VADeaths
coop711
Tidy Data
깔끔한(tidy) 데이터를 만드는 방법에 대하여 알아본다. 사용되는 데이터는 R에 내장되어 있는 VADeaths 이다. 이 데이터의 구조는 5세 간격의 연령대를 행의 이름으로 하고, 장소(Rural, Urban)와 성별(Male, Female)의 조합을 열의 이름으로 갖는 행렬임을 알 수 있다.
VADeaths## Rural Male Rural Female Urban Male Urban Female
## 50-54 11.7 8.7 15.4 8.4
## 55-59 18.1 11.7 24.3 13.6
## 60-64 26.9 20.3 37.0 19.3
## 65-69 41.0 30.9 54.6 35.1
## 70-74 66.0 54.3 71.1 50.0str(VADeaths)## num [1:5, 1:4] 11.7 18.1 26.9 41 66 8.7 11.7 20.3 30.9 54.3 ...
## - attr(*, "dimnames")=List of 2
## ..$ : chr [1:5] "50-54" "55-59" "60-64" "65-69" ...
## ..$ : chr [1:4] "Rural Male" "Rural Female" "Urban Male" "Urban Female"Base R 의 도구 활용
왜 이 데이터가 깔끔하지(tidy) 않는지 생각해 보자. 데이터를 어떻게 표현해야 깔끔한 것인지 최종 결과물과 비교한다.
c()는 행렬 구조로 표현한 VADeaths를 기다란 하나의 벡터로 나타낸다. 이렇게 만든 한 줄의 벡터를 Rates에 옮겨 넣는다.
보통 ordered()가 아닌 factor()를 사용하는 경우가 많은데 연령이라는 변수의 특성을 감안하면 단순히 명목형이 아니고 엄연히 순서가 있기 때문에ordered()를 사용하는 것이 적절하다.
Rates <- c(VADeaths) ## 행렬를 한 줄의 벡터로 변환
N <- length(Rates) ## `Rates`의 크기를 `N`으로 저장.
Age <- ordered(rownames(VADeaths)) # 행 이름으로 주어진 글자 벡터, 연령대를 순서형 범주로 변환.
Age <- rep(ordered(rownames(VADeaths)), # 전체 관찰 수효 만큼 반복. `length.out = `의 용례에 유의.
length.out = N)
Place <- gl(2, 10, N, # 농촌, 도시의 두 수준을 10번씩 반복하는 `factor` 설정
labels = c("Rural", "Urban"))
Gender <- gl(2, 5, N, # 성별은 5번씩 반복
labels = c("Male", "Female"))
data.frame(Age, Place, Gender, Rates) # 각 벡터를 데이터 프레임의 요소로 편성## Age Place Gender Rates
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0VADeaths.df <- data.frame(Age, Place, Gender, Rates) # 데이터 프레임을 새로운 R 객체로 지정
VADeaths.df # 데이터 프레임 출력 ## Age Place Gender Rates
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0str(VADeaths.df) # 데이터 프레임 구조 파악## 'data.frame': 20 obs. of 4 variables:
## $ Age : Ord.factor w/ 5 levels "50-54"<"55-59"<..: 1 2 3 4 5 1 2 3 4 5 ...
## $ Place : Factor w/ 2 levels "Rural","Urban": 1 1 1 1 1 1 1 1 1 1 ...
## $ Gender: Factor w/ 2 levels "Male","Female": 1 1 1 1 1 2 2 2 2 2 ...
## $ Rates : num 11.7 18.1 26.9 41 66 8.7 11.7 20.3 30.9 54.3 ...VADeaths를 table구조로 변환하고, as.data.frame을 적용할 수도 있으나 Place와 Gender를 다시 분리하여야 함.
as.data.frame(as.table(VADeaths))## Var1 Var2 Freq
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0혹은 한 번에
as.data.frame.table(VADeaths)## Var1 Var2 Freq
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0tidyverse를 이용한 방법
다음 코드를 차례대로 실행하면서 어떤 흐름이 잡히는 지 살펴보시오.
경고문의 Conflicts ...이하는 R Base에 있는 filter()나 lag()함수를 사용하려면 구체적으로 stats::filter() 나 stats::lag()라고 하여야 한다는 것을 의미한다.
library(tidyverse) # `tidyverse`를 검색 경로에 올려 놓음. 함께 불러들이는 패키지들과 경고문에 유의.## Loading tidyverse: ggplot2
## Loading tidyverse: tibble
## Loading tidyverse: tidyr
## Loading tidyverse: readr
## Loading tidyverse: purrr
## Loading tidyverse: dplyr## Conflicts with tidy packages ----------------------------------------------## filter(): dplyr, stats
## lag(): dplyr, statsVADeaths.tbl <- VADeaths %>% # 최종 결과물을 `tibble` 형식으로 지정.
as_tibble() %>% # 행렬 구조를 `tibble`구조로 변환. `tbl_df()`는 더 이상 사용되지 않음.
mutate(Age = row.names(VADeaths)) %>% # 행 이름으로 주어진 연령대를 글자벡터로 생성
gather(key = Place_Gender, # `Age`를 제외한 나먼지 뱐수를 `key, value`쌍으로 정리하면서 새로운 변수명 부여.
value = Rates,
-Age) %>%
separate(Place_Gender, c("Place", "Gender"), # `Place_Gender`를 `Place`와 `Gender`로 분리.
sep = " ") %>%
mutate(Age = ordered(Age), # `Age`, `Place`, `Gender`를 순서형 범주와 명목형 범주로 변환
Place = factor(Place),
Gender = factor(Gender, # `Gender`에서 `level = `를 설정하지 않으면 알파벳 순에 따라 수준이 정해짐.
levels = c("Male", "Female"))) # 즉, `Female`이 1, `Male`이 2가 됨.
VADeaths.tbl # `tibble` 형식으로 출력## # A tibble: 20 x 4
## Age Place Gender Rates
## <ord> <fctr> <fctr> <dbl>
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0str(VADeaths.tbl) # 구조 파악.## Classes 'tbl_df', 'tbl' and 'data.frame': 20 obs. of 4 variables:
## $ Age : Ord.factor w/ 5 levels "50-54"<"55-59"<..: 1 2 3 4 5 1 2 3 4 5 ...
## $ Place : Factor w/ 2 levels "Rural","Urban": 1 1 1 1 1 1 1 1 1 1 ...
## $ Gender: Factor w/ 2 levels "Male","Female": 1 1 1 1 1 2 2 2 2 2 ...
## $ Rates : num 11.7 18.1 26.9 41 66 8.7 11.7 20.3 30.9 54.3 ...이 과정을 순서대로 살펴보면, 먼저 행렬 구조를 tibble형식으로 변환하고,
VADeaths %>%
as_tibble()## # A tibble: 5 x 4
## `Rural Male` `Rural Female` `Urban Male` `Urban Female`
## <dbl> <dbl> <dbl> <dbl>
## 1 11.7 8.7 15.4 8.4
## 2 18.1 11.7 24.3 13.6
## 3 26.9 20.3 37.0 19.3
## 4 41.0 30.9 54.6 35.1
## 5 66.0 54.3 71.1 50.0Age 변수 생성
VADeaths %>%
as_tibble() %>%
mutate(Age = rownames(VADeaths))## # A tibble: 5 x 5
## `Rural Male` `Rural Female` `Urban Male` `Urban Female` Age
## <dbl> <dbl> <dbl> <dbl> <chr>
## 1 11.7 8.7 15.4 8.4 50-54
## 2 18.1 11.7 24.3 13.6 55-59
## 3 26.9 20.3 37.0 19.3 60-64
## 4 41.0 30.9 54.6 35.1 65-69
## 5 66.0 54.3 71.1 50.0 70-74Age 를 제외한 변수를 key, value 쌍으로 정리하면서 새로운 변수명 부여, Age의 새로운 위치에 유의
VADeaths %>%
as_tibble() %>%
mutate(Age = rownames(VADeaths)) %>%
gather(key = Place_Gender,
value = Rates,
-Age)## # A tibble: 20 x 3
## Age Place_Gender Rates
## <chr> <chr> <dbl>
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0Place_Gender를 Place와 Gender로 분리. sep =의 사용 방법에 유의.
VADeaths %>%
as_tibble() %>%
mutate(Age = rownames(VADeaths)) %>%
gather(key = Place_Gender,
value = Rates,
-Age) %>%
separate(Place_Gender, c("Place", "Gender"),
sep = " ")## # A tibble: 20 x 4
## Age Place Gender Rates
## * <chr> <chr> <chr> <dbl>
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0각 구성요소를 특성에 맞게 변환. Gender의 경우 levels = 를 설정하는 이유에 대하여 생각해 볼 것.
VADeaths %>%
as_tibble() %>%
mutate(Age = rownames(VADeaths)) %>%
gather(key = Place_Gender,
value = Rates,
-Age) %>%
separate(Place_Gender, c("Place", "Gender"),
sep = " ") %>%
mutate(Age = ordered(Age),
Place = factor(Place),
Gender = factor(Gender,
levels = c("Male", "Female"))) ## # A tibble: 20 x 4
## Age Place Gender Rates
## <ord> <fctr> <fctr> <dbl>
## 1 50-54 Rural Male 11.7
## 2 55-59 Rural Male 18.1
## 3 60-64 Rural Male 26.9
## 4 65-69 Rural Male 41.0
## 5 70-74 Rural Male 66.0
## 6 50-54 Rural Female 8.7
## 7 55-59 Rural Female 11.7
## 8 60-64 Rural Female 20.3
## 9 65-69 Rural Female 30.9
## 10 70-74 Rural Female 54.3
## 11 50-54 Urban Male 15.4
## 12 55-59 Urban Male 24.3
## 13 60-64 Urban Male 37.0
## 14 65-69 Urban Male 54.6
## 15 70-74 Urban Male 71.1
## 16 50-54 Urban Female 8.4
## 17 55-59 Urban Female 13.6
## 18 60-64 Urban Female 19.3
## 19 65-69 Urban Female 35.1
## 20 70-74 Urban Female 50.0Plots
이 데이터 프레임을 시각적으로 ggplot()을 이용하여 표현하는 방법에 대하여 생각해 보자. 먼저 기본 함수들을 이용하여 생성한 VADeaths.df를 이용하여 그려보면, data = VADeaths.df로 설정하고, aes()의 x = 에는 장소(Place)와 성별(Gender)의 조합인 농촌남성(Rural.Male), 도시남성(Urban.Male), 농촌여성(Rural.Female), 도시여성(Urban.Female)을 interaction(Place, Gender)로 나타낸다. y =에는 사망률(Rates)을, 각 연령대(Age)를 막대의 색깔(fill =)로 구분한다.
막대그래프로 표현하기 위하여 geom_bar()를 사용하였는데, 가장 간단한 형식으로 나타내었다. 추가 정보나 보다 세부적인 표현은 다음에 다루기로 한다.
도시남성들의 사망률이 전 연령대에서 고르게 가장 높게 나타나는 반면, 도시 여성들은 대부분의 연령대에서 사망률이 낮게 나타나고 있다. 도시에 사는 남성들 …
ggplot(data = VADeaths.df,
mapping = aes(x = interaction(Place, Gender),
y = Rates,
fill = Age)) +
geom_bar(stat = "identity",
position = position_dodge())
동일한 내용을 VADeaths.tbl로 그리면,
ggplot(data = VADeaths.tbl,
mapping = aes(x = interaction(Place, Gender),
y = Rates,
fill = Age)) +
geom_bar(stat = "identity",
position = position_dodge())
막대의 색깔을 Sequential 팔렛뜨 계열(scale_fill_brewer 도움말 참조)의 색깔 중 연령대의 변화에 맞도록 조정하면,
ggplot(data = VADeaths.tbl,
mapping = aes(x = interaction(Place, Gender),
y = Rates,
fill = Age)) +
geom_bar(stat = "identity",
position = position_dodge()) +
scale_fill_brewer(palette = "YlOrRd", direction = -1)
facet_grid를 이용하여 패널로 구분하여 나타내면,
ggplot(data = VADeaths.tbl,
mapping = aes(x = Age,
y = Rates,
fill = Age)) +
geom_bar(stat = "identity",
position = position_dodge()) +
scale_fill_brewer(guide = FALSE,
palette = "YlOrRd",
direction = -1) +
facet_grid(Gender ~ Place)