[R] dplyr 패키지로 데이터 전처리 하기 (2)

파생변수 추가

◼ mutate() : 새로운 파생 변수를 만드는 함수로 수식과 함께 사용

 

#데이터 불러오기
data <- iris
data
head(data)

library(dplyr)

#파생변수 생성
data %>%
  mutate(total = Sepal.Length + Sepal.Width + Petal.Length + Petal.Width) %>%
  head

 Sepal.Length Sepal.Width Petal.Length Petal.Width Species total
1          5.1         3.5          1.4         0.2  setosa  10.2
2          4.9         3.0          1.4         0.2  setosa   9.5
3          4.7         3.2          1.3         0.2  setosa   9.4
4          4.6         3.1          1.5         0.2  setosa   9.4
5          5.0         3.6          1.4         0.2  setosa  10.2
6          5.4         3.9          1.7         0.4  setosa  11.4

mutate를 사용해서 total이라는 새로운 파생변수를 생성해 보았습니다.

 

 

◼ 여러 파생변수 한번에 생성하기

data %>%
  mutate(total = Sepal.Length + Sepal.Width + Petal.Length + Petal.Width,
         mean = (total = Sepal.Length + Sepal.Width + Petal.Length + Petal.Width)/3)%>%
  head

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species total     mean
1          5.1         3.5          1.4         0.2  setosa  10.2 3.400000
2          4.9         3.0          1.4         0.2  setosa   9.5 3.166667
3          4.7         3.2          1.3         0.2  setosa   9.4 3.133333
4          4.6         3.1          1.5         0.2  setosa   9.4 3.133333
5          5.0         3.6          1.4         0.2  setosa  10.2 3.400000
6          5.4         3.9          1.7         0.4  setosa  11.4 3.800000

여러개의 파생변수를 생성하고 싶으면   , 로 연결하여 작성하면 됩니다.

 

 

◼ ifelse로 조건 부여하기

data %>%
  mutate(result = ifelse(Sepal.Length > 5, "pass", "fail")) %>%
  head

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

조건을 주고 조건을 만족하면 pass를 출력하고, 그렇지 않으면 fail을 출력이 되어

result라는 새로운 변수에 저장을 해보았습니다.

 

 

​집단별로 요약

-group_by() : 변수별로 데이터를 분리하는 함수

-summarise() : 요약통계량을 산출하는 함수

data%>%
  group_by(Species)%>%
  summarise(mean_Sepal_Length = mean(Sepal.Length))

# A tibble: 3 × 2
  Species    mean_Sepal_Length
  <fct>                  <dbl>
1 setosa                  5.01
2 versicolor              5.94
3 virginica               6.59

Species별로 Sepal.Length의 평균을 구해보았습니다.

 

 

◼ 여러 요약통계량 한번에 산출

data %>%
  group_by(Species)%>%                                    #Species별로 분리
  summarise(mean_sepal_length = mean(Sepal.Length),       #평균
            min_sepal_length = min(Sepal.Length),         #최소값
            median_sepal_length = median(Sepal.Length),   #중앙값
            n = n())                                      #행 개수

# A tibble: 3 × 5
  Species    mean_sepal_length min_sepal_length median_sepal_length     n
  <fct>                  <dbl>            <dbl>               <dbl> <int>
1 setosa                  5.01              4.3                 5      50
2 versicolor              5.94              4.9                 5.9    50
3 virginica               6.59              4.9                 6.5    50

 

n()은 데이터가 몇 행으로 되어 있는지를 구하는 기능을 합니다.

group_by를 사용해서 Species로 집단을 나누었기 때문에 분꽃의 종류별 수가 됩니다.

n()은 특정 변수에 적용하는게 아니기 때문에 괄호 안에 변수명을 입력하지 않습니다.

​

 

◼ 두 집단으로 나누기

​

ggplot2 패키지에서 제공하는 mpg 데이터를 이용해 하위 집단별 평균을 구해보겠습니다.

먼저, 자동차 제조 회사별로 집단을 나누고 다시 구동 방식별로 나눠서 도시 연비 평균을 구해보겠습니다.

library(ggplot2)

mpg %>%
  group_by(manufacturer, drv)%>%
  summarise(mean_cty = mean(cty))%>%

# A tibble: 22 × 3
# Groups:   manufacturer [15]
   manufacturer drv   mean_cty
   <chr>        <chr>    <dbl>
 1 audi         4         16.8
 2 audi         f         18.9
 3 chevrolet    4         12.5
 4 chevrolet    f         18.8
 5 chevrolet    r         14.1
 6 dodge        4         12  
 7 dodge        f         15.8
 8 ford         4         13.3
 9 ford         r         14.8
10 honda        f         24.4
# … with 12 more rows

각 회사별로 구동 방식에 따른 연비가 출력되었습니다.

 

dplyr 함수 조합하기

 

제조 회사별로 suv 자동차의 도시 및 고속도로
통합연비 평균을 구해 내림차순으로 정렬하고,
1~3위까지 출력해라

 

mpg %>%
  group_by(manufacturer) %>%                  #회사별로 분리
  filter(class == "suv") %>%                  # suv 추출
  mutate(tot = (cty + hwy)/2) %>%             # 통합 연비 변수 생성
  summarise(mean_tot = mean(tot)) %>%         # 통합 연비 평균 산출
  arrange(desc(mean_tot)) %>%                 # 내림차순 정렬
  head(3)                                     # 1-3위까지 출력

# A tibble: 3 × 2
  manufacturer mean_tot
  <chr>           <dbl>
1 subaru           21.9
2 toyota           16.3
3 nissan           15.9

지금까지 배운 함수들을 종합해서 원하는 데이터만 추출해 보았습니다.

 

[R] dplyr 패키지로 데이터 전처리 하기(1) 

https://summerindata.tistory.com/3

​

dplyr 패키지는 함수를 조합하면 유용하고, 복잡해 보이는 분석도 간단하게 해결할 수 있습니다.

잘 정리해서 분석에 유용하게 사용하시길 바랍니다!