Tidy Data with R

Setup

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.2.0     ✔ readr     2.2.0
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ ggplot2   4.0.2     ✔ tibble    3.3.1
## ✔ lubridate 1.9.5     ✔ tidyr     1.3.2
## ✔ purrr     1.2.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(nycflights13)

• ggplot2 → visualisasi data
  
• dplyr → manipulasi data
  
• readr → import data
  
• tidyr → merapikan data

library(tidyverse)

---

Importing Data

Salah satu cara mengimpor data adalah menggunakan fungsi read_csv() dari package readr.

dem_score <- read_csv("https://moderndive.com/data/dem_score.csv")

## Rows: 96 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): country
## dbl (9): 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

dem_score

## # A tibble: 96 × 10
##    country    `1952` `1957` `1962` `1967` `1972` `1977` `1982` `1987` `1992`
##    <chr>       <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
##  1 Albania        -9     -9     -9     -9     -9     -9     -9     -9      5
##  2 Argentina      -9     -1     -1     -9     -9     -9     -8      8      7
##  3 Armenia        -9     -7     -7     -7     -7     -7     -7     -7      7
##  4 Australia      10     10     10     10     10     10     10     10     10
##  5 Austria        10     10     10     10     10     10     10     10     10
##  6 Azerbaijan     -9     -7     -7     -7     -7     -7     -7     -7      1
##  7 Belarus        -9     -7     -7     -7     -7     -7     -7     -7      7
##  8 Belgium        10     10     10     10     10     10     10     10     10
##  9 Bhutan        -10    -10    -10    -10    -10    -10    -10    -10    -10
## 10 Bolivia        -4     -3     -3     -4     -7     -7      8      9      9
## # ℹ 86 more rows

Nilai berkisar dari:

• -10 = sangat otoriter
• 10 = sangat demokratis.

---

Tidy Data

Karakteristik utama tidy data:

1. Setiap variabel memiliki satu kolom
2. Setiap observasi memiliki satu baris
3. Setiap nilai berada dalam satu sel

Dengan format ini, analisis data dan visualisasi dapat dilakukan lebih mudah.

---

Contoh Data Tidak Tidy

Contoh data berikut tidak tidy:

drinks <- tibble(
  country = c("China","Italy","Saudi Arabia","USA"),
  beer = c(79,85,0,249),
  spirit = c(192,42,5,158),
  wine = c(8,237,0,84)
)

drinks

## # A tibble: 4 × 4
##   country       beer spirit  wine
##   <chr>        <dbl>  <dbl> <dbl>
## 1 China           79    192     8
## 2 Italy           85     42   237
## 3 Saudi Arabia     0      5     0
## 4 USA            249    158    84

Masalahnya:

• variabel beer, spirit, wine berada di kolom berbeda
• padahal sebenarnya itu satu variabel yaitu jenis minuman

---

Mengubah Data Menjadi Tidy

Kita dapat menggunakan pivot_longer() dari package tidyr.

drinks_tidy <- drinks %>%
  pivot_longer(
    cols = beer:wine,
    names_to = "type",
    values_to = "servings"
  )

drinks_tidy

## # A tibble: 12 × 3
##    country      type   servings
##    <chr>        <chr>     <dbl>
##  1 China        beer         79
##  2 China        spirit      192
##  3 China        wine          8
##  4 Italy        beer         85
##  5 Italy        spirit       42
##  6 Italy        wine        237
##  7 Saudi Arabia beer          0
##  8 Saudi Arabia spirit        5
##  9 Saudi Arabia wine          0
## 10 USA          beer        249
## 11 USA          spirit      158
## 12 USA          wine         84

---

Mengapa Tidy Data Penting

• mempermudah visualisasi data
• mempermudah manipulasi data
• membuat analisis lebih konsisten
• kompatibel dengan fungsi dalam tidyverse

Sebagian besar workflow data science di R menggunakan format tidy.

---