Jak vytvořit DataFrame v R pro uchování dat organizovaným způsobem

Data framy představují klíčovou datovou strukturu v jazyce R, nabízející uspořádání, flexibilitu a nástroje potřebné pro analýzu a manipulaci s daty. Jejich význam se rozšiřuje do různých oblastí, zahrnujíc statistiku, datovou vědu a rozhodování založené na datech v různých průmyslových odvětvích.

Data framy poskytují strukturu a organizaci nezbytnou k objevování poznatků a přijímání rozhodnutí na základě dat, a to systematickým a efektivním způsobem.

V R jsou data framy strukturovány jako tabulky s řádky a sloupci. Každý řádek reprezentuje pozorování a každý sloupec proměnnou. Toto uspořádání usnadňuje organizaci a práci s daty. Data framy mohou obsahovat různorodé datové typy, včetně čísel, textu a dat, což jim propůjčuje univerzálnost.

V tomto článku objasním význam datových rámců a popíši jejich vytváření pomocí funkce data.frame().

Dále se podíváme na metody manipulace s daty, včetně vytváření z CSV a Excel souborů, konverzi jiných datových struktur na datové rámce a využití knihovny tibble.

Zde uvádím několik hlavních důvodů, proč jsou data framy v R tak klíčové:

Význam datových rámců

• Ukládání strukturovaných dat: Data framy poskytují strukturovaný a tabulkový způsob ukládání dat, podobný tabulkovému procesoru. Tento formát zjednodušuje správu a organizaci dat.

• Smíšené datové typy: Data framy mohou v rámci jedné struktury uchovávat různé datové typy. Můžete mít sloupce s numerickými hodnotami, textovými řetězci, faktory, daty a dalšími. Tato flexibilita je nezbytná při práci s reálnými daty.

• Organizace dat: Každý sloupec v data framu představuje proměnnou, zatímco každý řádek představuje pozorování nebo případ. Toto uspořádání usnadňuje pochopení struktury dat a zvyšuje jejich přehlednost.

• Import a export dat: Data framy podporují snadný import a export dat z různých formátů souborů, jako jsou CSV, Excel a databáze. Tato funkčnost zefektivňuje práci s externími zdroji dat.

• Interoperabilita: Data framy jsou široce podporovány balíčky a funkcemi v R, což zajišťuje kompatibilitu s dalšími nástroji a knihovnami pro statistickou a datovou analýzu. Tato interoperabilita umožňuje bezproblémovou integraci do ekosystému R.

• Manipulace s daty: R nabízí bohatou sadu balíčků, přičemž „dplyr“ je skvělý příklad. Tyto balíčky usnadňují filtrování, transformaci a sumarizaci dat v rámci data framů. Tato schopnost je zásadní pro čištění a přípravu dat.

• Statistická analýza: Data framy jsou standardním formátem dat pro mnoho statistických a analytických funkcí v R. S jejich pomocí lze efektivně provádět regresi, testování hypotéz a mnoho dalších statistických analýz.

• Vizualizace: Balíčky pro vizualizaci dat v R, jako je ggplot2, fungují bez problémů s data framy. Díky tomu je jednoduché vytvářet informativní tabulky a grafy pro průzkum dat a jejich prezentaci.

• Průzkum dat: Data framy usnadňují průzkum dat pomocí souhrnných statistik, vizualizací a dalších analytických metod. To pomáhá analytikům a datovým vědcům porozumět charakteristikám dat a odhalovat vzory nebo odlehlé hodnoty.

Jak vytvořit DataFrame v R

Existuje několik způsobů, jak vytvořit data frame v R. Zde jsou některé z nejpoužívanějších:

#1. Použití funkce data.frame().

# Načtení potřebné knihovny, pokud již není načtena
if (!require("dplyr")) {
  install.packages("dplyr")
  library(dplyr)
}

# Alternativní způsob načtení knihovny
library(dplyr)

# Nastavení semínka pro opakovatelnost
set.seed(42)

# Vytvoření ukázkového prodejního data frame se skutečnými názvy produktů
sales_data <- data.frame(
  OrderID = 1001:1010,
  Product = c("Notebook", "Smartphone", "Tablet", "Sluchátka", "Fotoaparát", "Televize", "Tiskárna", "Pračka", "Lednička", "Mikrovlnná trouba"),
  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)
)

# Zobrazení prodejního data frame
print(sales_data)

Pojďme si vysvětlit, co náš kód dělá:

• Nejprve kontroluje, zda je v prostředí R dostupná knihovna „dplyr“.
• Pokud „dplyr“ není k dispozici, nainstaluje a načte tuto knihovnu.
• Poté nastaví náhodné semínko pro opakovatelnost výsledků.
• Následně vytvoří ukázkový data frame s prodejními daty, včetně názvů produktů.
• Nakonec zobrazí vytvořený data frame v konzoli.

Sales_dataframe

Toto je jeden z nejjednodušších způsobů, jak vytvořit data frame v R. Dále se podíváme na to, jak extrahovat, přidávat, mazat a vybírat konkrétní sloupce nebo řádky a také jak sumarizovat data.

Extrahování sloupců

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

• Pro načtení posledních tří sloupců z data frame v R můžete využít indexování.
• Sloupce můžete extrahovat pomocí operátoru $, pokud chcete přistupovat k jednotlivým sloupcům pomocí jejich názvu.

Pro úsporu času si ukážeme oba způsoby společně:

# Extrahování posledních tří sloupců (Discount, Price a Date) z data frame sales_data
last_three_columns <- sales_data[, c("Discount", "Price", "Date")]

# Zobrazení extrahovaných sloupců
print(last_three_columns)

############################################# NEBO #########################################################

# Extrahování posledních tří sloupců (Discount, Price a Date) pomocí operátoru $
discount_column <- sales_data$Discount
price_column <- sales_data$Price
date_column <- sales_data$Date

# Vytvoření nového data frame s extrahovanými sloupci
last_three_columns <- data.frame(Discount = discount_column, Price = price_column, Date = date_column)

# Zobrazení extrahovaných sloupců
print(last_three_columns)

Pomocí kteréhokoli z těchto kódů můžete extrahovat potřebné sloupce.

Řádky z data frame v R můžete extrahovat pomocí různých metod. Zde je jednoduchý způsob:

# Extrahování specifických řádků (3, 6 a 9) z data frame last_three_columns
selected_rows <- last_three_columns[c(3, 6, 9), ]

# Zobrazení vybraných řádků
print(selected_rows)

Můžete také použít zadané podmínky:

# Extrahování a uspořádání řádků, které splňují stanovené podmínky
selected_rows <- sales_data %>%
  filter(Discount < 0.3, Price > 100, format(Date, "%Y-%m") == "2023-01") %>%
  arrange(OrderID) %>%
  select(Discount, Price, Date)

# Zobrazení vybraných řádků
print(selected_rows)

Extrahované řádky

Přidání nového řádku

Pro přidání nového řádku do existujícího data frame v R můžete použít funkci rbind():

# Vytvoření nového řádku jako data frame
new_row <- data.frame(
  OrderID = 1011,
  Product = "Kávovar",
  Quantity = 2,
  Price = 75.99,
  Discount = 0.1,
  Date = as.Date("2023-01-12")
)

# Použití funkce rbind() pro přidání nového řádku do data frame
sales_data <- rbind(sales_data, new_row)

# Zobrazení aktualizovaného data frame
print(sales_data)

Přidán nový řádek

Přidání nového sloupce

Pomocí jednoduchého kódu můžete do svého data frame přidat sloupce. Zde chci přidat sloupec „Způsob platby“.

# Vytvoření nového sloupce "PaymentMethod" s hodnotami pro každý řádek
sales_data$PaymentMethod <- c("Kreditní karta", "PayPal", "Hotovost", "Kreditní karta", "Hotovost", "PayPal", "Hotovost", "Kreditní karta", "Kreditní karta", "Hotovost", "Kreditní karta")
# Zobrazení aktualizovaného data frame
print(sales_data)

Sloupec přidán do datového rámce

Smazání řádků

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

# Identifikace řádku pro smazání pomocí jeho OrderID
row_to_delete <- sales_data$OrderID == 1010

# Použití identifikovaného řádku pro vyloučení a vytvoření nového data frame
sales_data <- sales_data[!row_to_delete, ]

# Zobrazení aktualizovaného data frame bez smazaného řádku
print(sales_data)

Smazání sloupců

Pomocí balíčku dplyr můžete odstranit sloupec z data frame v R.

# Instalace balíčku dplyr (pokud není nainstalován)
library(dplyr)

# Odstranění sloupce "Discount" pomocí funkce select()
sales_data <- sales_data %>% select(-Discount)

# Zobrazení aktualizovaného data frame bez sloupce "Discount"
print(sales_data)

Získání souhrnu

Pro získání souhrnu vašich dat v R můžete použít funkci summary(). Tato funkce poskytuje rychlý přehled o centrální tendenci a rozložení číselných proměnných ve vašich datech.

# Získání souhrnu dat
data_summary <- summary(sales_data)

# Zobrazení souhrnu
print(data_summary)

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

Přejděme k druhému způsobu vytvoření data frame.

#2. Vytvoření R DataFrame z CSV souboru

Pro vytvoření R data frame z CSV souboru můžete použít funkci read.csv().

# Načtení CSV souboru do data frame
df <- read.csv("my_data.csv")

# Zobrazení prvních několika řádků data frame
head(df)

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

# Instalace a načtení balíčku readr, pokud ještě není nainstalován
if (!requireNamespace("readr", quietly = TRUE)) {
  install.packages("readr")
}
library(readr)

# Načtení CSV souboru do data frame
df <- read_csv("data.csv")

# Zobrazení prvních několika řádků data frame
head(df)

můžete použít balíček readr pro čtení CSV souboru v R. Funkce read_csv() z balíčku readr se běžně používá. Je rychlejší než běžná metoda.

#3. Použití funkce as.data.frame().

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

Postup použití:

# Vytvoření vnořeného seznamu pro reprezentaci dat
data_list <- list(
  OrderID = 1001:1011,
  Product = c("Notebook", "Smartphone", "Tablet", "Sluchátka", "Fotoaparát", "Televize", "Tiskárna", "Pračka", "Lednička", "Mikrovlnná trouba", "Kávovar"),
  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("Kreditní karta", "PayPal", "Hotovost", "Kreditní karta", "Hotovost", "PayPal", "Hotovost", "Kreditní karta", "Kreditní karta", "Hotovost", "Kreditní karta")
)

# Převod vnořeného seznamu na data frame
sales_data <- as.data.frame(data_list)

# Zobrazení data frame
print(sales_data)

Prodejní_data

Tato metoda vám umožňuje vytvořit data frame bez zadávání každého sloupce jednotlivě a je obzvláště užitečná, když máte velké množství dat.

#4. Z existujícího data frame

Pro vytvoření nového data frame výběrem konkrétních sloupců nebo řádků z existujícího data frame v R můžete použít hranaté závorky [] pro indexování. Funguje to takto:

# Výběr řádků a sloupců
sales_subset <- sales_data[c(1, 3, 4), c("Product", "Quantity")]

# Zobrazení vybrané podmnožiny
print(sales_subset)

V tomto kódu vytváříme nový data frame s názvem sales_subset, který obsahuje konkrétní řádky (1, 3 a 4) a konkrétní sloupce („Product“ a „Quantity“) z sales_data.

Můžete upravit indexy a názvy řádků a sloupců, abyste si vybrali data, která potřebujete.

Prodej_Podmnožina

#5. Z vektoru

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

# Vytvoření vektorů pro každý sloupec
OrderID <- 1001:1011
Product <- c("Notebook", "Smartphone", "Tablet", "Sluchátka", "Fotoaparát", "Televize", "Tiskárna", "Pračka", "Lednička", "Mikrovlnná trouba", "Kávovar")
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("Kreditní karta", "PayPal", "Hotovost", "Kreditní karta", "Hotovost", "PayPal", "Hotovost", "Kreditní karta", "Kreditní karta", "Hotovost", "Kreditní karta")

# Vytvoření data frame pomocí funkce data.frame()
sales_data <- data.frame(
  OrderID = OrderID,
  Product = Product,
  Quantity = Quantity,
  Price = Price,
  Discount = Discount,
  Date = Date,
  PaymentMethod = PaymentMethod
)

# Zobrazení data frame
print(sales_data)

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

To vám umožní vytvořit strukturovaný tabulkový data frame z jednotlivých vektorů v R.

#6. Ze souboru Excel

Pro vytvoření data frame 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().

# Načtení knihovny readxl
library(readxl)

# Definování cesty k souboru Excel
excel_file_path <- "your_file.xlsx"  # Nahraďte skutečnou cestou k souboru

# Načtení souboru Excel a vytvoření data frame
data_frame_from_excel <- read_excel(excel_file_path)

# Zobrazení data frame
print(data_frame_from_excel)

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

#7. Z textového souboru

Pro import textového souboru do data frame 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.

# Definování názvu souboru a oddělovače
file_name <- "your_text_file.txt"  # Nahraďte skutečným názvem souboru
delimiter <- "\t"  # Nahraďte skutečným oddělovačem (např. "\t" pro tabulku, "," pro CSV)

# Použití funkce read.table() pro vytvoření data frame
data_frame_from_text <- read.table(file_name, header = TRUE, sep = delimiter)

# Zobrazení data frame
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. Použití Tibble

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

# Načtení knihovny tidyverse
library(tidyverse)

# Vytvoření tibble pomocí poskytnutých vektorů
sales_data <- tibble(
  OrderID = 1001:1011,
  Product = c("Notebook", "Smartphone", "Tablet", "Sluchátka", "Fotoaparát", "Televize", "Tiskárna", "Pračka", "Lednička", "Mikrovlnná trouba", "Kávovar"),
  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("Kreditní karta", "PayPal", "Hotovost", "Kreditní karta", "Hotovost", "PayPal", "Hotovost", "Kreditní karta", "Kreditní karta", "Hotovost", "Kreditní karta")
)

# Zobrazení vytvořeného prodejního 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 výpis ve srovnání s výchozím data framem v R, jak jste zmínil.

Jak efektivně používat DataFrames v R

Efektivní používání data framů v R je nezbytné pro manipulaci a analýzu dat. Data framy jsou základní datovou strukturou v R a obvykle jsou 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. numerický, znakový, faktor, datum). To může zlepšit využití paměti a rychlost výpočtu.

• Pomocí indexování a podmnožin můžete pracovat s menšími částmi dat. Funkce subset() a operátor [] jsou pro tento účel užitečné.

• Funkce attach() a detach() 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 funkce jako lapply nebo sapply.

• Velké data framy 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 data framy. Používejte funkce a předávejte data framy jako argumenty.

• Při práci s agregovanými daty použijte funkce group_by() a summarize() 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 data framy v R, díky čemuž bude manipulace s daty a analytické úlohy lépe zvládnutelné a rychlejší.

Závěrečné myšlenky

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

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

Možná vás budou zajímat nejlepší IDE pro programování v R.