První dimenzí dataframu jsou sloupce, reprezentující zpravidla naše proměnné. Pro práci se sloupci nabízí Tidyverse šikovnou funkci select() a pár jejích příbuzných. V této kapitole si ukážeme, jak efektivně vybírat sloupce v dataframu, přejmenovávat je a řadit podle našich přání.
Předmětem analýzy v mnoha případech není celý dataframe, ale pouze jeho výsek. Základní aplikace již zmíněné funkce select() je přímočará. Prvním argumentem je dataframe, který chceme filtrovat, zbylými sloupce, které chceme zachovat:
select(countries, country, life_exp, postsoviet)# A tibble: 38 × 3
country life_exp postsoviet
<chr> <dbl> <chr>
1 Belgium 81.2 no
2 Bulgaria 74.8 yes
3 Czechia 79.2 yes
4 Denmark 81.2 no
5 Germany 81 yes
6 Estonia 77.8 yes
7 Ireland 81.5 no
8 Greece 81.2 no
9 Spain 83.1 no
10 France 82.9 no
# ℹ 28 more rowsPokud by naším cílem bylo se některého sloupce zbavit, využijeme mínusu (-), podobně jako u indexování (viz. Sekce 6.3 ). Pro vyřazení více sloupců využijeme již dobře známou funkci c():
select(countries, -c(country, life_exp, postsoviet))# A tibble: 38 × 14
code gdp population area eu_member uni_prc poverty_risk material_dep
<chr> <dbl> <dbl> <dbl> <chr> <dbl> <dbl> <dbl>
1 BE 450506. 11398589 30528 yes 0.36 0.203 0.113
2 BG 55182. 7050034 110879 yes 0.248 0.389 0.438
3 CZ 207772. 10610055 78867 yes 0.217 0.122 0.098
4 DK 298276. 5781190 43094 yes 0.327 0.172 0.068
5 DE 3386000 82792351 357022 yes 0.252 0.19 0.091
6 EE 25657. 1319133 45228 yes 0.359 0.234 0.116
7 IE 324038. 4830392 70273 yes 0.405 0.227 0.148
8 GR 184714. 10741165 131957 yes 0.277 0.348 0.36
9 ES 1208248 46658447 505370 yes 0.34 0.266 0.128
10 FR 2353090 66926166 643801 yes 0.328 0.171 0.111
# ℹ 28 more rows
# ℹ 6 more variables: hdi <dbl>, foundation_date <date>, maj_belief <chr>,
# dem_index <dbl>, di_cat <chr>, hd_title_name <chr>Ručně vypisovat všechny proměnné, které chceme vybrat, je u větších dataframů zdlouhavá činnost. Naštěstí pro nás obsahuje balíček dplyr řadu pomocných funkcí (selection helpers).
Nejzákladnější pomocnou funkcí je :, která vybere všechny sloupce v rozpětí. Například, pro vybrání country, area a všech proměnných mezi nimi:
select(countries, country:area)Pokud chceme vybrat všechny proměnné v dataframu, nemusíme využívat :, stačí využít funkci everything(). Možnost vybrat úplně všechny proměnné se nemusí zdát na první pohled užitečná, nachází ale často využití při převodu dat mezi širokým a dlouhým formátem (viz. níže).
Sadou užitečných pomocných funkcí jsou starts_with(), ends_with() a contains(). Funkce starts_with() vybere všechny sloupce začínající stejnými znaky, ends_with() naopak všechny sloupce končící stejně. contains() identifikuje sloupce, jejichž název obsahuje specifikovaný řetězec znaků. Například pro vybrání všech proměnných, jejichž název obsahuje podtržítko:
select(countries, contains("_"))Poslední pomocnou funkcí, kterou si zde ukážeme, je where(). Pomocí ní lze vybrat všechny sloupce splňující danou logickou podmínku. Pro vybrání všech numerických proměnných:
select(countries, where(is.numeric))Analogicky by bylo možné aplikovat funkce is.character, is.factor nebo is.logical. Tyto funkce jsou uvnitř where() použity bez závorek.
Dokumentace k pomocným funkcím je dostupná pomocí help("tidyr_tidy_select").
Ne vždy budeme spokojeni s tím, jak jsou naše proměnné pojmenované. Způsobů, jak proměnnou přejmenovat je řada, preferovanou metodou v v rámci Tidyverse je využít funkci rename(). Její aplikace je jednoduchá, nové jméno je vždy specifikované ve formátu nove_jmeno = stare_jmeno. Pokud by se nám například nelíbilo jméno proměnné uni_prc, můžeme ho změnit na výstižnější university_educated. Tady poprvé narážíme na řetězení funcí pomocí pipes, představených v kapitole věnované funkcím (Sekce 6.4):
countries %>%
rename(university_educated = uni_prc) %>%
select(country, university_educated)# A tibble: 38 × 2
country university_educated
<chr> <dbl>
1 Belgium 0.36
2 Bulgaria 0.248
3 Czechia 0.217
4 Denmark 0.327
5 Germany 0.252
6 Estonia 0.359
7 Ireland 0.405
8 Greece 0.277
9 Spain 0.34
10 France 0.328
# ℹ 28 more rowsDataframe countries již není obsažen ve funkci filter(), ale je do ní poslán skrze pipe (%>%). Vzpomeňme si, že pipe vezme objekt na její levé straně a vloží ho do prvního argumentu funkce napravo.
O něco komplexnější funkcí je rename_with(). Ta umožňuje přejmenovávat proměnné funkce programátorsky. Co kdybychom například chtěli převést názvy proměnných ze snake_case na kebab-case? Jediné, co pro to musíme udělat je změnit podtržítka v názvech proměnných na pomlčky. Jednou možností by bylo ručně přepsat názvy všech proměnných. Efektivnější variantou je využít funkce rename_with() v kombinaci s funkcí str_replace():
countries %>%
rename_with(str_replace, pattern = "_", replacement = "-") %>%
select(country, contains("-"))# A tibble: 38 × 11
country `eu-member` `life-exp` `uni-prc` `poverty-risk` `material-dep`
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Belgium yes 81.2 0.36 0.203 0.113
2 Bulgaria yes 74.8 0.248 0.389 0.438
3 Czechia yes 79.2 0.217 0.122 0.098
4 Denmark yes 81.2 0.327 0.172 0.068
5 Germany yes 81 0.252 0.19 0.091
6 Estonia yes 77.8 0.359 0.234 0.116
7 Ireland yes 81.5 0.405 0.227 0.148
8 Greece yes 81.2 0.277 0.348 0.36
9 Spain yes 83.1 0.34 0.266 0.128
10 France yes 82.9 0.328 0.171 0.111
# ℹ 28 more rows
# ℹ 5 more variables: `foundation-date` <date>, `maj-belief` <chr>,
# `dem-index` <dbl>, `di-cat` <chr>, `hd-title_name` <chr>Pořadí proměnných v dataframu je možné upravovat pomocí funkce relocate(). Tu je možné využít pro jednotlivé proměnné i v kombinaci s pomocnými funkcemi. Pomocí argumentů .before a .after je možné určit novu pozici nových sloupců. Pokud bychom chtěli oddělit numerické proměnné od kategoriálních, využijeme následující kombinací funkcí:
relocate(countries, where(is.numeric), .after = last_col())# A tibble: 38 × 17
country code eu_member postsoviet foundation_date maj_belief di_cat
<chr> <chr> <chr> <chr> <date> <chr> <chr>
1 Belgium BE yes no 1831-07-21 catholic Flawed dem…
2 Bulgaria BG yes yes 1989-11-10 orthodox Flawed dem…
3 Czechia CZ yes yes 1993-01-01 nonbelief Flawed dem…
4 Denmark DK yes no 2053-05-19 protestantism Full democ…
5 Germany DE yes yes 1949-05-23 catholic Full democ…
6 Estonia EE yes yes 1918-02-24 nonbelief Flawed dem…
7 Ireland IE yes no 1937-12-29 catholic Full democ…
8 Greece GR yes no 1975-11-19 orthodox Flawed dem…
9 Spain ES yes no 1978-12-06 catholic Full democ…
10 France FR yes no 1958-10-05 catholic Flawed dem…
# ℹ 28 more rows
# ℹ 10 more variables: hd_title_name <chr>, gdp <dbl>, population <dbl>,
# area <dbl>, life_exp <dbl>, uni_prc <dbl>, poverty_risk <dbl>,
# material_dep <dbl>, hdi <dbl>, dem_index <dbl>