyr помогает организовать неструктурированные данные в структурированный формат.

Изменение формы данных: из широкого формата в длинный

Используйте pivot_longer(), чтобы преобразовать данные из широкого формата в длинный.

library(tidyr)
data <- data.frame(Name = c('Alice', 'Bob'), Jan = c(10, 15), Feb = c(20, 25))
data_long <- pivot_longer(data, cols = c('Jan', 'Feb'), names_to = 'Month', values_to = 'Score')

Изменение формы данных: из длинного формата в широкий

Используйте pivot_wider(), чтобы преобразовать данные из длинного формата в широкий.

data_wide <- pivot_wider(data_long, names_from = 'Month', values_from = 'Score')

Разделение столбцов

Функция separate() разделяет один столбец на несколько столбцов.

data <- data.frame(Name = c('Alice_Smith', 'Bob_Jones'))
data_separated <- separate(data, Name, into = c('FirstName', 'LastName'), sep = '_')

Объединение столбцов

Функция unite() объединяет несколько столбцов в один.

data_united <- unite(data_separated, FullName, FirstName, LastName, sep = ' ')

Обработка пропущенных значений

Используйте drop_na(), чтобы удалить пропущенные значения из набора данных.

library(dplyr)
data_clean <- data %>% drop_na()

Замена пропущенных значений

Используйте replace_na(), чтобы заменить пропущенные значения определённым значением.

data_filled <- data %>% mutate(Score = replace_na(Score, 0))

Объединение нескольких функций tidyr

Вы можете использовать pivot_longer(), separate() и unite() вместе для полного упорядочивания данных.

data_tidy <- data %>% pivot_longer(cols = c('Jan', 'Feb'), names_to = 'Month', values_to = 'Score') %>% separate(Name, into = c('FirstName', 'LastName'), sep = '_') %>% unite(FullName, FirstName, LastName, sep = ' ')

Итоги

В этом уроке Вы узнали:

• Как изменять форму данных с помощью pivot_longer() и pivot_wider().
• Как разделять и объединять столбцы для структурирования данных.
• Как обрабатывать пропущенные значения с помощью drop_na() и replace_na().