Gegevens filteren en selecteren

De Tidyverse is een verzameling R-pakketten die zijn ontworpen voor datawetenschap en die een gemeenschappelijke filosofie, grammatica en datastructuren delen. Het kernpakket voor gegevensmanipulatie in deze suite heet dplyr.

dplyr introduceert een reeks functies ("werkwoorden") die de manipulatie van dataframes zeer intuïtief maken.

De pijpleidingoperator (%>% of |>)

De Tidyverse-filosofie concentreert zich op het aan elkaar koppelen van activiteiten. De pipe-operator %>% (of de native pipe |> geïntroduceerd in R 4.1+) neemt het resultaat van één expressie en geeft dit door als het eerste argument aan de volgende functie. Dit vermijdt geneste functieaanroepen en voorkomt dat uw werkruimte vol raakt met tijdelijke variabelen.

# Without pipe:
filter(select(df, name, age), age > 20)

# With pipe:
df %>%
  select(name, age) %>%
  filter(age > 20)

dplyr-werkwoorden voor filteren en selecteren

De drie fundamentele werkwoorden voor het extraheren van gegevens uit een dataframe zijn:

1. select()

Selecteert specifieke kolommen uit een dataframe. U kunt de kolomnamen vermelden die u wilt behouden, of u kunt het voorvoegsel - gebruiken om kolommen uit te sluiten.

# Select the 'name' and 'salary' columns
select(df, name, salary)

# Remove the 'address' column
select(df, -address)

2. filter()

Filtert rijen op basis van een of meer logische voorwaarden.

# Filter rows where age is greater than 30
filter(df, age > 30)

# Filter using multiple conditions (logical AND)
filter(df, age > 30, department == "HR")

3. arrange()

Sorteert rijen op basis van de waarden van een of meer kolommen. De sorteervolgorde is standaard oplopend. Als u in aflopende volgorde wilt sorteren, plaatst u de kolomnaam tussen desc().

# Sort by age (ascending)
arrange(df, age)

# Sort by salary (descending)
arrange(df, desc(salary))

Probeer het zelf

Oefening 1: Kolommen selecteren