3일차 - 데이터 다뤄보기 [가공_6장]

---

"Do it! 쉽게 배우는 R 데이터 분석" 

책을 참고하여 R을 공부했으며, 글을 작성했습니다.

---

 

---

☑️데이터 가공

🔍 파이프라인

%>% 

"파이프 연산자"라고 불리며, 수도관처럼 함수들을 연결하는 기능을 한다.

단축키 : ctrl + shift + m

🔍 데이터 전처리

함수명	특징
1. filter()	행 추출
2. select()	열 (변수)추출
3. arrange()	정렬
4. mutate()	변수 추가 = 파생변수
5. group_by()	집단별로 나누기
6. summarise()	통계치 산출
7. left_join()	데이터 합치기(열) / 가로 = 열 + 열 = cbind
8.bind_rows()	데이터 합치기(행) / 세로 = 행 + 행 = rbind

유의할 점 : group_by 와 summarise는 항상 같이 많이 쓴다 

🔍 데이터 추출

%in%

% in% : 변수의 값이 지정한 조건목록에 해당하는지 확인하는 기능

%in% + c() 함수 

# 조건에 맞는 행을 데이터로 저장
class135 <- exam %>%
  filter(class == 1 | class == 3 | class == 5)
class135

실행화면

변수제외

특정 변수를 제외하고 싶을 때 변수명 앞에 - 붙여서 사용

# 특정 변수 제외
exam %>%
   select(-math)

혼자서해보기 P.133

자동차 제조 회사에 따라 도시 연비가 다른지 알아보려고 합니다.
"audi"와 "toyota" 중 어느 manufacturer(자동차 제조 회사)의 cty(도시 연비)가 평균적으로 더 높은지 알아보세요.

# 
audi_cty <- mpg %>% # 데이터 부르고 파이프라인 
  filter(manufacturer == "audi")

toyota_cty <- mpg %>% 
  filter(manufacturer == "toyota")

mean(audi_cty$cty)
mean(toyota_cty$cty)

실행화면

Toyota 회사가 Audi 회사보다 평균 연비가 더 높은 것으로 확인된다.

행과 열을 동시에 추출(filter와 select 동시에 사용)

# 행과 열을 동시에 추출하여 저장
class3_science <- exam %>%
  filter(class == 3) %>%
  dplyr::select(science)
class3_science

실행화면

🔍 데이터 정렬

오름차순 정렬

# 오름차순 정렬
exam %>%
  arrange(math)    

실행화면

내림차순 정렬

 # 내림차순 정렬
exam %>% 
  arrange(desc(math))    

🔍 파생변수 추가 

mutate()

기존 데이터에 파생변수를 만들어 추가할 수 있다.

새로 만들 변수명과 변수를 만들 때 사용할 공식을 입력하면 된다.

exam %>%
  mutate(total = math + english + sc ience)

실행화면

mutate() + ifelse() 

조건에 따라 다른 값을 부여한 변수를 추가할 수 있다.

❗ 유용하게 쓰일 수 있어서 꼭 알아두어야 할 코드이다 ❗

exam %>%
  mutate(math_test = ifelse(math >= 80, "pass", "fail"))

실행화면

🔍 데이터 요약

summarise() + group_by()

집단별 평균 및 요약한 값을 구하려고 할 때 사용되며, 여러 요약통계량값을 사용할 수 있다.

# 집단별로 요약하기
exam %>%
  group_by(class) %>%
  summarise(mean_math = mean(math))

실행화면

# 각 집단별로 다시 집단 나누기
mpg %>%
  group_by(manufacturer, drv) %>%
  summarise(mean_cty = mean(cty))%>%
  head(10)

실행화면

🔍 데이터 합치기

left_join

# 가로로 합치기
total <- left_join(data1, data2, by = "id")

실행화면

bind_rows

# 세로로 합치기
group_all <- bind_rows(data1, data2)

실행화면

merge

# 교집합으로 합치기
data <- merge(data1, data2, by = "id")

실행화면