강의 및 세미나 자료/R
R 핵심만 배우기 #5 - dplyr
- -
R기초 문법 #5 - dplyr
호돌2
R을 이용한 데이터 전처리 : dplyr
오늘은 R을 활용한 데이터 전처리를 다뤄보겠습니다. 여기서 데이터 전처리라 함은 Data munging 혹은 data wrangling 이라고도 불리는데요. 이는 raw 데이터를 우리가 원하는 형태로 바꾸는 것을 의미합니다. 불필요한 정보를 제거하거나 다른 패키지의 input으로 활용하는 등의 다양한 작업에 있어서 꼭 필요한 작업인 동시에 많은 시간이 필요한 작업입니다. 오늘 배울 dplyr는 특정 데이터를 추출, 새로운 변수를 추가, group별 연산 등 다양하게 활용되는 패키지이므로 꼭 알아두시기 바랍니다.
dplyr
dplyr에서 다음 3가지는 꼭 알아두세요.
* filter(데이터, 조건, 조건, ..) : 조건에 맞는 row를 선택
* select(데이터, column이름, ..) : 조건에 맞는 column을 선택
* mutate(데이터, 새로운 변수 = 기존 변수 조합,..) : 기존의 변수를 활용하여 새로운 column 추가
추가적으로 arrange, summarise, group_by 에 대해서도 내가 원하는 작업과 함수의 이름을 잘 매칭시켜 기억해 두시기 바랍니다.
* arrange() : 정렬
* summarise() : 각 column별 평균, 표준편차 계산 등
* group_by() : group별로 묶어주는 역할
dplyr를 활용한 예제
먼저 dplyr를 설치합니다. 그리고 hflights 라는 데이터셋도 같이 설치하겠습니다.
install.packages('dplyr')
install.packages('hflights') #미국 휴스턴에서 출발하는 모든 비행기의 2011년 이착륙기록 데이터위 명령어는 패키지를 다운받아서 컴퓨터에 설치한 것이고, 이를 R에서 불러오기 위해서는 library(‘패키지명’) 명령어를 꼭 실행해 줘야 합니다.
library(dplyr)
library(hflights) head(hflights)## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## 5424 2011 1 1 6 1400 1500 AA
## 5425 2011 1 2 7 1401 1501 AA
## 5426 2011 1 3 1 1352 1502 AA
## 5427 2011 1 4 2 1403 1513 AA
## 5428 2011 1 5 3 1405 1507 AA
## 5429 2011 1 6 4 1359 1503 AA
## FlightNum TailNum ActualElapsedTime AirTime ArrDelay DepDelay Origin
## 5424 428 N576AA 60 40 -10 0 IAH
## 5425 428 N557AA 60 45 -9 1 IAH
## 5426 428 N541AA 70 48 -8 -8 IAH
## 5427 428 N403AA 70 39 3 3 IAH
## 5428 428 N492AA 62 44 -3 5 IAH
## 5429 428 N262AA 64 45 -7 -1 IAH
## Dest Distance TaxiIn TaxiOut Cancelled CancellationCode Diverted
## 5424 DFW 224 7 13 0 0
## 5425 DFW 224 6 9 0 0
## 5426 DFW 224 5 17 0 0
## 5427 DFW 224 9 22 0 0
## 5428 DFW 224 9 9 0 0
## 5429 DFW 224 6 13 0 0str(hflights)## 'data.frame': 227496 obs. of 21 variables:
## $ Year : int 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 ...
## $ Month : int 1 1 1 1 1 1 1 1 1 1 ...
## $ DayofMonth : int 1 2 3 4 5 6 7 8 9 10 ...
## $ DayOfWeek : int 6 7 1 2 3 4 5 6 7 1 ...
## $ DepTime : int 1400 1401 1352 1403 1405 1359 1359 1355 1443 1443 ...
## $ ArrTime : int 1500 1501 1502 1513 1507 1503 1509 1454 1554 1553 ...
## $ UniqueCarrier : chr "AA" "AA" "AA" "AA" ...
## $ FlightNum : int 428 428 428 428 428 428 428 428 428 428 ...
## $ TailNum : chr "N576AA" "N557AA" "N541AA" "N403AA" ...
## $ ActualElapsedTime: int 60 60 70 70 62 64 70 59 71 70 ...
## $ AirTime : int 40 45 48 39 44 45 43 40 41 45 ...
## $ ArrDelay : int -10 -9 -8 3 -3 -7 -1 -16 44 43 ...
## $ DepDelay : int 0 1 -8 3 5 -1 -1 -5 43 43 ...
## $ Origin : chr "IAH" "IAH" "IAH" "IAH" ...
## $ Dest : chr "DFW" "DFW" "DFW" "DFW" ...
## $ Distance : int 224 224 224 224 224 224 224 224 224 224 ...
## $ TaxiIn : int 7 6 5 9 9 6 12 7 8 6 ...
## $ TaxiOut : int 13 9 17 22 9 13 15 12 22 19 ...
## $ Cancelled : int 0 0 0 0 0 0 0 0 0 0 ...
## $ CancellationCode : chr "" "" "" "" ...
## $ Diverted : int 0 0 0 0 0 0 0 0 0 0 ...들어가기 전에 dplyr - tbl_df()
dplyr가 제공하는 기능 중 특별한 건 아니고, 크기가 큰 데이터를 실수로 실행하게 되면, 모든 데이터가 console에 출력되면서 시간이 오래 걸리는데, 이를 방지하기 위해 데이터 일부만 보여주는 기능입니다.
hflights_df <- tbl_df(hflights)
hflights_df## # A tibble: 227,496 x 21
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## * <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 1 1 6 1400 1500 AA
## 2 2011 1 2 7 1401 1501 AA
## 3 2011 1 3 1 1352 1502 AA
## 4 2011 1 4 2 1403 1513 AA
## 5 2011 1 5 3 1405 1507 AA
## 6 2011 1 6 4 1359 1503 AA
## 7 2011 1 7 5 1359 1509 AA
## 8 2011 1 8 6 1355 1454 AA
## 9 2011 1 9 7 1443 1554 AA
## 10 2011 1 10 1 1443 1553 AA
## # ... with 227,486 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>dplyr - 1번 : filter() 를 이용해 원하는 row 선택하기
예를 들어, hflights_df 라는 데이터셋에는 Month, DayOfMonth, Distance라는 변수가 있는데, Month는 2이고, DayOfMonth는 1이며, Distance는 200이하인 row만 선택하고 싶을 때, 바로 filter를 사용합니다.
문법은 filter(데이터, 조건1, 조건2, …) 와 같이 데이터와 조건을 차례대로 나열하면 됩니다.
filter(hflights_df, Month==2, DayofMonth ==1, Distance <=200)## # A tibble: 39 x 21
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 2 1 2 1559 1707 CO
## 2 2011 2 1 2 1533 1624 CO
## 3 2011 2 1 2 1303 1407 CO
## 4 2011 2 1 2 1322 1436 CO
## 5 2011 2 1 2 1909 2020 CO
## 6 2011 2 1 2 1455 1556 CO
## 7 2011 2 1 2 1939 2033 CO
## 8 2011 2 1 2 2101 2207 CO
## 9 2011 2 1 2 2100 2151 CO
## 10 2011 2 1 2 1424 1521 CO
## # ... with 29 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>- filter()의 특징은 같은 column에 대해서도 조건을 걸 수 있다는 겁니다. 예를 들어 1월, 2월 데이터를 추가하고 싶으면 or(|) 조건을 활용해 아래와 같이 쓸 수 있습니다.
filter(hflights_df, Month == 1 | Month == 2)## # A tibble: 36,038 x 21
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 1 1 6 1400 1500 AA
## 2 2011 1 2 7 1401 1501 AA
## 3 2011 1 3 1 1352 1502 AA
## 4 2011 1 4 2 1403 1513 AA
## 5 2011 1 5 3 1405 1507 AA
## 6 2011 1 6 4 1359 1503 AA
## 7 2011 1 7 5 1359 1509 AA
## 8 2011 1 8 6 1355 1454 AA
## 9 2011 1 9 7 1443 1554 AA
## 10 2011 1 10 1 1443 1553 AA
## # ... with 36,028 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>참고 : dplyr의 filter는 R의 기본 함수인 subset과 비슷합니다.
subset(hflights_df, Month == 2 & DayofMonth == 1 & Distance <=200)## # A tibble: 39 x 21
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 2 1 2 1559 1707 CO
## 2 2011 2 1 2 1533 1624 CO
## 3 2011 2 1 2 1303 1407 CO
## 4 2011 2 1 2 1322 1436 CO
## 5 2011 2 1 2 1909 2020 CO
## 6 2011 2 1 2 1455 1556 CO
## 7 2011 2 1 2 1939 2033 CO
## 8 2011 2 1 2 2101 2207 CO
## 9 2011 2 1 2 2100 2151 CO
## 10 2011 2 1 2 1424 1521 CO
## # ... with 29 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>Quiz
iris 데이터에서 Sepal.Length가 5 이하이고, Species가 setosa인 것은?
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 4.9 3.0 1.4 0.2 setosa
## 2 4.7 3.2 1.3 0.2 setosa
## 3 4.6 3.1 1.5 0.2 setosa
## 4 5.0 3.6 1.4 0.2 setosa
## 5 4.6 3.4 1.4 0.3 setosa
## 6 5.0 3.4 1.5 0.2 setosa
## 7 4.4 2.9 1.4 0.2 setosa
## 8 4.9 3.1 1.5 0.1 setosa
## 9 4.8 3.4 1.6 0.2 setosa
## 10 4.8 3.0 1.4 0.1 setosa
## 11 4.3 3.0 1.1 0.1 setosa
## 12 4.6 3.6 1.0 0.2 setosa
## 13 4.8 3.4 1.9 0.2 setosa
## 14 5.0 3.0 1.6 0.2 setosa
## 15 5.0 3.4 1.6 0.4 setosa
## 16 4.7 3.2 1.6 0.2 setosa
## 17 4.8 3.1 1.6 0.2 setosa
## 18 4.9 3.1 1.5 0.2 setosa
## 19 5.0 3.2 1.2 0.2 setosa
## 20 4.9 3.6 1.4 0.1 setosa
## 21 4.4 3.0 1.3 0.2 setosa
## 22 5.0 3.5 1.3 0.3 setosa
## 23 4.5 2.3 1.3 0.3 setosa
## 24 4.4 3.2 1.3 0.2 setosa
## 25 5.0 3.5 1.6 0.6 setosa
## 26 4.8 3.0 1.4 0.3 setosa
## 27 4.6 3.2 1.4 0.2 setosa
## 28 5.0 3.3 1.4 0.2 setosadplyr - 2번 select() 를 이용해 원하는 column 추출하기
특정 column을 선택하고 싶을 때 사용합니다.
select(hflights_df, Year, Month) #Year, Month 선택
select(hflights_df, Year:ArrTime) #Year부터 ArrTime까지 선택
select(hflights_df, -(Year:ArrTime)) #Year부터 ArrTime 까지를 제외하고 선택dplyr - 3번 mutate() 를 이용한 column 추가
예를 들어, ArrDelay-DepDelay를 계산한 값을 계산해서 gain이라는 값을 계산하여 새로 column을 추가하고 싶으면?
mutate(hflights_df, gain = ArrDelay - DepDelay)## # A tibble: 227,496 x 22
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 1 1 6 1400 1500 AA
## 2 2011 1 2 7 1401 1501 AA
## 3 2011 1 3 1 1352 1502 AA
## 4 2011 1 4 2 1403 1513 AA
## 5 2011 1 5 3 1405 1507 AA
## 6 2011 1 6 4 1359 1503 AA
## 7 2011 1 7 5 1359 1509 AA
## 8 2011 1 8 6 1355 1454 AA
## 9 2011 1 9 7 1443 1554 AA
## 10 2011 1 10 1 1443 1553 AA
## # ... with 227,486 more rows, and 15 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>, gain <int>추가로, mutate의 특징은 계산한 gain을 이용해서 gain_per_hour를 계산하고 싶을 경우 아래와 같이 한 줄로 코딩이 가능하다는 점이다.
mutate(hflights_df, gain = ArrDelay - DepDelay,
gain_per_hour = gain/(AirTime/60))## # A tibble: 227,496 x 23
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 1 1 6 1400 1500 AA
## 2 2011 1 2 7 1401 1501 AA
## 3 2011 1 3 1 1352 1502 AA
## 4 2011 1 4 2 1403 1513 AA
## 5 2011 1 5 3 1405 1507 AA
## 6 2011 1 6 4 1359 1503 AA
## 7 2011 1 7 5 1359 1509 AA
## 8 2011 1 8 6 1355 1454 AA
## 9 2011 1 9 7 1443 1554 AA
## 10 2011 1 10 1 1443 1553 AA
## # ... with 227,486 more rows, and 16 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>, gain <int>, gain_per_hour <dbl>dplyr - 4번 arrange() 를 활용한 정렬
문법 : arrange(데이터, 정렬기준으로 하고 싶은 column명)
arrange(hflights_df, Month, Year) #Month를 1차, Year를 2차 기준으로 오름차순 정렬## # A tibble: 227,496 x 21
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 1 1 6 1400 1500 AA
## 2 2011 1 2 7 1401 1501 AA
## 3 2011 1 3 1 1352 1502 AA
## 4 2011 1 4 2 1403 1513 AA
## 5 2011 1 5 3 1405 1507 AA
## 6 2011 1 6 4 1359 1503 AA
## 7 2011 1 7 5 1359 1509 AA
## 8 2011 1 8 6 1355 1454 AA
## 9 2011 1 9 7 1443 1554 AA
## 10 2011 1 10 1 1443 1553 AA
## # ... with 227,486 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>arrange(hflights_df, desc(Month)) #내림차순 정렬## # A tibble: 227,496 x 21
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 12 15 4 2113 2217 AA
## 2 2011 12 16 5 2004 2128 AA
## 3 2011 12 18 7 2007 2113 AA
## 4 2011 12 19 1 2108 2223 AA
## 5 2011 12 20 2 2008 2107 AA
## 6 2011 12 21 3 2025 2124 AA
## 7 2011 12 22 4 2021 2118 AA
## 8 2011 12 23 5 2015 2118 AA
## 9 2011 12 26 1 2013 2118 AA
## 10 2011 12 27 2 2007 2123 AA
## # ... with 227,486 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>dplyr - 5번 summarise() 를 이용한 요약
hflights_df 데이터셋의 delay, Cancelled column에 대해 각각 평균을 계산하고 싶다면,
summarise(hflights_df,
Delay = mean(DepDelay, na.rm = TRUE),
Cancel_rate = mean(Cancelled))## # A tibble: 1 x 2
## Delay Cancel_rate
## <dbl> <dbl>
## 1 9.444951 0.01306836dplyr - 6번 group_by()
비행기 고유 번호인 tailnum가 있는데, 각 비행기의 비행 횟수, 평균 이동거리, 평균 delay 등을 계산하고 싶다. 이러한 경우 group_by와 summary를 같이 사용하면 결과를 얻을 수 있다.
by_tailnum <- group_by(hflights_df, TailNum)
by_tailnum## Source: local data frame [227,496 x 21]
## Groups: TailNum [3,320]
##
## Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier
## * <int> <int> <int> <int> <int> <int> <chr>
## 1 2011 1 1 6 1400 1500 AA
## 2 2011 1 2 7 1401 1501 AA
## 3 2011 1 3 1 1352 1502 AA
## 4 2011 1 4 2 1403 1513 AA
## 5 2011 1 5 3 1405 1507 AA
## 6 2011 1 6 4 1359 1503 AA
## 7 2011 1 7 5 1359 1509 AA
## 8 2011 1 8 6 1355 1454 AA
## 9 2011 1 9 7 1443 1554 AA
## 10 2011 1 10 1 1443 1553 AA
## # ... with 227,486 more rows, and 14 more variables: FlightNum <int>,
## # TailNum <chr>, ActualElapsedTime <int>, AirTime <int>, ArrDelay <int>,
## # DepDelay <int>, Origin <chr>, Dest <chr>, Distance <int>,
## # TaxiIn <int>, TaxiOut <int>, Cancelled <int>, CancellationCode <chr>,
## # Diverted <int>delay <- summarise(by_tailnum,
count = n(), #n() : 각 그룹에서 row 개수
dist = mean(Distance, na.rm = TRUE),
delay = mean(ArrDelay, na.rm = TRUE))
delay## # A tibble: 3,320 x 4
## TailNum count dist delay
## <chr> <int> <dbl> <dbl>
## 1 795 938.7157 NaN
## 2 N0EGMQ 40 1095.2500 1.918919
## 3 N10156 317 801.7192 8.199357
## 4 N10575 94 631.5319 18.148936
## 5 N11106 308 774.9805 10.101639
## 6 N11107 345 768.1130 8.052786
## 7 N11109 331 772.4532 10.280000
## 8 N11113 282 772.8298 4.057143
## 9 N11119 130 790.2385 7.396825
## 10 N11121 333 774.8018 6.740854
## # ... with 3,310 more rows참고로 알아두세요
mutate_each() / summarise_each()
#dplyr - mutate_each()
#_each 함수를 이용하면 여러 변수에 대해 요약값을 계산해 column에 추가할 수 있음
summarized <- mutate_each(by_tailnum, funs(min, max),
Distance)
#dplyr - summarise_each()
summarise_each(by_tailnum, funs(min, max, median),
Distance)Quiz
1)에서 4)까지 이어지는 문제입니다. 차례대로 풀어보세요.
iris 데이터에서 setosa 종만 뽑고,
Sepal.Length와 Sepal.Width column을 추출한 후,
두 변수를 더한 값을 새로운 변수 Sepal_sum 을 만들고, 동시에 Sepal_sum을 제곱한 변수 Sepal_square 도 column에 추가하고
추가한 Sepal_sum을 기준으로 내림차순 정렬하시오.
Chain 기능 %>% 활용하기
R은 특별한 기능이 있습니다. 바로 Chain 인데요. %>% (단축키 : Ctrl Shift m) 직관적이고 간결한 코드를 작성할 수 있습니다. 위의 퀴즈 문제를 해결하기 위해서 4단계를 거쳤는데 이를 아래와 같이 한 줄로 작성할 수 있습니다.
data <- iris %>%
filter(Species == 'setosa') %>%
select(Sepal.Length, Sepal.Width) %>%
mutate(Sepal_sum = Sepal.Length + Sepal.Width,
Sepal_square = Sepal_sum^2) %>%
arrange(desc(Sepal_sum))
data## Sepal.Length Sepal.Width Sepal_sum Sepal_square
## 1 5.7 4.4 10.1 102.01
## 2 5.8 4.0 9.8 96.04
## 3 5.5 4.2 9.7 94.09
## 4 5.7 3.8 9.5 90.25
## 5 5.4 3.9 9.3 86.49
## 6 5.4 3.9 9.3 86.49
## 7 5.2 4.1 9.3 86.49
## 8 5.4 3.7 9.1 82.81
## 9 5.5 3.5 9.0 81.00
## 10 5.3 3.7 9.0 81.00
## 11 5.1 3.8 8.9 79.21
## 12 5.1 3.8 8.9 79.21
## 13 5.1 3.8 8.9 79.21
## 14 5.4 3.4 8.8 77.44
## 15 5.1 3.7 8.8 77.44
## 16 5.4 3.4 8.8 77.44
## 17 5.2 3.5 8.7 75.69
## 18 5.1 3.5 8.6 73.96
## 19 5.0 3.6 8.6 73.96
## 20 5.1 3.5 8.6 73.96
## 21 5.2 3.4 8.6 73.96
## 22 4.9 3.6 8.5 72.25
## 23 5.1 3.4 8.5 72.25
## 24 5.0 3.5 8.5 72.25
## 25 5.0 3.5 8.5 72.25
## 26 5.0 3.4 8.4 70.56
## 27 5.0 3.4 8.4 70.56
## 28 5.1 3.3 8.4 70.56
## 29 5.0 3.3 8.3 68.89
## 30 4.8 3.4 8.2 67.24
## 31 4.6 3.6 8.2 67.24
## 32 4.8 3.4 8.2 67.24
## 33 5.0 3.2 8.2 67.24
## 34 4.6 3.4 8.0 64.00
## 35 4.9 3.1 8.0 64.00
## 36 5.0 3.0 8.0 64.00
## 37 4.9 3.1 8.0 64.00
## 38 4.9 3.0 7.9 62.41
## 39 4.7 3.2 7.9 62.41
## 40 4.7 3.2 7.9 62.41
## 41 4.8 3.1 7.9 62.41
## 42 4.8 3.0 7.8 60.84
## 43 4.8 3.0 7.8 60.84
## 44 4.6 3.2 7.8 60.84
## 45 4.6 3.1 7.7 59.29
## 46 4.4 3.2 7.6 57.76
## 47 4.4 3.0 7.4 54.76
## 48 4.4 2.9 7.3 53.29
## 49 4.3 3.0 7.3 53.29
## 50 4.5 2.3 6.8 46.24Quiz
Cars93 데이터를 활용해서 dplyr를 연습해 봅시다.
install.packages("MASS")library(MASS)##
## Attaching package: 'MASS'## The following object is masked from 'package:dplyr':
##
## selectstr(Cars93)## 'data.frame': 93 obs. of 27 variables:
## $ Manufacturer : Factor w/ 32 levels "Acura","Audi",..: 1 1 2 2 3 4 4 4 4 5 ...
## $ Model : Factor w/ 93 levels "100","190E","240",..: 49 56 9 1 6 24 54 74 73 35 ...
## $ Type : Factor w/ 6 levels "Compact","Large",..: 4 3 1 3 3 3 2 2 3 2 ...
## $ Min.Price : num 12.9 29.2 25.9 30.8 23.7 14.2 19.9 22.6 26.3 33 ...
## $ Price : num 15.9 33.9 29.1 37.7 30 15.7 20.8 23.7 26.3 34.7 ...
## $ Max.Price : num 18.8 38.7 32.3 44.6 36.2 17.3 21.7 24.9 26.3 36.3 ...
## $ MPG.city : int 25 18 20 19 22 22 19 16 19 16 ...
## $ MPG.highway : int 31 25 26 26 30 31 28 25 27 25 ...
## $ AirBags : Factor w/ 3 levels "Driver & Passenger",..: 3 1 2 1 2 2 2 2 2 2 ...
## $ DriveTrain : Factor w/ 3 levels "4WD","Front",..: 2 2 2 2 3 2 2 3 2 2 ...
## $ Cylinders : Factor w/ 6 levels "3","4","5","6",..: 2 4 4 4 2 2 4 4 4 5 ...
## $ EngineSize : num 1.8 3.2 2.8 2.8 3.5 2.2 3.8 5.7 3.8 4.9 ...
## $ Horsepower : int 140 200 172 172 208 110 170 180 170 200 ...
## $ RPM : int 6300 5500 5500 5500 5700 5200 4800 4000 4800 4100 ...
## $ Rev.per.mile : int 2890 2335 2280 2535 2545 2565 1570 1320 1690 1510 ...
## $ Man.trans.avail : Factor w/ 2 levels "No","Yes": 2 2 2 2 2 1 1 1 1 1 ...
## $ Fuel.tank.capacity: num 13.2 18 16.9 21.1 21.1 16.4 18 23 18.8 18 ...
## $ Passengers : int 5 5 5 6 4 6 6 6 5 6 ...
## $ Length : int 177 195 180 193 186 189 200 216 198 206 ...
## $ Wheelbase : int 102 115 102 106 109 105 111 116 108 114 ...
## $ Width : int 68 71 67 70 69 69 74 78 73 73 ...
## $ Turn.circle : int 37 38 37 37 39 41 42 45 41 43 ...
## $ Rear.seat.room : num 26.5 30 28 31 27 28 30.5 30.5 26.5 35 ...
## $ Luggage.room : int 11 15 14 17 13 16 17 21 14 18 ...
## $ Weight : int 2705 3560 3375 3405 3640 2880 3470 4105 3495 3620 ...
## $ Origin : Factor w/ 2 levels "USA","non-USA": 2 2 2 2 2 1 1 1 1 1 ...
## $ Make : Factor w/ 93 levels "Acura Integra",..: 1 2 4 3 5 6 7 9 8 10 ...head(Cars93)## Manufacturer Model Type Min.Price Price Max.Price MPG.city
## 1 Acura Integra Small 12.9 15.9 18.8 25
## 2 Acura Legend Midsize 29.2 33.9 38.7 18
## 3 Audi 90 Compact 25.9 29.1 32.3 20
## 4 Audi 100 Midsize 30.8 37.7 44.6 19
## 5 BMW 535i Midsize 23.7 30.0 36.2 22
## 6 Buick Century Midsize 14.2 15.7 17.3 22
## MPG.highway AirBags DriveTrain Cylinders EngineSize
## 1 31 None Front 4 1.8
## 2 25 Driver & Passenger Front 6 3.2
## 3 26 Driver only Front 6 2.8
## 4 26 Driver & Passenger Front 6 2.8
## 5 30 Driver only Rear 4 3.5
## 6 31 Driver only Front 4 2.2
## Horsepower RPM Rev.per.mile Man.trans.avail Fuel.tank.capacity
## 1 140 6300 2890 Yes 13.2
## 2 200 5500 2335 Yes 18.0
## 3 172 5500 2280 Yes 16.9
## 4 172 5500 2535 Yes 21.1
## 5 208 5700 2545 Yes 21.1
## 6 110 5200 2565 No 16.4
## Passengers Length Wheelbase Width Turn.circle Rear.seat.room
## 1 5 177 102 68 37 26.5
## 2 5 195 115 71 38 30.0
## 3 5 180 102 67 37 28.0
## 4 6 193 106 70 37 31.0
## 5 4 186 109 69 39 27.0
## 6 6 189 105 69 41 28.0
## Luggage.room Weight Origin Make
## 1 11 2705 non-USA Acura Integra
## 2 15 3560 non-USA Acura Legend
## 3 14 3375 non-USA Audi 90
## 4 17 3405 non-USA Audi 100
## 5 13 3640 non-USA BMW 535i
## 6 16 2880 USA Buick CenturyQuiz
- Cars93의 데이터를 활용하여 Manufacturer가 Chevrolet, Ford인 데이터를 선택한 후 Chervolet, Ford별 차량 대수와 Price의 평균과 표준편차를 계산하시오.
## # A tibble: 2 x 4
## Manufacturer count Price.mean Price.std
## <fctr> <int> <dbl> <dbl>
## 1 Chevrolet 8 18.1875 8.304463
## 2 Ford 8 14.9625 5.114667- Max.Price(프리미엄 버젼 가격) - Min.Price(기본 버젼 가격)의 차이를 계산하여 Price.Diff 라는 column을 추가하고, Price.Diff 를 기준으로 내림차순 정렬하시오. 그리고, Manufacturer, Model, Type, Price.Diff column만 선택하시오.
## Manufacturer Model Type Price.Diff
## 1 Mercedes-Benz 300E Midsize 36.2
## 2 Saab 900 Compact 16.8
## 3 Dodge Stealth Sporty 14.6
## 4 Audi 100 Midsize 13.8
## 5 BMW 535i Midsize 12.5
## 6 Ford Aerostar Van 10.8'강의 및 세미나 자료 > R' 카테고리의 다른 글
| R로 크롤링하기 - 보배드림 예제 (20) | 2016.08.07 |
|---|---|
| R 핵심만 배우기 #4 - 데이터 프레임 2번째 (5) | 2016.08.03 |
| R 핵심만 배우기 #3 - 데이터 프레임(data.frame) 첫번째 (1) | 2016.08.01 |
| R 핵심만 배우기 #2 - 리스트, 메트릭스, 배열 (0) | 2016.08.01 |
| R 핵심만 배우기 #1 - 스칼라, 요인, 벡터 (2) | 2016.08.01 |
Contents
소중한 공감 감사합니다