Jak vytvořit DataFrame v R pro uchování dat organizovaným způsobem

autor:
Tweet
Share
Share
Pin

DataFrames jsou základní datovou strukturou v R, která nabízí strukturu, všestrannost a nástroje nezbytné pro analýzu dat a manipulaci s nimi. Jejich význam se rozšiřuje do různých oblastí, včetně statistiky, datové vědy a rozhodování založeného na datech napříč odvětvími.

DataFrames poskytují strukturu a organizaci potřebnou k odemykání přehledů a přijímání rozhodnutí na základě dat systematickým a efektivním způsobem.

DataFrames v R je strukturován jako tabulky s řádky a sloupci. Každý řádek představuje pozorování a každý sloupec představuje proměnnou. Tato struktura usnadňuje organizaci a práci s daty. DataFrames mohou obsahovat různé typy dat, včetně čísel, textu a dat, díky čemuž jsou univerzální.

V tomto článku vysvětlím důležitost datových rámců a proberu jejich vytváření pomocí funkce data.frame().

Kromě toho prozkoumáme metody pro manipulaci s daty a probereme, jak vytvářet ze souborů CSV a Excel, převádět jiné datové struktury na datové rámce a využívat knihovnu tibble.

Zde je několik klíčových důvodů, proč jsou DataFrames zásadní v R:

Význam datových rámců

  • Ukládání strukturovaných dat: DataFrames poskytují strukturovaný a tabulkový způsob ukládání dat, podobně jako tabulkový procesor. Tento strukturovaný formát zjednodušuje správu a organizaci dat.
  • Smíšené datové typy: DataFrames mohou pojmout různé datové typy ve stejné struktuře. Můžete mít sloupce s číselnými hodnotami, znakovými řetězci, faktory, daty a dalšími. Tato všestrannost je nezbytná při práci s reálnými daty.
  • Organizace dat: Každý sloupec v DataFrame představuje proměnnou, zatímco každý řádek představuje pozorování nebo případ. Toto strukturované uspořádání usnadňuje pochopení organizace dat a zlepšuje přehlednost dat.
  • Import a export dat: DataFrames podporují snadný import a export dat z různých formátů souborů, jako je CSV, Excel a databáze. Tato funkce zefektivňuje proces práce s externími datovými zdroji.
  • Interoperabilita: DataFrames jsou široce podporovány balíčky a funkcemi R, což zajišťuje kompatibilitu s dalšími nástroji a knihovnami pro statistickou a datovou analýzu. Tato interoperabilita umožňuje bezproblémovou integraci do R ekosystému.
  • Data Manipulation: R nabízí bohatý ekosystém balíčků, přičemž „dplyr“ je výjimečným příkladem. Tyto balíčky usnadňují filtrování, transformaci a sumarizaci dat pomocí DataFrames. Tato schopnost je zásadní pro čištění a přípravu dat.
  • Statistická analýza: DataFrames jsou standardní datový formát pro mnoho statistických funkcí a funkcí pro analýzu dat v R. Pomocí DataFrames můžete efektivně provádět regresi, testování hypotéz a mnoho dalších statistických analýz.
  • Vizualizace: Balíčky vizualizace dat od R, jako je ggplot2, bezproblémově fungují s DataFrames. Díky tomu je snadné vytvářet informativní tabulky a grafy pro průzkum dat a komunikaci.
  • Průzkum dat: DataFrames usnadňují průzkum dat prostřednictvím souhrnných statistik, vizualizací a dalších analytických metod. To pomáhá analytikům a datovým vědcům porozumět charakteristikám dat a odhalit vzory nebo odlehlé hodnoty.

Jak vytvořit DataFrame v R

Existuje několik způsobů, jak vytvořit DataFrame v R. Zde jsou některé z nejběžnějších metod:

#1. Použití funkce data.frame().

# Load the necessary library if not already loaded
if (!require("dplyr")) {
  install.packages("dplyr")
  library(dplyr)
}

# install.packages("dplyr")
library(dplyr)

# Set a seed for reproducibility
set.seed(42)

# Create a sample sales DataFrame with real product names
sales_data <- data.frame(
  OrderID = 1001:1010,
  Product = c("Laptop", "Smartphone", "Tablet", "Headphones", "Camera", "TV", "Printer", "Washing Machine", "Refrigerator", "Microwave Oven"),
  Quantity = sample(1:10, 10, replace = TRUE),
  Price = round(runif(10, 100, 2000), 2),
  Discount = round(runif(10, 0, 0.3), 2),
  Date = sample(seq(as.Date('2023-01-01'), as.Date('2023-01-10'), by="days"), 10)
)

# Display the sales DataFrame
print(sales_data)

Pojďme pochopit, co náš kód udělá:

  • Nejprve zkontroluje, zda je v prostředí R dostupná knihovna „dplyr“.
  • Pokud „dplyr“ není k dispozici, nainstaluje a načte knihovnu.
  • Poté nastaví náhodné semeno pro reprodukovatelnost.
  • Dále vytvoří vzorový prodejní DataFrame s našimi vyplněnými daty.
  • Nakonec zobrazí prodejní DataFrame v konzole pro prohlížení.

    • Sales_dataframe

    Toto je jeden z nejjednodušších způsobů, jak vytvořit DataFrame v R. Prozkoumáme také, jak extrahovat, přidávat, mazat a vybírat konkrétní sloupce nebo řádky a také jak sumarizovat data.

    Extrahovat sloupce

    Existují dva způsoby, jak extrahovat potřebné sloupce z našeho datového rámce:

    • Chcete-li načíst poslední tři sloupce DataFrame v R, můžete použít indexování.
    • Sloupce můžete extrahovat z DataFrame pomocí operátoru $, pokud chcete přistupovat k jednotlivým sloupcům podle názvu.

    Uvidíme oba společně, abychom ušetřili čas:

    # Extract the last three columns (Discount, Price, and Date) from the sales_data DataFrame
last_three_columns <- sales_data[, c("Discount", "Price", "Date")]

# Display the extracted columns
print(last_three_columns)

############################################# OR #########################################################

# Extract the last three columns (Discount, Price, and Date) using the $ operator
discount_column <- sales_data$Discount
price_column <- sales_data$Price
date_column <- sales_data$Date

# Create a new DataFrame with the extracted columns
last_three_columns <- data.frame(Discount = discount_column, Price = price_column, Date = date_column)

# Display the extracted columns
print(last_three_columns)

    Pomocí kteréhokoli z těchto kódů můžete extrahovat potřebné sloupce.

    Řádky z DataFrame v R můžete extrahovat různými metodami. Zde je jednoduchý způsob, jak to udělat:

    # Extract specific rows (rows 3, 6, and 9) from the last_three_columns DataFrame
selected_rows <- last_three_columns[c(3, 6, 9), ]

# Display the selected rows
print(selected_rows)

    Můžete také použít zadané podmínky:

    # Extract and arrange rows that meet the specified conditions
selected_rows <- sales_data %>%
  filter(Discount < 0.3, Price > 100, format(Date, "%Y-%m") == "2023-01") %>%
  arrange(OrderID) %>%
  select(Discount, Price, Date)

# Display the selected rows
print(selected_rows)

    Extrahované řádky

    Přidat nový řádek

    Chcete-li přidat nový řádek do existujícího DataFrame v R, můžete použít funkci rbind():

    # Create a new row as a data frame
new_row <- data.frame(
  OrderID = 1011,
  Product = "Coffee Maker",
  Quantity = 2,
  Price = 75.99,
  Discount = 0.1,
  Date = as.Date("2023-01-12")
)

# Use the rbind() function to add the new row to the DataFrame
sales_data <- rbind(sales_data, new_row)

# Display the updated DataFrame
print(sales_data)

    Přidán nový řádek

    Přidat nový sloupec

    Pomocí jednoduchého kódu můžete do svého DataFrame přidat sloupce. Zde chci ke svým údajům přidat sloupec Způsob platby.

    # Create a new column "PaymentMethod" with values for each row
sales_data$PaymentMethod <- c("Credit Card", "PayPal", "Cash", "Credit Card", "Cash", "PayPal", "Cash", "Credit Card", "Credit Card", "Cash", "Credit Card")
# Display the updated DataFrame
print(sales_data)

    Sloupec přidán do datového rámce

    Smazat řádky

    Pokud chcete odstranit nepotřebné řádky, může být užitečná tato metoda:

    # Identify the row to be deleted by its OrderID
row_to_delete <- sales_data$OrderID == 1010

# Use the identified row to exclude it and create a new DataFrame
sales_data <- sales_data[!row_to_delete, ]

# Display the updated DataFrame without the deleted row
print(sales_data)

    Smazat sloupce

    Pomocí balíčku dplyr můžete odstranit sloupec z DataFrame v R.

    # install.packages("dplyr")
library(dplyr)

# Remove the "Discount" column using the select() function
sales_data <- sales_data %>% select(-Discount)

# Display the updated DataFrame without the "Discount" column
print(sales_data)

    Získat souhrn

    Chcete-li získat souhrn vašich dat v R, můžete použít funkci Summary(). Tato funkce poskytuje rychlý přehled o centrálních tendencích a rozložení číselných proměnných ve vašich datech.

    # Obtain a summary of the data
data_summary <- summary(sales_data)

# Display the summary
print(data_summary)

    Toto je několik kroků, které můžete provést při manipulaci s daty v rámci DataFrame.

    Přejděme k druhému způsobu vytvoření DataFrame.

    #2. Vytvořte R DataFrame ze souboru CSV

    Chcete-li vytvořit R DataFrame ze souboru CSV, můžete použít read.csv()

    # Read the CSV file into a DataFrame
df <- read.csv("my_data.csv")

# View the first few rows of the DataFrame
head(df)

    Tato funkce čte data ze souboru CSV a převádí je. S daty v R pak můžete pracovat podle potřeby.

    # Install and load the readr package if not already installed
if (!requireNamespace("readr", quietly = TRUE)) {
  install.packages("readr")
}
library(readr)

# Read the CSV file into a DataFrame
df <- read_csv("data.csv")

# View the first few rows of the DataFrame
head(df)

    můžete použít balíček readr ke čtení souboru CSV v R. K tomuto účelu se běžně používá funkce read_csv() z balíčku readr. Je to rychlejší než běžná metoda.

    #3. Použití funkce as.data.frame().

    DataFrame v R můžete vytvořit pomocí funkce as.data.frame(). Tato funkce vám umožňuje převést další datové struktury, jako jsou matice nebo seznamy, do DataFrame.

    Postup použití:

    # Create a nested list to represent the data
data_list <- list(
  OrderID = 1001:1011,
  Product = c("Laptop", "Smartphone", "Tablet", "Headphones", "Camera", "TV", "Printer", "Washing Machine", "Refrigerator", "Microwave Oven", "Coffee Maker"),
  Quantity = c(1, 5, 1, 9, 10, 4, 2, 10, 1, 8, 2),
  Price = c(1875.88, 585.31, 978.36, 1886.03, 1958.63, 323.23, 1002.49, 1164.63, 1817.66, 363.55, 75.99),
  Discount = c(0.3, 0.28, 0.02, 0.15, 0.12, 0.27, 0.13, 0.25, 0.22, 0.24, 0.1),
  Date = as.Date(c("2023-01-08", "2023-01-03", "2023-01-02", "2023-01-01", "2023-01-10", "2023-01-09", "2023-01-05", "2023-01-06", "2023-01-04", "2023-01-07", "2023-01-12")),
  PaymentMethod = c("Credit Card", "PayPal", "Cash", "Credit Card", "Cash", "PayPal", "Cash", "Credit Card", "Credit Card", "Cash", "Credit Card")
)

# Convert the nested list to a DataFrame
sales_data <- as.data.frame(data_list)

# Display the DataFrame
print(sales_data)

    Prodejní_data

    Tato metoda vám umožňuje vytvořit DataFrame bez zadávání každého sloupce jeden po druhém a je zvláště užitečná, když máte velké množství dat.

    #4. Z existujícího datového rámce

    Chcete-li vytvořit nový DataFrame výběrem konkrétních sloupců nebo řádků z existujícího DataFrame v R, můžete použít hranaté závorky [] pro indexování. Funguje to takto:

    # Select rows and columns
sales_subset <- sales_data[c(1, 3, 4), c("Product", "Quantity")]

# Display the selected subset
print(sales_subset)

    V tomto kódu vytváříme nový DataFrame s názvem sales_subset, který obsahuje konkrétní řádky (1, 3 a 4) a konkrétní sloupce („Produkt“ a „Množství“) z sales_data.

    Můžete upravit indexy a názvy řádků a sloupců a vybrat data, která potřebujete.

    Prodej_Podmnožina

    #5. Z Vector

    Vektor je jednorozměrná datová struktura v R, která se skládá z prvků stejného datového typu, včetně logických, celočíselných, dvojitých, znakových, komplexních nebo nezpracovaných.

    Na druhou stranu R DataFrame je dvourozměrná struktura navržená pro ukládání dat v tabulkovém formátu s řádky a sloupci. Existují různé metody, jak vytvořit R DataFrame z vektoru, a jeden takový příklad je uveden níže.

    # Create vectors for each column
OrderID <- 1001:1011
Product <- c("Laptop", "Smartphone", "Tablet", "Headphones", "Camera", "TV", "Printer", "Washing Machine", "Refrigerator", "Microwave Oven", "Coffee Maker")
Quantity <- c(1, 5, 1, 9, 10, 4, 2, 10, 1, 8, 2)
Price <- c(1875.88, 585.31, 978.36, 1886.03, 1958.63, 323.23, 1002.49, 1164.63, 1817.66, 363.55, 75.99)
Discount <- c(0.3, 0.28, 0.02, 0.15, 0.12, 0.27, 0.13, 0.25, 0.22, 0.24, 0.1)
Date <- as.Date(c("2023-01-08", "2023-01-03", "2023-01-02", "2023-01-01", "2023-01-10", "2023-01-09", "2023-01-05", "2023-01-06", "2023-01-04", "2023-01-07", "2023-01-12"))
PaymentMethod <- c("Credit Card", "PayPal", "Cash", "Credit Card", "Cash", "PayPal", "Cash", "Credit Card", "Credit Card", "Cash", "Credit Card")

# Create the DataFrame using data.frame()
sales_data <- data.frame(
  OrderID = OrderID,
  Product = Product,
  Quantity = Quantity,
  Price = Price,
  Discount = Discount,
  Date = Date,
  PaymentMethod = PaymentMethod
)

# Display the DataFrame
print(sales_data)

    V tomto kódu vytvoříme samostatné vektory pro každý sloupec a poté pomocí funkce data.frame() tyto vektory zkombinujeme do DataFrame s názvem sales_data.

    To vám umožní vytvořit strukturovaný tabulkový datový rámec z jednotlivých vektorů v R.

    #6. Ze souboru Excel

    Chcete-li vytvořit DataFrame importem souboru Excel v R, můžete použít balíčky třetích stran, jako je readxl, protože základní R nenabízí nativní podporu pro čtení souborů CSV. Jednou z takových funkcí pro čtení souborů aplikace Excel je read_excel().

    # Load the readxl library
library(readxl)

# Define the file path to the Excel file
excel_file_path <- "your_file.xlsx"  # Replace with the actual file path

# Read the Excel file and create a DataFrame
data_frame_from_excel <- read_excel(excel_file_path)

# Display the DataFrame
print(data_frame_from_excel)

    Tento kód načte soubor Excel a uloží jeho data do R DataFrame, což vám umožní pracovat s daty v prostředí R.

    #7. Z textového souboru

    K importu textového souboru do DataFrame můžete použít funkci read.table() v R. Tato funkce vyžaduje dva základní parametry: název souboru, který chcete číst, a oddělovač, který určuje, jak jsou pole v souboru oddělena.

    # Define the file name and delimiter
file_name <- "your_text_file.txt"  # Replace with the actual file name
delimiter <- "\t"  # Replace with the actual delimiter (e.g., "\t" for tab-separated, "," for CSV)

# Use the read.table() function to create a DataFrame
data_frame_from_text <- read.table(file_name, header = TRUE, sep = delimiter)

# Display the DataFrame
print(data_frame_from_text)

    Tento kód přečte textový soubor a vytvoří jej v R, čímž jej zpřístupní pro analýzu dat ve vašem prostředí R.

    #8. Pomocí Tibble

    Chcete-li jej vytvořit pomocí poskytnutých vektorů a využít knihovnu tidyverse, můžete postupovat takto:

    # Load the tidyverse library
library(tidyverse)

# Create a tibble using the provided vectors
sales_data <- tibble(
  OrderID = 1001:1011,
  Product = c("Laptop", "Smartphone", "Tablet", "Headphones", "Camera", "TV", "Printer", "Washing Machine", "Refrigerator", "Microwave Oven", "Coffee Maker"),
  Quantity = c(1, 5, 1, 9, 10, 4, 2, 10, 1, 8, 2),
  Price = c(1875.88, 585.31, 978.36, 1886.03, 1958.63, 323.23, 1002.49, 1164.63, 1817.66, 363.55, 75.99),
  Discount = c(0.3, 0.28, 0.02, 0.15, 0.12, 0.27, 0.13, 0.25, 0.22, 0.24, 0.1),
  Date = as.Date(c("2023-01-08", "2023-01-03", "2023-01-02", "2023-01-01", "2023-01-10", "2023-01-09", "2023-01-05", "2023-01-06", "2023-01-04", "2023-01-07", "2023-01-12")),
  PaymentMethod = c("Credit Card", "PayPal", "Cash", "Credit Card", "Cash", "PayPal", "Cash", "Credit Card", "Credit Card", "Cash", "Credit Card")
)

# Display the created sales tibble
print(sales_data)

    Tento kód používá funkci tibble() z knihovny tidyverse k vytvoření datového rámce tibble s názvem sales_data. Formát tibble poskytuje více informativní tisk ve srovnání s výchozím datovým rámcem R, jak jste zmínil.

    Jak efektivně používat DataFrames v R

    Efektivní používání DataFrames v R je nezbytné pro manipulaci a analýzu dat. DataFrames jsou základní datovou strukturou v R a jsou obvykle vytvářeny a manipulovány pomocí funkce data.frame. Zde je několik tipů pro efektivní práci:

    • Před vytvořením se ujistěte, že jsou vaše data čistá a dobře strukturovaná. Odstraňte všechny nepotřebné řádky nebo sloupce, zpracujte chybějící hodnoty a ujistěte se, že datové typy jsou vhodné.
    • Nastavte vhodné datové typy pro vaše sloupce (např. číselný, znakový, faktor, datum). To může zlepšit využití paměti a rychlost výpočtu.
    • Pomocí indexování a podmnožin můžete pracovat s menšími částmi dat. Podmnožina() a [ ] K tomuto účelu jsou užitečné operátory.
    • Připojit() a odpojit() mohou být pohodlné, ale mohou také vést k nejednoznačnosti a neočekávanému chování.
    • R je vysoce optimalizováno pro vektorizované operace. Kdykoli je to možné, používejte pro manipulaci s daty místo smyček vektorizované funkce.
    • Vnořené smyčky mohou být v R pomalé. Místo vnořených smyček zkuste použít vektorizované operace nebo použít funkce jako lapply nebo sapply.
    • Velké datové rámce mohou spotřebovat hodně paměti. Zvažte použití balíčků data.table nebo dtplyr, které jsou pro větší datové sady efektivnější z hlediska paměti.
    • R má širokou škálu balíčků pro manipulaci s daty. Pro efektivní transformaci dat využijte balíčky jako dplyr, tidyr a data.table.
    • Minimalizujte používání globálních proměnných, zejména při práci s více datovými rámy. Používejte funkce a předávejte DataFrames jako argumenty.
    • Při práci s agregovanými daty použijte funkce group_by() a Summary() v dplyr k efektivnímu provádění výpočtů.
    • U velkých datových sad zvažte použití paralelního zpracování s balíčky, jako je parallel nebo foreach, abyste urychlili operace.
    • Při čtení dat do R používejte funkce jako readr nebo data.table::fread místo základních funkcí R, jako je read.csv pro rychlejší import dat.
    • U velmi velkých datových sad zvažte použití databázových systémů nebo specializovaných formátů úložiště, jako je Feather, Arrow nebo Parquet.

    Dodržováním těchto osvědčených postupů můžete efektivně pracovat s DataFrames v R, díky čemuž bude manipulace s daty a analytické úlohy lépe zvládnutelné a rychlejší.

    Závěrečné myšlenky

    Vytváření datových rámců v R je jednoduché a máte k dispozici různé metody. Zdůraznil jsem důležitost datových rámců a diskutoval o jejich vytváření pomocí funkce data.frame().

    Kromě toho jsme prozkoumali metody pro manipulaci s daty a probrali, jak vytvářet ze souborů CSV a Excel, převádět jiné datové struktury na datové rámce a využívat knihovnu tibble.

    Možná vás budou zajímat nejlepší IDE pro programování R.