tidyr ile Verileri Düzenlemeye Giriş

tidyr paketi, karmaşık verileri yapılandırılmış bir biçimde düzenlemenize yardımcı olur.

Verileri Döndürme: Geniş Biçimden Uzun Biçime

Geniş biçimli verileri uzun biçime dönüştürmek için pivot_longer() işlevini kullanın.

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')

Verileri Döndürme: Uzun Biçimden Geniş Biçime

Uzun biçimli verileri geniş biçime dönüştürmek için pivot_wider() işlevini kullanın.

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

Sütunları Ayırma

separate() işlevi bir sütunu birden çok sütuna böler.

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

Sütunları Birleştirme

unite() işlevi birden çok sütunu tek bir sütunda birleştirir.

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

Eksik Değerleri Ele Alma

Bir veri kümesindeki eksik değerleri kaldırmak için drop_na() işlevini kullanın.

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

Eksik Değerleri Değiştirme

Eksik değerleri belirli bir değerle doldurmak için replace_na() işlevini kullanın.

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

Birden Çok tidyr İşlevini Birleştirme

Verileri tamamen düzenlemek için pivot_longer(), separate() ve unite() işlevlerini birlikte kullanabilirsiniz.

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 = ' ')

Özet

Bu derste şunları öğrendiniz:

• pivot_longer() ve pivot_wider() kullanarak verileri nasıl yeniden şekillendireceğinizi.
• Yapılandırılmış veriler için sütunları nasıl ayıracağınızı ve birleştireceğinizi.
• drop_na() ve replace_na() kullanarak eksik değerleri nasıl ele alacağınızı.