R言語のデファクトスタンダードともいえるtidyverseに含まれるdplyrライブラリの使い方についてです。dplyrは表データの集計や前処理になくてはならいパッケージで、Rstudioと組み合わせることでデータ分析を円滑に快適にすることができます。
dplyr(tidyverse)のインストール
Rにインストールしていない方は以下のパッケージをインストールしておいてください。
install.packages("tidyverse")利用の前段
dplyrは%>%（パイプ演算子）を利用してAPIを記載していくのが一般的な使い方です。イメージとしてオブジェクトを関数（API）に受け渡しをして処理を実行します。SQLのwith句の流れと似た流れかもしれません。もう少し突っ込んだ話をするとオブジェクトのAPIの第一引数にうけたわして処理をしていきます。
試しにlibraryを読み込んで今回のテストデータをhead関数でサンプルデータを抽出してみましょう。
d <- read.csv('https://raw.githubusercontent.com/maruko-rosso/datasciencehenomiti/master/data/ShopSales.csv',header = T)
library(tidyverse)
d %>% head()
## date shop staff item price quantity
## 1 2018-02-01 New York Kory itemA 290000 1
## 2 2018-02-01 New York Kory itemB 160000 1
## 3 2018-02-01 New York Kory itemC 14000 1
## 4 2018-02-01 San Francisco Rose itemD 570000 3
## 5 2018-02-01 New York Kory itemE 11100 1
## 6 2018-02-01 New York Kory itemE 11100 1
集計 summarise
データの集計はsummariseを使います。以下はn()を組み合わせて表の件数を取得しています。
d %>% summarise(n())
## n()
## 1 2276以下のようなやり方でbaseパッケージの集計する関数を組み合わせて集約した値を取得することができます。
d %>% summarise(sum(price), mean(price))
## sum(price) mean(price)
## 1 418912470 184056.4集約 groupby
次は表データの集約です。以下はshop列の要素別に件数とstaffのユニーク集計を行っています。
d %>% group_by(shop) %>% summarise(n(), n_distinct(staff))
## `summarise()` ungrouping output (override with `.groups` argument)
## # A tibble: 3 x 3
## shop `n()` `n_distinct(staff)`
##
## 1 Chicago 149 3
## 2 New York 1257 5
## 3 San Francisco 870 4 以下のように計算結果をオブジェクトとして作成することもできます。ちなみにパイプ演算子で集計を続けるときにgroupbyの設定を外すときはungroup関数を挟むことで実現できますので頭の隅においておいてください。
d_2 <- d %>% group_by(shop) %>% summarise(n())
d_2
## # A tibble: 3 x 2
## shop n()
##
## 1 Chicago 149
## 2 New York 1257
## 3 San Francisco 870列の選択 select
d %>% select(staff) %>% head()
## staff
## 1 Kory
## 2 Kory
## 3 Kory
## 4 Rose
## 5 Kory
## 6 Kory以下のように指定した列以外を取得することも可能です。
d %>% select(-staff) %>% head()
## date shop item price quantity
## 1 2018/2/1 New York itemA 290000 1
## 2 2018/2/1 New York itemB 160000 1
## 3 2018/2/1 New York itemC 14000 1
## 4 2018/2/1 San Francisco itemD 570000 3
## 5 2018/2/1 New York itemE 11100 1
## 6 2018/2/1 New York itemE 11100 1
列の追加 mutate
以下のようにして列の追加と計算結果を挿入することができます。
d %>% mutate(price_sum = sum(price)) %>% head()
## date shop staff item price quantity price_sum
## 1 2018/2/1 New York Kory itemA 290000 1 418912470
## 2 2018/2/1 New York Kory itemB 160000 1 418912470
## 3 2018/2/1 New York Kory itemC 14000 1 418912470
## 4 2018/2/1 San Francisco Rose itemD 570000 3 418912470
## 5 2018/2/1 New York Kory itemE 11100 1 418912470
## 6 2018/2/1 New York Kory itemE 11100 1 418912470group_by関数と組み合わせることで、SQLのwindow関数のような使い方もできます。
d %>% group_by(staff) %>% mutate(price_sum = sum(price)) %>% head()
## # A tibble: 6 x 7
## # Groups: staff [2]
## date shop staff item price quantity price_sum
##
## 1 2018/2/1 New York Kory itemA 290000 1 28116970
## 2 2018/2/1 New York Kory itemB 160000 1 28116970
## 3 2018/2/1 New York Kory itemC 14000 1 28116970
## 4 2018/2/1 San Francisco Rose itemD 570000 3 12366200
## 5 2018/2/1 New York Kory itemE 11100 1 28116970
## 6 2018/2/1 New York Kory itemE 11100 1 28116970 絞込み filter
表データをSQLのwhere句のように絞りこむには以下のようにします。注意点としてRの比較演算子は「==」で等号「!=」で不等号（≠）になります。
d %>% filter(staff == "Kory") %>% head()
## date shop staff item price quantity
## 1 2018/2/1 New York Kory itemA 290000 1
## 2 2018/2/1 New York Kory itemB 160000 1
## 3 2018/2/1 New York Kory itemC 14000 1
## 4 2018/2/1 New York Kory itemE 11100 1
## 5 2018/2/1 New York Kory itemE 11100 1
## 6 2018/2/1 New York Kory itemE 11100 1
d %>% filter(price < 2000) %>% head()
## date shop staff item price quantity
## 1 2018/2/2 San Francisco Richard itemI 1910 1
## 2 2018/2/5 San Francisco Rachel itemI 1910 1
## 3 2018/2/12 San Francisco Rachel itemI 1910 1
## 4 2018/2/14 New York Rachel itemI 1910 2
## 5 2018/2/14 New York Rachel itemI 1910 1
## 6 2018/2/14 New York Rachel itemI 1910 1
表の並び替え arrange
以下のようにすることで表の昇順、降順の並び替えができます。複数の列名を記載することも可能です。
d %>% arrange(price) %>% head()
## date shop staff item price quantity
## 1 2018/2/2 San Francisco Richard itemI 1910 1
## 2 2018/2/5 San Francisco Rachel itemI 1910 1
## 3 2018/2/12 San Francisco Rachel itemI 1910 1
## 4 2018/2/14 New York Rachel itemI 1910 2
## 5 2018/2/14 New York Rachel itemI 1910 1
## 6 2018/2/14 New York Rachel itemI 1910 1
d %>% arrange(desc(quantity)) %>% head()
## date shop staff item price quantity
## 1 2018/2/14 New York Rachel itemB 160000 40
## 2 2018/2/18 New York Rachel itemB 160000 28
## 3 2018/2/2 San Francisco Richard itemB 160000 13
## 4 2018/2/15 San Francisco Rachel itemG 65000 13
## 5 2018/2/22 New York Rose itemB 160000 11
## 6 2018/2/22 New York Rose itemB 160000 11表の結合 left_join
表の結合をすることができます。今回は左寄せを行うleft_joinを実施しましたが、inner_joinやcross_joinといったこともできます。
d_2 <- d %>% group_by(shop) %>% summarise(n())
d %>%
left_join(d_2,by = c("shop" = "shop")) %>%
head()
## date shop staff item price quantity n()
## 1 2018/2/1 New York Kory itemA 290000 1 1257
## 2 2018/2/1 New York Kory itemB 160000 1 1257
## 3 2018/2/1 New York Kory itemC 14000 1 1257
## 4 2018/2/1 San Francisco Rose itemD 570000 3 870
## 5 2018/2/1 New York Kory itemE 11100 1 1257
## 6 2018/2/1 New York Kory itemE 11100 1 1257