11 Práce s řádky
Obdobně jako je funkce select() neocenitelným pomocníkem pro práci se sloupci dataframů, její příbuzná filter() nám dobře poslouží pro filtrování řádků. Tato kapitola je věnována právě jí, ale také rodině funkcí slice() a funkci arrange().
11.1 Filtrování řádků
Pro filtrování řádků je třeba trocha výrokové logiky. Základními logickými operátory v R jsou == (EQUAL), | (OR) a & (AND). Nepřekvapivě, pro HIGHER THAN používám >=, naopak pro LOWER THAN slouží <=. Negace se provádí pomocí vykřičníku, tedy například NOT EQUAL je !=.
Vybaveni těmito znalostmi, filtrování řádků není obtížný úkol. Hlavní funkcí je zde filter():
filter(countries, postsoviet == "yes" & gdp > 100000)# A tibble: 5 × 17
country code gdp popula…¹ area eu_me…² posts…³ life_…⁴ uni_prc pover…⁵
<chr> <chr> <dbl> <dbl> <dbl> <chr> <chr> <dbl> <dbl> <dbl>
1 Czechia CZ 207772. 10610055 78867 yes yes 79.2 0.217 0.122
2 Germany DE 3386000 82792351 357022 yes yes 81 0.252 0.19
3 Hungary HU 131935. 9778371 93028 yes yes 76 0.217 0.256
4 Poland PL 496462. 37976687 312685 yes yes 77.8 0.272 0.195
5 Romania RO 202884. 19530631 238391 yes yes 75.2 0.155 0.357
# … with 7 more variables: material_dep <dbl>, hdi <dbl>,
# foundation_date <date>, maj_belief <chr>, dem_index <dbl>, di_cat <chr>,
# hd_title_name <chr>, and abbreviated variable names ¹population,
# ²eu_member, ³postsoviet, ⁴life_exp, ⁵poverty_riskPodmínky filtrování lze kombinovat, například vyfiltrovat pouze postsovětské země s hrubým domácím produktem větším než 100 000 miliónů euro.
Občas je naším cílem vyfiltrovat řádky obsahující některou z vybraných hodnot kategoriální proměnné, například všechny náboženské skupiny spadající pod křesťanství. Jednou možností je:
filter(countries, maj_belief == "catholic" | maj_belief == "orthodox" | maj_belief == "protestantism")Tento přístup funguje, je ale zbytečně květnatý. Místo něj je možné aplikovat operátor %in%, pomocí kterého můžeme vyfiltrovat všechny hodnoty objevující se ve zvoleném vektoru:
filter(countries, maj_belief %in% c("catholic", "orthodox", "protestantism"))Oba tyto příkazy vedou ke stejnému výsledku, ten druhý je ale výrazně kompaktnější.
Jak si jistě dokážete představit, funkce select() a filter() jsou často využívané dohromady:
countries %>%
filter(postsoviet == "yes") %>%
select(country, postsoviet, life_exp)# A tibble: 16 × 3
country postsoviet life_exp
<chr> <chr> <dbl>
1 Bulgaria yes 74.8
2 Czechia yes 79.2
3 Germany yes 81
4 Estonia yes 77.8
5 Croatia yes 78.3
6 Latvia yes 75
7 Lithuania yes 75
8 Hungary yes 76
9 Poland yes 77.8
10 Romania yes 75.2
11 Slovenia yes 80.9
12 Slovakia yes 77.4
13 North Macedonia yes 75.9
14 Albania yes 76.4
15 Serbia yes 76.3
16 Bosnia and Herzegovina yes 77.311.2 Řezání dataframů
V některých případech budeme chtít filtrovat na základě pořadí řádků dataframů. K tomu nám poslouží rodina funkcí slice z balíčku dplyr.
Prvním členem této rodiny je funkce slice(). Její aplikace je velmi podobná klasickému indexování pomocí hranatých závorek. Například výběr prvního řádku v dataframu:
slice(countries, 1)Je ekvivalentní countries[1, ] a vrátí první řádek dataframu. Obdobně podobné jsou i funkce slice(countries, -1) a countries[-1, ], které vrátí všechny řádky kromě prvního. Funkce slice() je však pouze základem pro řadu dalších užitečných funkcí.
Další dvě funkce, které nám již svým fungováním budou povědomé jsou slice_head() a slice_tail(). Ty, obdobně jako funkce head() a tail(), vrátí prvních n řádků v dataframů. Na rozdíl od svých příbuzných ze základní instalace R, ovšem slice funkce umožňují vybrat nejen absolutní, ale i relativní počet řádků. Například pro vybrání prvních deseti procent dataframu:
slice_head(countries, prop = 0.1)Pro vybrání absolutního počtu řádku slouží argument n.
O něco zajímavější jsou funkce slice_max() a slice_min(). Ty umožňují vybrat n řádků s nejvyšší, respektive nejnižší, hodnou dané proměnné. Pomocí těchto funkcí můžeme například jednoduše zjistit, které tři země v našem dataframu mají nejvyšší naději na dožití:
slice_max(countries, order_by = life_exp, n = 3) %>%
select(country, life_exp)# A tibble: 3 × 2
country life_exp
<chr> <dbl>
1 Switzerland 83.3
2 Spain 83.1
3 France 82.9a které naopak nejnižší:
slice_min(countries, order_by = life_exp, n = 3) %>%
select(country, life_exp)# A tibble: 3 × 2
country life_exp
<chr> <dbl>
1 Bulgaria 74.8
2 Latvia 75
3 Lithuania 75 Funkce slice_max() a slice_min() jsem zde zkombinovaly s funkcí select(), abychom vybrali jen relevantní proměnné.
Posledním členem rodiny je funkce slice_sample(), která vybere náhodné řádky dataframu. Tato funkce najde uplatnění zejména v simulačních studiích a technikách.
slice_sample(countries, n = 3)11.3 Group_by()
V tuto chvíli si možná někteří čtenáři říkají, jaké je využití slice funkcí oproti jejich klasickým variantám, jako je head() nebo tail(). Jednou z jejich velkých předností je možnost kombinovat je s funkcí group_by().
Funkce group_by() umožňuje rozdělit dataframe na podskupiny a aplikovat funkce z balíčku dplyr na každou z podskupin zvlášť. Podskupiny jsou definované kategorickou proměnnou v dataframu. Tímto způsobem můžeme zjistit nejen které země se těší nejvyšší naději na dožití obecně, ale i to, jak jsou na tom západní a postsovětské země zvlášť:
countries %>%
group_by(postsoviet) %>%
slice_max(order_by = life_exp, n = 3) %>%
select(country, postsoviet, life_exp)# A tibble: 6 × 3
# Groups: postsoviet [2]
country postsoviet life_exp
<chr> <chr> <dbl>
1 Switzerland no 83.3
2 Spain no 83.1
3 France no 82.9
4 Germany yes 81
5 Slovenia yes 80.9
6 Czechia yes 79.2Zatímco mezi západními zeměmi vedou Švýcarsko, Španělsko a Francie, v postsovětské skupině je to Německo, Slovinsko a Česká republika. Třídit je možné i pomocí většího počtu proměnných, například pro třídění podle postsovětské historie a členství v Evropské unii bychom použili group_by(postsoviet, eu_member). Jak jistě tušíte, funkce group_by() má mnoho využití a budeme se s ní setkávat opakovaně i následujících kapitolách.
11.4 Pořadí řádků
Posledním typem operace, kterou si v této kapitole představíme, je řazení řádků pomocí funkce arrange(). Pořadí zemí v dataframu countries podle naděje na dožití získáme jednoduše:
countries %>%
arrange(life_exp) %>%
select(country, life_exp)# A tibble: 38 × 2
country life_exp
<chr> <dbl>
1 Bulgaria 74.8
2 Latvia 75
3 Lithuania 75
4 Romania 75.2
5 North Macedonia 75.9
6 Hungary 76
7 Serbia 76.3
8 Albania 76.4
9 Turkey 76.4
10 Montenegro 76.8
# … with 28 more rowsPři bližším pohledu zjistíme, že země jsou seřazený vzestupně. Nejhůře se vede Bulhrasko a Litva s Lotyšskem. Co kdyby nás ale zajímaly země s nejvyšší nadějí na dožití? Pro sestupné řazení zkombinujeme funkci arrange() s funkcí des():
countries %>%
arrange(desc(life_exp)) %>%
select(country, life_exp)# A tibble: 38 × 2
country life_exp
<chr> <dbl>
1 Switzerland 83.3
2 Spain 83.1
3 France 82.9
4 Italy 82.8
5 Norway 82.5
6 Luxembourg 82.4
7 Sweden 82.4
8 Iceland 82.4
9 Austria 81.9
10 Netherlands 81.6
# … with 28 more rowsNejvyšší naději na dožití se těší Švýcarsko, se Španělskem v těsném závěsu.