[플레이데이터 빅데이터 부트캠프]R 프로그래밍 - 데이터조작(2)

자주 쓰는 함수

split() - 데이터를 분리하는데 사용한다.

lapply(split(Orange$circumference, Orange$Tree), mean)

$`3`
[1] 94

$`1`
[1] 99.57143

$`5`
[1] 111.1429

$`2`
[1] 135.2857

$`4`
[1] 139.2857

lapply()를 적용해서 Orange의 Tree별 circumference의 평균을 구할 수 있다.

subset() : 전체 중 특정 조건을 만족하는 부분만 원할 때 사용한다.

> subset(Orange, Tree==1)
  Tree  age circumference
1    1  118            30
2    1  484            58
3    1  664            87
4    1 1004           115
5    1 1231           120
6    1 1372           142
7    1 1582           145

> subset(Orange, select=-c(Tree))
    age circumference
1   118            30
2   484            58
3   664            87
4  1004           115
5  1231           120
6  1372           142
7  1582           145

select 인자를 지정하면 특정 열을 선택하거나 제외 가능하다.

특정 열을 제외하고자한다면 '-'를 열이름 앞에 붙이면 된다.

벡터 연산

> subset(Orange, Tree==1 & age >3)
  Tree  age circumference
1    1  118            30
2    1  484            58
3    1  664            87
4    1 1004           115
5    1 1231           120
6    1 1372           142
7    1 1582           145

벡터간 연산에서의 AND는 &&가 아니라 &를 사용한다.

with () : 함수를 사용하여. 원하는 값을 간단히 적을 수 있다.

> with(Orange,{
+   print(mean(age))
+   print(mean(circumference))})
[1] 922.1429
[1] 115.8571

stack() : 데이터를 그룹별로 쌓는다.

> a<-data.frame(x=c(1, 4, 7),
+               y=c(2, 9, 6),
+               z=c(4, 3, 1))
> (stackedA<-stack(a))
  values ind
1      1   x
2      4   x
3      7   x
4      2   y
5      9   y
6      6   y
7      4   z
8      3   z
9      1   z
>

unstack() : 스택 함수를 통해 반환된 데이터를 원래 상태로 되돌리는데 사용한다.

> unstack(stackedA,values~ind)
  x y z
1 1 2 4
2 4 9 3
3 7 6 1

SQL 구문 사용

데이터 처리 함수들 없이 SQL문을 이용하여 데이터를 편리하게 조작할 수 있다.

install.packages("sqldf")
library(sqldf)

Orange 데이터 중 Tree가 1인 age의 평균 구하기

sqldf("select avg([age]) from Orange where Tree = 1")
avg([age])
1 922.1429

1이면 행 방향, 2이면 열 방향이다.

plyr 패키지 사용

plyr은 데이터를 분할하고 분할된 데이터에 특정 함수를 적용하고 그 결과를 재조합해 주는 패키지이다.

adply() : 배열(a)을 받아 데이터프레임(d)으로 반환하는 함수이다.

> adply(iris,
+       1,
+       function(row) {
+           data.frame(
+                sepal_ge_5_setosa=c(row$Sepal.Length >= 5.0 &
+                    row$Species == "setosa"))})

   Sepal.Length Sepal.Width Petal.Length Petal.Width Species sepal_ge_5_setosa
1           5.1         3.5          1.4         0.2  setosa              TRUE
2           4.9         3.0          1.4         0.2  setosa             FALSE
3           4.7         3.2          1.3         0.2  setosa             FALSE
4           4.6         3.1          1.5         0.2  setosa             FALSE
5           5.0         3.6          1.4         0.2  setosa              TRUE
6           5.4         3.9          1.7         0.4  setosa              TRUE

ddply(): 데이터프레임을 입력받아 를 받아 데이터프레임을 내보낼 때 사용한다.

ddply(iris, .(species), function(x) {data.frame(SWmean = mean(x$Petal.Length))})

Species  SWmean
1 setos      1.462
2 versicolor 4.260
3 virginica  5.552

출력시 칼럼명은 SWmean으로 지정하였다.

데이터를 그룹짓는 변수는 .()안에 기록한다.

setkey() : 함수를 사용해 색인을 만들어 두었다가 검색 시 사용한다.

> DF <- data.frame(x = runif(13000000), y=rep(LETTERS, each = 50000))
> str(DF)
'data.frame':	13000000 obs. of  2 variables:
 $ x: num  0.2329 0.4013 0.5484 0.5703 0.0414 ...
 $ y: chr  "A" "A" "A" "A" ...
 
> system.time(x <- DF[DF$y=="D", ])
 사용자  시스템 elapsed 
   0.21    0.00    0.21 
   
> DT <- as.data.table(DF)
> setkey(DT, y)
> system.time( x<- DT[J("D"), ])
 사용자  시스템 elapsed 
      0       0       0

찾고자 하는 데이터를 setkey함수 안에 설정해준다.

인덱스는 데이터 분포를 생각하여 설정하여 준다.