dplyr 패키지를 활용한 데이터 가공 1: magrittr의 파이프 연산자

• dplyr 패키지의 함수과 magrittr 패키지의 %>% 연산을 함께 활용하면 데이터 가공이 간단하고 이해하기 쉽다. 여기서는 파이프 연산이라고 불리는 %>%에 대해서 알아본다.
• dplyr 패키지를 활용한 데이터 사전처리의 목차는 다음과 같다.
  • magrittr의 %>%
  • dplyr을 사용한 부분 참조
  • dplyr을 사용한 수정
  • dplyr의 그 밖의 편의 기능

magrittr 패키지의 파이프

• 하나의 대상에 여러 함수를 연속적으로 적용하는 경우, 괄호가 연속적으로 중첩되어 가독성이 떨어진다. 예를 들어 diamond에 head와 dim 함수를 적용한다면, 다음과 같다.

data(diamonds , package='ggplot2')
dim(head(diamonds , n=4)) 

## [1]  4 10

• magrittr 패키지의 %>%과 .를 활용하면 복잡하게 중첩된 괄호를 쓸 필요가 없다.

library(magrittr) 
diamonds %>% head(., n=4) %>% dim(.) 

## [1]  4 10

• . 은 %>% 이전의 결과를 나타낸다. 따라서 첫 번째 . 은 diamonds를 두번째 .는 head(diamonds, n=4)의 결과를 나타낸다. 만약 .이 함수의 첫 번째 인자로 쓰일 경우에는 다음과 같이 생략할 수 있다. head(., n=4)와 dim(.)의 .를 모두 생략하였다.

diamonds %>% head(n=4) %>% dim() 

## [1]  4 10

그리고 dim()처럼 인자가 .뿐인 경우에는 괄호까지 생략할 수 있다.

diamonds %>% head(n=4) %>% dim 

## [1]  4 10

• 다른 예를 들어보자. (이런 것도 가능하다!)

diamonds %>% .$price %>% .[1:10]

##  [1] 326 326 327 334 335 336 336 337 337 338

diamonds %>% .[["price"]] %>% .[1:10]

##  [1] 326 326 327 334 335 336 336 337 337 338

• 위에서 다룬 diamonds 데이터는 데이터 프레임으로 보이지만 사실 tibble(티블)이라는 데이터 형식이다. 이를 확인하기 위해 class 함수를 사용할 수도 있고, tibble이나 dplyr 패키지를 불어들인 후 diamonds를 다시 확인해 볼 수도 있다.

class(diamonds) 

## [1] "tbl_df"     "tbl"        "data.frame"

library(dplyr) 
diamonds 

## # A tibble: 53,940 x 10
##    carat cut       color clarity depth table price     x     y     z
##    <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
##  1 0.23  Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43
##  2 0.21  Premium   E     SI1      59.8    61   326  3.89  3.84  2.31
##  3 0.23  Good      E     VS1      56.9    65   327  4.05  4.07  2.31
##  4 0.290 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
##  5 0.31  Good      J     SI2      63.3    58   335  4.34  4.35  2.75
##  6 0.24  Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48
##  7 0.24  Very Good I     VVS1     62.3    57   336  3.95  3.98  2.47
##  8 0.26  Very Good H     SI1      61.9    55   337  4.07  4.11  2.53
##  9 0.22  Fair      E     VS2      65.1    61   337  3.87  3.78  2.49
## 10 0.23  Very Good H     VS1      59.4    61   338  4     4.05  2.39
## # ... with 53,930 more rows

• class 함수의 결과는 diamonds가 데이터프레임(data.frame) 과 호환되는 티블(tibble, tbl_df) 형식임을 알려준다. 티블은 데이터를 좀 더 깔끔하게 표시한다. carat, cut, ...은 열이름, <dbl>, <ord>, ...은 각 열의 데이터 형식을 나타내며, 화면의 가로, 세로 너비를 넘어가는 행과 열은 생략된다. (만약 출력되는 행의 수와 열의 수를 정하고 싶다면 print(diamonds, n=, width=)을 활용한다.)
• 왼쪽 가장자리의 1, 2, ...는 행의 순서를 보여준다. 마지막으로 ... with 53,930 more rows는 화면에 표시되지 않은 열의 수를 나타낸다.
• 티블은 데이터 프레임과 달리 열 이름의 일부를 사용하여 열을 참조할 수 없다(다른 말로 partial matching이 불가능하다). 다음의 코드를 보자. diaTB, diaDF는 동일한 자료를 티블과 데이터 프레임 형식으로 저장하고 있다. price열을 부분 이름 pri을 써서 참조하려고 하고 있다. diaDF$pri는 가능하지만 diaTB$pri는 불가능하다.

diaTB <- as_tibble(diamonds[1:10, ]) 
diaDF <- as.data.frame(diamonds[1:10, ]) 

diaDF$pri 

##  [1] 326 326 327 334 335 336 336 337 337 338

diaDF[, 'pri'] 

## Error in `[.data.frame`(diaDF, , "pri"): undefined columns selected

diaTB$pri 

## Warning: Unknown or uninitialised column: 'pri'.

## NULL

diaTB[, 'pri']

## Error: Can't find column `pri` in `.data`.

• 그 밖에도 티블은 생성시 문자열을 범주형(factor)으로 바꾸지 않는다는 차이가 있다.

df <- data.frame(a = c('Kim','Lee','Park'))
tb <- tibble(a = c('Kim','Lee','Park'))

class(df$a)

## [1] "factor"

class(tb$a)

## [1] "character"