Rで始めるデータサイエンス④データ変換

2019年5月22日

変数の種類
You might also have noticed the row of three (or four) letter abbreviations under the column names. These describe the type of each variable:

  • int stands for integers.　整数
  • dbl stands for doubles, or real numbers.　実数
  • chr stands for character vectors, or strings.
  • dttm stands for date-times (a date + a time).

There are three other common types of variables that aren’t used in this dataset but you’ll encounter later in the book:

  • lgl stands for logical, vectors that contain only TRUE or FALSE. 2進数
  • fctr stands for factors, which R uses to represent categorical variables with fixed possible values.　カテゴリカル変数
  • date stands for dates.　日付のみ

dplyer関数
データ変換のための主要な関数。同じように扱う。

第１引数　データフレーム
第２引数　何をするか
第３引数　新たなデータフレーム

  • Pick observations by their values (filter()).　抽出
  • Reorder the rows (arrange()).　並び替え
  • Pick variables by their names (select()).　名前で選択
  • Create new variables with functions of existing variables (mutate()).　新たな変数を作る
  • Collapse many values down to a single summary (summarise()).　要約量を作る

goroup_by()と一緒に使える。データセット全体からスコープできる。

filter()

filter(flights, month==1, day==25)　結果を表示
jan25 <- filter(flights, month==1, day==25)　代入
(jan25 <- filter(flights, month==1, day==25))　代入して結果を表示

比較

不等号>,>=,<,<=
否定　!=
等号 ==

%in% のいずれかを含む

=は、定数の定義

浮動小数の問題
有限の精度の演算をするので、無限小数については、記事的な値を取るから、理論的な数学の計算が成り立たないので、near()を使う必要性がある。

There’s another common problem you might encounter when using ==: floating point numbers. These results might surprise you!

sqrt(2) ^ 2 == 2
#> [1] FALSE
1 / 49 * 49 == 1
#> [1] FALSE

Computers use finite precision arithmetic (they obviously can’t store an infinite number of digits!) so remember that every number you see is an approximation. Instead of relying on ==, use near():

near(sqrt(2) ^ 2,  2)
#> [1] TRUE
near(1 / 49 * 49, 1)
#> [1] TRUE

論理演算子
, かつ
& かつ
|または
!否定

ド・モルガンの法則
Sometimes you can simplify complicated subsetting by remembering De Morgan’s law: !(x & y) is the same as !x | !y, and !(x | y) is the same as !x & !y

欠損値　NA　not available

# Let x be Mary's age. We don't know how old she is.
x <- NA

# Let y be John's age. We don't know how old he is.
y <- NA

# Are John and Mary the same age?
x == y
#> [1] NA
# We don't know!

欠損値を保持するには明示的に要求する。
> df <- tibble(x = c(1, NA, 3))
> filter(df, x >= 1)
# A tibble: 2 x 1
x
<dbl>
1 1
2 3
> df <- tibble(x = c(1, NA, 3))
> filter(df, is.na(x)|x >= 1)
# A tibble: 3 x 1
x
<dbl>
1 1
2 NA
3 3
> df <- tibble(x = c(1, NA, 3))
> filter(df, x == NA | x >= 1)
# A tibble: 2 x 1
x
<dbl>
1 1
2 3
→コンピューターの気持ちがわからない。

参考：http://cse.naro.affrc.go.jp/takezawa/r-tips/r/18.html

NULL，NA，NaN，Inf なのか否かを調べる

NULL (何も無い) ，NA (欠損値) ，NaN (非数) ，Inf (無限大) は，大抵は演算を施してもそのままの値（ NA や NAN ）が返ってくる．すなわち，原則として NaN にどのような演算を施しても結果は NaN になる．よって，比較演算子 == すら使えないことになる．

 
 x <- c(1.0, NA, 3.0, 4.0)  # NA はどれかを調べても...
 x == NA                    # NA に対する演算は全て NA となる

[1] NA NA NA

これら 4 つの値の検査を行う関数がそれぞれ用意されている．

命令

is.null()

is.na()

is.nan()

is.finite()

is.infinite()

complete.cases()

対象

NULLか否か

NAか否か

NaNか否か

有限か否か

無限か否か

欠損か否か

例えば，ある値が NA かどうかのテストは関数 is.na() で行なう (比較演算子 == では行なえないことに注意) が，これは NaN を代入しても TRUE が返ってしまう．そこで NaN か否か (NA か否かではない) を判定するために is.nan() という関数が用意されている．

Follow me!

研究