dplyr
島田 芳男
2015/09/08
使い方
基本関数は５つ。
これにgroup_byを組み合わせることで集計していく。
関数名 _ 内容_ 類似の組み込み関数
filter _ 指定した条件に合うデータを抽出_ subset
select _ 列を抽出 _ data[,c('hoge','fuga')]などと同じ
mutate _ 列を追加 _ transform
arrange _ 並び替え _ order, sort
summarise _ 集約する _ aggregate
filterで抽出
filterは条件に沿った行を抽出する。
使い方としては、最初の引数にデータフレームを指定して２つ目以降の引数に条件を指定する。
この書き方は他の関数においても同じ。
AND条件の時はカンマで区切るだけで良い（&を使っても良い）。
OR条件の時は|演算子でつなぐ。
# install.packages(c("dplyr","hflights")
library(dplyr)
library(hflights)
dim(hflights)
[1] 227496 21
hflightsデータはデータ数が大きいのでtbl_df形式に変換しておく
hflights_df <- tbl_df(hflights)
head(hflights_df,3)
Source: local data frame [3 x 21]
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum
1 2011 1 1 6 1400 1500 AA 428
2 2011 1 2 7 1401 1501 AA 428
3 2011 1 3 1 1352 1502 AA 428
Variables not shown: 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で抽出
filterは条件に沿った行を抽出する。
使い方としては、最初の引数にデータフレームを指定して２つ目以降の引数に条件を指定する。
この書き方は他の関数においても同じ。
AND条件の時はカンマで区切るだけで良い（&を使っても良い）。
OR条件の時は|演算子でつなぐ。
head(filter(hflights_df, Month==1, DayofMonth==1),3)
Source: local data frame [3 x 21]
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum
1 2011 1 1 6 1400 1500 AA 428
2 2011 1 1 6 728 840 AA 460
3 2011 1 1 6 1631 1736 AA 1121
Variables not shown: 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)
```
head(filter(hflights_df, Month==1|DayofMonth==1),3)
Source: local data frame [3 x 21]
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum
1 2011 1 1 6 1400 1500 AA 428
2 2011 1 2 7 1401 1501 AA 428
3 2011 1 3 1 1352 1502 AA 428
Variables not shown: 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)
selectとmutateで列を操作
selectは列を抽出する。
複数列を指定する時は、カンマで区切る。
隣接した列なら:で指定できる。
指定した列以外を抽出したい時はカッコで囲んで-をつける。
複数列を指定する時は、カンマで区切る。
head(select(hflights_df, Year, Month, DayOfWeek),5)
Source: local data frame [5 x 3]
Year Month DayOfWeek
1 2011 1 6
2 2011 1 7
3 2011 1 1
4 2011 1 2
5 2011 1 3
隣接した列なら:で指定できる。
head(select(hflights_df, Year:DayOfWeek),5)
Source: local data frame [5 x 4]
Year Month DayofMonth DayOfWeek
1 2011 1 1 6
2 2011 1 2 7
3 2011 1 3 1
4 2011 1 4 2
5 2011 1 5 3
指定した列以外を抽出したい時はカッコで囲んで-をつける。
head(select(hflights_df, -(Year:DayOfWeek)),3)
Source: local data frame [3 x 17]
DepTime ArrTime UniqueCarrier FlightNum TailNum ActualElapsedTime
1 1400 1500 AA 428 N576AA 60
2 1401 1501 AA 428 N557AA 60
3 1352 1502 AA 428 N541AA 70
Variables not shown: AirTime (int), ArrDelay (int), DepDelay (int), Origin
(chr), Dest (chr), Distance (int), TaxiIn (int), TaxiOut (int),
Cancelled (int), CancellationCode (chr), Diverted (int)
mutateは列を追加する。
似たような働きをする関数にplyrパッケージのtransformがあるが、mutateは新しく追加した列を同一操作内で指定できる
head(
mutate(hflights_df, gain=ArrDelay - DepDelay, gain_per_hour=gain/(AirTime/60)),2)
Source: local data frame [2 x 23]
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum
1 2011 1 1 6 1400 1500 AA 428
2 2011 1 2 7 1401 1501 AA 428
Variables not shown: 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)
arrangeで並び替え_1
arrangeは指定した列において並び替える
head(
arrange(hflights_df, ArrDelay, Month),3)
Source: local data frame [3 x 21]
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum
1 2011 7 3 7 1914 2039 XE 2804
2 2011 12 25 7 741 926 OO 4591
3 2011 8 21 7 935 1039 OO 2001
Variables not shown: 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で並び替え_2
desc関数と組み合わせることで逆順に並べられる。
head(
arrange(hflights_df, desc(ArrDelay)),3)
Source: local data frame [3 x 21]
Year Month DayofMonth DayOfWeek DepTime ArrTime UniqueCarrier FlightNum
1 2011 12 12 1 650 808 AA 1740
2 2011 8 1 1 156 452 CO 1
3 2011 11 8 2 721 948 MQ 3786
Variables not shown: 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)
summariseで集約
summariseは関数を指定することで、その関数で集約した結果を得ることができる
summarise(hflights_df, delay=mean(DepDelay, na.rm=TRUE))
Source: local data frame [1 x 1]
delay
1 9.444951
group_byでグループ化
group_byで指定した列でもって、グループ化することができる。 この結果にこれまで挙げてきた関数を適用することで、グループ単位の結果が得られる。
planes <- group_by(hflights_df, TailNum)
delay <- summarise(planes,
count=n(),
dist=mean(Distance, na.rm=TRUE),
delay=mean(ArrDelay, na.rm=TRUE))
delay <- filter(delay, count>20, dist<2000)
head(delay,5)
Source: local data frame [5 x 4]
TailNum count dist delay
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
視覚化
library(ggplot2)
ggplot(delay, aes(dist, delay)) +
geom_point(aes(size=count), alpha=1/2) +
geom_smooth() +
scale_size_area()
