2.5.1.1 숫자 생성하기

R에서는 콜론(:)과 c() 함수를 통해 순서가 있는 숫자 벡터를 생성할 수 있습니다.

1:10

##  [1]  1  2  3  4  5  6  7  8  9 10

시작숫자:끝숫자의 형태로 입력하여 1에서 10까지 숫자가 생성됩니다.

c(1, 5, 10)

## [1]  1  5 10

c() 함수 내부에 각각의 숫자를 입력할 경우, 이로 구성된 숫자 벡터가 생성됩니다.

seq() 함수를 이용할 경우 더욱 다양하게 숫자 벡터를 생성할 수 있습니다. seq는 Sequence 즉 ’순서’의 약어입니다. 이처럼 R이나 여타 프로그래밍에서는 함수의 이름을 통해 대략적인 기능을 추론할 수 있습니다.

seq(from = 1, to = 21, by = 2)

##  [1]  1  3  5  7  9 11 13 15 17 19 21

seq() 함수 내부에 from에는 시작 숫자, to에는 종료 숫자, by에는 간격을 입력합니다. 즉 1에서 21까지 2 단위로 숫자가 생성됩니다.

seq(0, 21, length.out = 15)

##  [1]  0.0  1.5  3.0  4.5  6.0  7.5  9.0 10.5 12.0 13.5 15.0 16.5 18.0 19.5 21.0

만일 입력값에 by 대신 length.out을 쓸 경우 from에서 to 까지 동일한 증가폭으로 length.out 만큼의 숫자를 생성하며, 해당 예제에서는 총 15개의 숫자가 만들어집니다.

rep() 함수 역시 숫자를 생성해주는 함수입니다.

rep(1:4, times = 2)

## [1] 1 2 3 4 1 2 3 4

rep는 Replicate 즉 ’복제하다’의 약어 입니다. 해당 함수 내에 times라는 입력값을 추가해줄 경우, 해당 숫자만큼 반복되어 벡터가 생성됩니다.

rep(1:4, each = 2)

## [1] 1 1 2 2 3 3 4 4

만일 each라는 입력값을 추가할 경우, 각각의 숫자를 n번 반복하여 벡터가 생성됩니다.

2.5.1.2 올림, 내림, 반올림

함수를 통해 간단하게 숫자의 올림, 내림, 반올림을 할 수도 있습니다. 먼저 다음과 같이 숫자를 입력합니다.

x = c(1, 1.35, 1.7, 2.053, 2.4, 2.758, 3.1, 3.45,
      3.8, 4.15, 4.5, 4.855, 5.2, 5.55, 5.9)

round(x)

##  [1] 1 1 2 2 2 3 3 3 4 4 4 5 5 6 6

round() 함수는 가장 가까운 정수로 반올림을 합니다.

round(x, digits = 2)

##  [1] 1.00 1.35 1.70 2.05 2.40 2.76 3.10 3.45 3.80 4.15 4.50 4.86 5.20 5.55 5.90

함수 내부에 digits 입력값을 추가해 줄 경우, 해당 자리수 만큼 반올림을 합니다. 위 예제에서는 소수 둘째자리 만큼 반올림을 하였습니다.

ceiling(x)

##  [1] 1 2 2 3 3 3 4 4 4 5 5 5 6 6 6

floor(x)

##  [1] 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5

ceiling() 함수는 올림을, floor() 함수는 내림을 실행합니다.

2.5.2.1 stringr 패키지를 이용한 문자열 다루기

R의 기본함수를 이용하여도 문자열을 다룰 수 있지만, stringr 패키지를 이용할 경우 더욱 다양한 작업을 수행할 수 있습니다.

library(stringr)
str_c('Learning', 'to', 'use', 'the', 'stringr', 'package', sep = ' ')

## [1] "Learning to use the stringr package"

str_c() 함수는 paste() 함수와 기능이 동일하며, sep 인자를 통해 구분자를 추가할 수 있습니다.

text = c('Learning', 'to', NA, 'use', 'the', NA, 'stringr', 'package')
str_length(text)

## [1]  8  2 NA  3  3 NA  7  7

str_length() 함수는 문자열 각각의 텍스트 갯수를 세줍니다.

x = 'Learning to use the stringr package'
str_sub(x, start = 1, end = 15)

## [1] "Learning to use"

str_sub(x, start = -7, end = -1)

## [1] "package"

str_sub() 함수는 start부터 end까지의 문자를 출력합니다. 만일 start 혹은 end에 음수를 입력하면, 문장의 뒤에서부터 start/end 지점이 계산됩니다. 즉, start와 end에 각각 -7와 -1을 입력하면 끝에서부터 일곱번째와 첫번째 지점이 시작점과 끝점이 됩니다.

텍스트 데이터를 다룰때는 빈 공백이 따라오는 경우가 많으며, 이는 대부분 제거해주어야 할 대상입니다.

text = c('Text ', ' with', ' whitespace ', ' on', 'both ', 'sides ')
print(text)

## [1] "Text "        " with"        " whitespace " " on"          "both "       
## [6] "sides "

각 단어를 자세히 살펴보면 좌/우 혹은 양쪽에 공백이 있습니다. 이를 제거하도록 하겠습니다.

str_trim(text, side = 'left')

## [1] "Text "       "with"        "whitespace " "on"          "both "      
## [6] "sides "

str_trim(text, side = 'right')

## [1] "Text"        " with"       " whitespace" " on"         "both"       
## [6] "sides"

str_trim(text, side = 'both')

## [1] "Text"       "with"       "whitespace" "on"         "both"      
## [6] "sides"

str_trim() 함수는 공백을 제거해주는 기능을 합니다. side 인자에 left를 입력할 경우 각 텍스트 왼쪽의 공백을, right를 입력할 경우 오른쪽의 공백을, both를 입력할 경우 양쪽의 공백을 제거해줍니다.

마지막으로 원하는 자리수를 채우기 위해 문자열에 공백 혹은 특정 문자를 입력할 수도 있으며, str_pad() 함수를 통해 손쉽게 작업을 할 수 있습니다.

str_pad('beer', width = 10, side = 'left')

## [1] "      beer"

width에 해당하는 10자리를 맞추기 위해 side의 입력값인 좌측에 공백이 추가되었습니다.

str_pad('beer', width = 10, side = 'left', pad = '!')

## [1] "!!!!!!beer"

pad 인자를 추가할 경우, 공백이 아닌 입력한 문자가 추가됩니다

아래 페이지에는 stringr 패키지의 자세한 사용법이 나와 있습니다.

• https://stringr.tidyverse.org/

2.5.3.1 lubridate 패키지를 이용한 날짜 다루기

lubridate 패키지를 이용할 경우 날짜 형태와 관련된 다양한 작업을 수행할 수 있습니다.

library(lubridate)
x = c('2021-07-01', '2021-08-01', '2021-09-01')
y = c('07/01/2015', '08/01/2015', '09/01/2015')
ymd(x)

## [1] "2021-07-01" "2021-08-01" "2021-09-01"

mdy(y)

## [1] "2015-07-01" "2015-08-01" "2015-09-01"

lubridate 패키지를 이용할 경우 YYYY-MM-DD 형태는 ymd(), MM-DD-YYYY 형태는 mdy() 함수를 사용해 손쉽게 Date 형태로 변경할 수 있습니다. 이 외에도 lubridate에는 Date 형태로 변경하기 위한 다양한 함수가 존재합니다.

lubridate 패키지에는 날짜 관련 정보를 추출할 수 있는 다양한 함수가 존재합니다.

x = c('2021-07-01', '2021-08-01', '2021-09-01')
year(x)

## [1] 2021 2021 2021

month(x)

## [1] 7 8 9

week(x)

## [1] 26 31 35

year(), month(), week() 함수를 통해 년도, 월, 주 정보를 확인할 수 있습니다.

z = '2021-09-15'
yday(z)

## [1] 258

mday(z)

## [1] 15

wday(z)

## [1] 4

yday(), mday(), wday() 함수는 각각 해당 년도에서 몇번째 일인지, 해당 월에서 몇번째 일인지, 해당 주에서 몇번째 일인지를 계산합니다.

x = ymd('2021-07-01', '2021-08-01', '2021-09-01') 
x + years(1) - days(c(2, 9, 21))

## [1] "2022-06-29" "2022-07-23" "2022-08-11"

날짜에서 연과 월, 일자를 더하거나 빼는 계산 역시 가능합니다. 먼저 year() 함수를 통해 1년씩을 더 하였으며, days() 함수를 통해 각각의 일자 만큼을 뺍니다.

2.5.3.2 날짜 순서 생성하기

숫자와 마찬가지로 seq() 함수를 이용할 경우 날짜 벡터를 생성할 수 있습니다.

seq(ymd('2015-01-01'), ymd('2021-01-01'), by ='years')

## [1] "2015-01-01" "2016-01-01" "2017-01-01" "2018-01-01" "2019-01-01"
## [6] "2020-01-01" "2021-01-01"

2015년 1월 1일부터 2021년 1월 1일까지 1년을 기준으로 벡터가 생성됩니다.

seq(ymd('2021-09-01'), ymd('2021-09-30'), by ='2 days')

##  [1] "2021-09-01" "2021-09-03" "2021-09-05" "2021-09-07" "2021-09-09"
##  [6] "2021-09-11" "2021-09-13" "2021-09-15" "2021-09-17" "2021-09-19"
## [11] "2021-09-21" "2021-09-23" "2021-09-25" "2021-09-27" "2021-09-29"

지정한 일수인 2일 단위로 날짜 벡터를 생성할 수도 있습니다. 이 외에도 by 인자를 통해 원하는 기간 단위의 벡터를 생성할 수 있습니다.

아래 페이지에는 lubridate 패키지의 자세한 사용법이 나와 있습니다.

• https://lubridate.tidyverse.org/

2.8.2.1 if 구문

먼저 if 구문은 다음과 같이 구성됩니다.

if (test_expression) {
  statement
}

괄호 안의 test_expression이 TRUE일 경우에만 statement 코드가 실행됩니다. 간단한 예제를 살펴보겠습니다.

x = c(8, 3, -2, 5)
if (any(x < 0)) {
  print('x contains negative number')
}

## [1] "x contains negative number"

any() 함수는 적어도 하나의 값이 참이면 참으로 출력하는 함수입니다. 즉, 위의 코드는 x중 하나라도 0보다 작은 값이 있으면 x contains negative number라는 문장을 출력하며, -2가 0보다 작으므로 해당 문장을 출력합니다.

y = c (8, 3, 2, 5)
if (any (y < 0)) {
  print ("y contains negative numbers")
}

이번에는 y에 0보다 작은 값이 없으므로, 구문이 실행되지 않아 문장을 출력하지 않습니다. 이처럼 if 구문만 존재할 시 이를 만족하지 않는 경우 아무런 구문도 실행되지 않습니다. 만일 조건을 충족하지 않을 때 동작을 추가하고 싶을 경우 if else 구문을 사용하며, 이는 if의 조건을 만족하지 않을 경우 else에 해당하는 구문이 실행됩니다.

if (test_expression) {
  statement 1
} else {
  statement 2
}

만일 test_expression 구문이 TRUE이면 statement 1이 실행되며, 그렇지 않을 경우 statement 2가 실행됩니다. 실제 예제를 살펴봅시다.

y = c (8, 3, 2, 5)
if (any (y < 0)) {
  print ("y contains negative numbers")
} else {
  print ("y contains all positive numbers")
}

## [1] "y contains all positive numbers"

y에 음수가 존재하는 if 구문이 FALSE 이므로, else에 해당하는 메세지가 출력됩니다. ifelse 구문은 ifelse() 함수로 간단히 나타낼 수도 있습니다.

x = c (8, 3, 2, 5)
ifelse(any(x < 0), "x contains negative numbers", "x contains all positive numbers")

## [1] "x contains all positive numbers"

해당 함수는 ifelse(test, yes, no) 형태로 입력되며, test를 충족하면 yes가 그렇지 않으면 no가 실행됩니다. 위의 예에서는 x에 0보다 작은 값이 없으므로, no에 해당하는 내용이 실행됩니다.

또한 if와 else 사이에 else if 조건을 통해, 여러 조건을 추가할 수도 있습니다.

x = 7
if (x >= 10) {
  print ("x exceeds acceptable tolerance levels")
} else if(x >= 0 & x < 10) {
  print ("x is within acceptable tolerance levels")
} else {
  print ("x is negative")
}

## [1] "x is within acceptable tolerance levels"

위 조건은 다음과 같습니다.

1. x가 10 이상일 경우 x exceeds acceptable tolerance levels을 출력합니다.
2. 만일 x가 10 이상, 10 미만일경우 x is within acceptable tolerance levels을 출력합니다.
3. 그렇지 않을 경우 x is negative을 출력합니다.

x는 7 이므로 else에 해당하는 내용이 출력됩니다.

2.8.2.2 for loop 구문

for loop 구문은 특정한 부분의 코드가 반복적으로 수행될 수 있도록 하며, 다음과 같이 구성됩니다.

for (i in 1:100) {
  <code: do stuff here with i>
}

먼저 i에 1이 들어간 뒤 code에 해당하는 부분이 실행됩니다. 그 후, i에 2가 들어간 뒤 다시 code가 실행되며 이 작업이 100까지 반복됩니다. 실제 예제를 살펴보도록 하겠습니다.

for (i in 2016:2020) {
  output = paste("The year is", i)
  print(output)
}

## [1] "The year is 2016"
## [1] "The year is 2017"
## [1] "The year is 2018"
## [1] "The year is 2019"
## [1] "The year is 2020"

i에 2010부터 2016 까지 대입되며, The year is라는 문자와 결합해 결과가 출력됩니다.

2.8.2.3 apply 계열 함수

apply 계열의 함수는 loop 구문과 비슷한 역할을 하며, 코드를 훨씬 간결하게 표현할 수 있습니다. 먼저 가장 기본이 되는 apply() 함수는 데이터프레임의 행 혹은 열단위 계산에 자주 사용됩니다. 해당 함수는 다음과 같이 구성됩니다.

apply(x, MARGIN, FUN, ...)

• x: 매트릭스, 데이터프레임, 혹은 어레이
• MARGIN: 함수가 적용될 벡. 1은 행을, 2는 열을, c(1, 2)는 행과 열을 의미
• FUN: 적용될 함수
• …: 기타

실제 사용 예제를 살펴보도록 하겠습니다.

head(mtcars)

##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

먼저 위 데이터에서 각 열의 평균을 구하도록 합니다.

apply(mtcars, 2, mean)

##        mpg        cyl       disp         hp       drat         wt       qsec 
##  20.090625   6.187500 230.721875 146.687500   3.596563   3.217250  17.848750 
##         vs         am       gear       carb 
##   0.437500   0.406250   3.687500   2.812500

mtcars에서 2 즉 열의 방향으로 평균(mean)을 구합니다.

lapply() 함수는 리스트에 적용되며, 결과 또한 리스트로 반환됩니다. 해당 함수는 다음과 같이 구성됩니다.

lapply(x, FUN, ...)

• x: 리스트
• FUN: 적용될 함수
• …: 기타

실제 사용 예제를 살펴보도록 하겠습니다.

data = list(item1 = 1:4,
            item2 = rnorm(10),
            item3 = rnorm(20, 1),
            item4 = rnorm(100, 5))
data

## $item1
## [1] 1 2 3 4
## 
## $item2
##  [1] -0.02077458 -0.89469701  0.18650207 -1.35167015  1.84486920 -0.63000378
##  [7] -0.26248128  0.70922438 -0.16144386  0.36481063
## 
## $item3
##  [1]  0.06178541 -0.76106321  3.18713168  1.24254964  0.45562311 -0.60351836
##  [7]  0.74696993  1.03604752  1.05417372  0.78908061  0.44831214  0.51056668
## [13]  1.52577592  0.75255944  0.57730887  2.03355655  0.08176877  2.00578033
## [19]  1.51955788  0.83116622
## 
## $item4
##   [1] 3.773618 7.140272 6.373871 6.442910 5.394719 3.931181 3.657859 4.978725
##   [9] 3.633041 5.413533 6.449976 6.194914 4.956152 5.551864 3.664241 5.369738
##  [17] 4.679546 5.322856 2.699366 6.481510 5.589352 4.036252 3.928800 3.225927
##  [25] 4.163682 5.602758 5.453392 5.093787 5.405212 6.385168 3.606053 3.921336
##  [33] 3.772860 4.538532 5.115483 4.890668 4.727468 4.909043 5.929212 4.195901
##  [41] 3.510917 5.378898 5.591679 4.188480 4.558742 4.296146 5.954312 5.147854
##  [49] 6.013192 4.179167 4.208550 4.214042 5.477456 5.840416 5.037626 4.669449
##  [57] 6.901959 7.497403 5.030724 5.167683 4.838451 3.506993 6.218069 5.300406
##  [65] 4.823231 4.539852 5.527587 6.744740 5.683414 6.076160 4.547869 5.227108
##  [73] 5.803723 6.820337 4.687225 4.728715 4.026792 3.367230 6.423257 4.958354
##  [81] 4.949337 4.490070 5.417198 5.050322 4.303773 6.302379 5.040172 6.008816
##  [89] 6.554918 5.342723 5.675857 4.436974 6.965062 5.320532 5.287560 4.845243
##  [97] 5.251737 5.118222 4.329333 4.114879

4개의 원소로 구성된 리스트에서 각 원소의 평균을 구하고자 할 경우, 리스트에 적용되는 apply인 lapply() 함수를 사용해야 합니다.

lapply(data, mean)

## $item1
## [1] 2.5
## 
## $item2
## [1] -0.02156644
## 
## $item3
## [1] 0.8747566
## 
## $item4
## [1] 5.081201

lapply() 함수를 통해 각 항목의 평균을 구할 수 있으며, 결과 또한 리스트 형태로 반환됩니다. 해당 함수는 좀더 복잡한 형태로 응용도 가능합니다.

beaver_data = list(beaver1 = beaver1, beaver2 = beaver2)
lapply(beaver_data, head)

## $beaver1
##   day time  temp activ
## 1 346  840 36.33     0
## 2 346  850 36.34     0
## 3 346  900 36.35     0
## 4 346  910 36.42     0
## 5 346  920 36.55     0
## 6 346  930 36.69     0
## 
## $beaver2
##   day time  temp activ
## 1 307  930 36.58     0
## 2 307  940 36.73     0
## 3 307  950 36.93     0
## 4 307 1000 37.15     0
## 5 307 1010 37.23     0
## 6 307 1020 37.24     0

위 데이터의 각 항목에서 열 별 평균을 구하고자 할 경우 lapply() 함수 만으로는 계산이 불가능합니다. 이러한 경우 해당 함수 내부에 새로운 함수인 function()을 정의하여 복잡한 계산을 수행할 수 있습니다.

lapply(beaver_data, function(x) {
  round(apply(x, 2, mean), 2)
})

## $beaver1
##     day    time    temp   activ 
##  346.20 1312.02   36.86    0.05 
## 
## $beaver2
##     day    time    temp   activ 
##  307.13 1446.20   37.60    0.62

function(x)를 통해 각 항목에 적용될 함수를 직접 정의할 수 있습니다. 우리가 정의한 함수는 apply() 함수를 통해 열의 방향으로 평균을 구한 뒤 소수 둘째 자리까지 반올림을 하는 것이며, 해당 함수가 리스트의 모든 원소에 적용됩니다.

마지막으로 살펴볼 sapply() 함수는 lapply() 함수와 거의 동일하며, 결과가 리스트가 아닌 벡터 혹은 매트릭스로 출력된다는 점만 차이가 있습니다.

lapply(beaver_data, function(x) {
  round(apply(x, 2, mean), 2)
})

## $beaver1
##     day    time    temp   activ 
##  346.20 1312.02   36.86    0.05 
## 
## $beaver2
##     day    time    temp   activ 
##  307.13 1446.20   37.60    0.62

sapply(beaver_data, function(x) {
  round(apply(x, 2, mean), 2)
})

##       beaver1 beaver2
## day    346.20  307.13
## time  1312.02 1446.20
## temp    36.86   37.60
## activ    0.05    0.62

sapply() 함수는 각 원소에 적용된 값을 벡터로 하는 매트릭스 형태로 결과값이 출력됩니다.

2.8.2.4 기타 함수

열과 행이 합계나 평균처럼 일반적으로 많이 사용되는 계산에는 apply() 함수보다 간단하게 표현할 수 있는 함수들이 있습니다.

rowSums(mtcars)

##           Mazda RX4       Mazda RX4 Wag          Datsun 710      Hornet 4 Drive 
##             328.980             329.795             259.580             426.135 
##   Hornet Sportabout             Valiant          Duster 360           Merc 240D 
##             590.310             385.540             656.920             270.980 
##            Merc 230            Merc 280           Merc 280C          Merc 450SE 
##             299.570             350.460             349.660             510.740 
##          Merc 450SL         Merc 450SLC  Cadillac Fleetwood Lincoln Continental 
##             511.500             509.850             728.560             726.644 
##   Chrysler Imperial            Fiat 128         Honda Civic      Toyota Corolla 
##             725.695             213.850             195.165             206.955 
##       Toyota Corona    Dodge Challenger         AMC Javelin          Camaro Z28 
##             273.775             519.650             506.085             646.280 
##    Pontiac Firebird           Fiat X1-9       Porsche 914-2        Lotus Europa 
##             631.175             208.215             272.570             273.683 
##      Ford Pantera L        Ferrari Dino       Maserati Bora          Volvo 142E 
##             670.690             379.590             694.710             288.890

colSums(mtcars)

##      mpg      cyl     disp       hp     drat       wt     qsec       vs 
##  642.900  198.000 7383.100 4694.000  115.090  102.952  571.160   14.000 
##       am     gear     carb 
##   13.000  118.000   90.000

rowSums() 함수는 행의 합계를, colSums() 함수는 열의 합계는 구하며 이는 apply(mtcars, 1 or 2, sum) 과 동일합니다.

rowMeans(mtcars)

##           Mazda RX4       Mazda RX4 Wag          Datsun 710      Hornet 4 Drive 
##            29.90727            29.98136            23.59818            38.73955 
##   Hornet Sportabout             Valiant          Duster 360           Merc 240D 
##            53.66455            35.04909            59.72000            24.63455 
##            Merc 230            Merc 280           Merc 280C          Merc 450SE 
##            27.23364            31.86000            31.78727            46.43091 
##          Merc 450SL         Merc 450SLC  Cadillac Fleetwood Lincoln Continental 
##            46.50000            46.35000            66.23273            66.05855 
##   Chrysler Imperial            Fiat 128         Honda Civic      Toyota Corolla 
##            65.97227            19.44091            17.74227            18.81409 
##       Toyota Corona    Dodge Challenger         AMC Javelin          Camaro Z28 
##            24.88864            47.24091            46.00773            58.75273 
##    Pontiac Firebird           Fiat X1-9       Porsche 914-2        Lotus Europa 
##            57.37955            18.92864            24.77909            24.88027 
##      Ford Pantera L        Ferrari Dino       Maserati Bora          Volvo 142E 
##            60.97182            34.50818            63.15545            26.26273

colMeans(mtcars)

##        mpg        cyl       disp         hp       drat         wt       qsec 
##  20.090625   6.187500 230.721875 146.687500   3.596563   3.217250  17.848750 
##         vs         am       gear       carb 
##   0.437500   0.406250   3.687500   2.812500

rowMeans() 함수와 colMeans() 함수 역시 각각 행과 열의 평균을 구합니다.

2.9.1.1 pivot_longer(): 세로로 긴 데이터 만들기

먼저 가로로 긴(Wide) 데이터를 세로로 길게 만드는데는 pivot_longer() 함수가 사용됩니다. 이 함수는 여러 열을 key-value 페어로 변형해줍니다.

library(tidyr)
table4a

## # A tibble: 3 x 3
##   country     `1999` `2000`
## * <chr>        <int>  <int>
## 1 Afghanistan    745   2666
## 2 Brazil       37737  80488
## 3 China       212258 213766

위 예제에는 세 국가의 1999, 2000년 데이터가 있습니다. 이 중 country를 제외한 연도별 데이터를 세로로 길게 만들도록 하겠습니다.

long = table4a %>% pivot_longer(names_to = 'years', values_to = 'cases', -country)
print(long)

## # A tibble: 6 x 3
##   country     years  cases
##   <chr>       <chr>  <int>
## 1 Afghanistan 1999     745
## 2 Afghanistan 2000    2666
## 3 Brazil      1999   37737
## 4 Brazil      2000   80488
## 5 China       1999  212258
## 6 China       2000  213766

열 이름에 해당하던 1999, 2000 데이터가 names_to에 입력한 years 열에 입력되었습니다. 또한 각 관측값이 values_to에 입력한 cases 열에 입력되었습니다. country 앞에는 마이너스(-) 기호를 붙여 해당 열은 그대로 유지됩니다.

2.9.1.2 pivot_wider(): 가로로 긴 데이터 만들기

pivot_longer() 함수와 반대로, pivot_wider() 함수를 이용할 경우 세로로 긴 데이터를 가로로 길게 만들 수 있습니다. 위의 데이터에 year 열에 있는 항목들을 열 이름으로, cases 열에 있는 항목들을 가로로 길게 되돌려 보겠습니다.

back2wide = long %>% pivot_wider(names_from = 'years', values_from = 'cases')
print(back2wide)

## # A tibble: 3 x 3
##   country     `1999` `2000`
##   <chr>        <int>  <int>
## 1 Afghanistan    745   2666
## 2 Brazil       37737  80488
## 3 China       212258 213766

names_from와 values_from에 각각 열이름 및 관측값에 해당하는 값을 입력하면, 원래대로 가로로 긴 테이블 형태가 되었습니다.

2.9.1.3 separate(): 하나의 열을 여러 열로 나누기

table3

## # A tibble: 6 x 3
##   country      year rate             
## * <chr>       <int> <chr>            
## 1 Afghanistan  1999 745/19987071     
## 2 Afghanistan  2000 2666/20595360    
## 3 Brazil       1999 37737/172006362  
## 4 Brazil       2000 80488/174504898  
## 5 China        1999 212258/1272915272
## 6 China        2000 213766/1280428583

rate 열에는 데이터가 ###/#### 형태로 들어가 있습니다. / 기호를 기준으로 앞과 뒤로 각각 나누어보도록 하겠습니다.

table3 %>% 
  separate(rate, into = c("cases", "population"))

## # A tibble: 6 x 4
##   country      year cases  population
##   <chr>       <int> <chr>  <chr>     
## 1 Afghanistan  1999 745    19987071  
## 2 Afghanistan  2000 2666   20595360  
## 3 Brazil       1999 37737  172006362 
## 4 Brazil       2000 80488  174504898 
## 5 China        1999 212258 1272915272
## 6 China        2000 213766 1280428583

separate() 함수를 사용할 경우 rate 열이 “/”를 기준으로 into에 입력한 cases와 population 열로 분리됩니다.

table3 %>% 
  separate(rate, into = c("cases", "population"), remove = FALSE)

## # A tibble: 6 x 5
##   country      year rate              cases  population
##   <chr>       <int> <chr>             <chr>  <chr>     
## 1 Afghanistan  1999 745/19987071      745    19987071  
## 2 Afghanistan  2000 2666/20595360     2666   20595360  
## 3 Brazil       1999 37737/172006362   37737  172006362 
## 4 Brazil       2000 80488/174504898   80488  174504898 
## 5 China        1999 212258/1272915272 212258 1272915272
## 6 China        2000 213766/1280428583 213766 1280428583

remove = FALSE 인자를 추가해주면 원래의 열이 사라지지 않고 유지됩니다.

2.9.1.4 unite(): 여러 열을 하나로 합치기

separate() 함수와는 반대로, unite() 함수를 이용시 여러 열을 하나로 합칠 수 있습니다.

table5

## # A tibble: 6 x 4
##   country     century year  rate             
## * <chr>       <chr>   <chr> <chr>            
## 1 Afghanistan 19      99    745/19987071     
## 2 Afghanistan 20      00    2666/20595360    
## 3 Brazil      19      99    37737/172006362  
## 4 Brazil      20      00    80488/174504898  
## 5 China       19      99    212258/1272915272
## 6 China       20      00    213766/1280428583

이번에는 century와 year 열을 합친 후 새로운 열을 만들어보도록 하겠습니다.

table5 %>% 
  unite(new, century, year, sep = "_")

## # A tibble: 6 x 3
##   country     new   rate             
##   <chr>       <chr> <chr>            
## 1 Afghanistan 19_99 745/19987071     
## 2 Afghanistan 20_00 2666/20595360    
## 3 Brazil      19_99 37737/172006362  
## 4 Brazil      20_00 80488/174504898  
## 5 China       19_99 212258/1272915272
## 6 China       20_00 213766/1280428583

century 열과 year열이 합쳐진 후 new 열에 입력되었으며, sep 인자를 통해 구분자는 “_”로 설정하였습니다.

2.9.1.5 tidyr 패키지의 기타 함수

먼저 fill() 함수는 결측치를 채워주는 역할을 합니다.

score = tribble(
  ~ person, ~ Math, ~ Computer,
  "Henry",  1,         7,
  NA,       2,         10,
  NA,       NA,        9,
  "David",  1,         4
)
score

## # A tibble: 4 x 3
##   person  Math Computer
##   <chr>  <dbl>    <dbl>
## 1 Henry      1        7
## 2 <NA>       2       10
## 3 <NA>      NA        9
## 4 David      1        4

score의 2번째와 3번째 행에 NA 데이터가 있어 이를 채워줄 필요가 있습니다.

score %>% 
  fill(person, Math)

## # A tibble: 4 x 3
##   person  Math Computer
##   <chr>  <dbl>    <dbl>
## 1 Henry      1        7
## 2 Henry      2       10
## 3 Henry      2        9
## 4 David      1        4

fill() 함수는 결측치가 있을 경우, 각 열의 이전 데이터를 이용해 채워줍니다. 반면에 NA 데이터를 특정 값으로 변경할 수도 있습니다.

score %>% replace_na(replace = list(person = "unknown", Math = 0))

## # A tibble: 4 x 3
##   person   Math Computer
##   <chr>   <dbl>    <dbl>
## 1 Henry       1        7
## 2 unknown     2       10
## 3 unknown     0        9
## 4 David       1        4

replace_na() 함수를 이용해 person 열의 NA 데이터를 unknown으로, Math열의 NA 데이터를 0으로 변경하였습니다.

2.9.2.1 select(): 원하는 열 선택하기

select() 함수를 이용해 특정 열만을 선택할 수 있습니다.

flights %>% select(year, month, day) %>% head()

## # A tibble: 6 x 3
##    year month   day
##   <int> <int> <int>
## 1  2013     1     1
## 2  2013     1     1
## 3  2013     1     1
## 4  2013     1     1
## 5  2013     1     1
## 6  2013     1     1

select() 함수 내에 선택하고자 하는 열을 입력하여 year, month, day 열을 선택했습니다.

flights %>% select(year:day) %>% head()

## # A tibble: 6 x 3
##    year month   day
##   <int> <int> <int>
## 1  2013     1     1
## 2  2013     1     1
## 3  2013     1     1
## 4  2013     1     1
## 5  2013     1     1
## 6  2013     1     1

콜론(:)을 이용해 year부터 day 까지의 열을 한번에 선택할 수도 있습니다.

flights %>% select(-(year:day)) %>% head()

## # A tibble: 6 x 16
##   dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier
##      <int>          <int>     <dbl>    <int>          <int>     <dbl> <chr>  
## 1      517            515         2      830            819        11 UA     
## 2      533            529         4      850            830        20 UA     
## 3      542            540         2      923            850        33 AA     
## 4      544            545        -1     1004           1022       -18 B6     
## 5      554            600        -6      812            837       -25 DL     
## 6      554            558        -4      740            728        12 UA     
## # ... with 9 more variables: flight <int>, tailnum <chr>, origin <chr>,
## #   dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
## #   time_hour <dttm>

마이너스(-)를 이용할 경우 해당 열을 제외한 모든 열이 선택됩니다.

flights %>% select(starts_with("dep")) %>% head()

## # A tibble: 6 x 2
##   dep_time dep_delay
##      <int>     <dbl>
## 1      517         2
## 2      533         4
## 3      542         2
## 4      544        -1
## 5      554        -6
## 6      554        -4

select() 함수 내에 starts_with() 함수를 이용할 경우, 해당 문자로 시작하는 열을 모두 선택할 수 있습니다. 이 외에도 ends_with() 함수는 해당 문자로 끝나는 열울, contains() 함수는 해당 문자가 포함되는 열을 선택합니다.

2.9.2.2 rename(): 열이름 바꾸기

flights %>% rename(tail_num = tailnum) %>% select(tail_num) %>% head()

## # A tibble: 6 x 1
##   tail_num
##   <chr>   
## 1 N14228  
## 2 N24211  
## 3 N619AA  
## 4 N804JB  
## 5 N668DN  
## 6 N39463

rename() 함수를 이용해 tailnum 이던 열 이름을 tail_num 으로 변경하였습니다. 해당 함수는 rename(변경하고자 하는 이름 = 변경전 이름) 형태로 입력해야 합니다.

2.9.2.3 filter(): 필터링

특정 열에 원하는 데이터가 있는 부분만 필터링을 해야하는 경우가 많으며, filter() 함수를 사용해 손쉽게 해결할 수 있습니다.

flights %>% filter(month == 3, day == 1) %>% head()

## # A tibble: 6 x 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     3     1        4           2159       125      318             56
## 2  2013     3     1       50           2358        52      526            438
## 3  2013     3     1      117           2245       152      223           2354
## 4  2013     3     1      454            500        -6      633            648
## 5  2013     3     1      505            515       -10      746            810
## 6  2013     3     1      521            530        -9      813            827
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>

filter() 함수 내에 필터링 하고자 하는 조건, 즉 month가 3이고 day가 1인 조건을 입력하면 해당 조건에 부합하는 행만 선택됩니다.

2.9.2.4 summarize(): 요약값 계산하기

요약 통계값은 summarize() 함수를 통해 쉽게 계산할 수 있습니다.

flights %>% summarize(max_dep = max(dep_time, na.rm = TRUE),
                      min_dep = min(dep_time, na.rm = TRUE))

## # A tibble: 1 x 2
##   max_dep min_dep
##     <int>   <int>
## 1    2400       1

summarize() 함수를 통해 max_dep에는 dep_time의 최대값을, min_dep에는 dep_time의 최소값을 구해줍니다. na.rm 인자를 TRUE로 설정하여 NA 데이터는 제거해 줍니다.

2.9.2.5 group_by(): 원하는 조건으로 그룹화

각 그룹별 통계량을 계산할 때는 group_by() 함수를 통해 그룹을 묶고, 계산하는 것이 편합니다.

by_day = flights %>% group_by(year, month, day)
by_day %>% head()

## # A tibble: 6 x 19
## # Groups:   year, month, day [1]
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     1     1      517            515         2      830            819
## 2  2013     1     1      533            529         4      850            830
## 3  2013     1     1      542            540         2      923            850
## 4  2013     1     1      544            545        -1     1004           1022
## 5  2013     1     1      554            600        -6      812            837
## 6  2013     1     1      554            558        -4      740            728
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>

year, month, day를 기준으로 그룹을 묶었습니다. 아직 계산을 하지 않았으므로 출력되는 데이터프레임 자체는 원래와 동일하며, Groups를 통해 어떠한 조건으로 그룹이 묶여있는지 확인됩니다.

by_day %>%
  summarise(delay = mean(dep_delay, na.rm = TRUE)) %>%
  head()

## # A tibble: 6 x 4
## # Groups:   year, month [1]
##    year month   day delay
##   <int> <int> <int> <dbl>
## 1  2013     1     1 11.5 
## 2  2013     1     2 13.9 
## 3  2013     1     3 11.0 
## 4  2013     1     4  8.95
## 5  2013     1     5  5.73
## 6  2013     1     6  7.15

해당 데이터는 그룹별로 묶여 있으므로, summarise() 함수를 적용하면 각 그룹(year, month, day) 별로 dep_delay의 평균을 구합니다.

flights %>% group_by(dest) %>%
  summarize(
    count = n(),
    dist = mean(distance, na.rm = TRUE),
    delay = mean(arr_delay, na.rm = TRUE)
)

## # A tibble: 105 x 4
##    dest  count  dist delay
##    <chr> <int> <dbl> <dbl>
##  1 ABQ     254 1826   4.38
##  2 ACK     265  199   4.85
##  3 ALB     439  143  14.4 
##  4 ANC       8 3370  -2.5 
##  5 ATL   17215  757. 11.3 
##  6 AUS    2439 1514.  6.02
##  7 AVL     275  584.  8.00
##  8 BDL     443  116   7.05
##  9 BGR     375  378   8.03
## 10 BHM     297  866. 16.9 
## # ... with 95 more rows

한 번에 여러 통계량을 계산할 수도 있으며, n()은 데이터의 갯수를 의미합니다.

2.9.2.6 arrange(): 데이터 정렬하기

arrange() 함수를 통해 원하는 열을 기준으로 데이터를 순서대로 정렬할 수 있으며, 오름차순을 기본으로 합니다.

flights %>% arrange(year, month, day) %>% head()

## # A tibble: 6 x 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     1     1      517            515         2      830            819
## 2  2013     1     1      533            529         4      850            830
## 3  2013     1     1      542            540         2      923            850
## 4  2013     1     1      544            545        -1     1004           1022
## 5  2013     1     1      554            600        -6      812            837
## 6  2013     1     1      554            558        -4      740            728
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>

arrange() 함수 내에 입력한 [year -> month -> day] 순으로 오름차순 정렬이 됩니다.

flights %>% arrange(desc(dep_delay)) %>% head()

## # A tibble: 6 x 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     1     9      641            900      1301     1242           1530
## 2  2013     6    15     1432           1935      1137     1607           2120
## 3  2013     1    10     1121           1635      1126     1239           1810
## 4  2013     9    20     1139           1845      1014     1457           2210
## 5  2013     7    22      845           1600      1005     1044           1815
## 6  2013     4    10     1100           1900       960     1342           2211
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>

정렬하고자 하는 열에 desc() 함수를 추가할 경우, 오름차순이 아닌 내림차순으로 정렬됩니다.

2.9.2.7 *_join(): 데이터 합치기

여러 테이블을 하나로 합치기 위해 *_join() 함수를 이용합니다. 합치는 방법은 그림 2.25과 표 2.4 같이 크게 네가지 종류가 있습니다.

Figure 2.25: *_ join() 함수의 종류

다음 두개의 데이터 테이블을 이용하도록 합니다.

flights2 = flights %>% 
  select(year:day, hour, tailnum, carrier)
flights2 %>% head()

## # A tibble: 6 x 6
##    year month   day  hour tailnum carrier
##   <int> <int> <int> <dbl> <chr>   <chr>  
## 1  2013     1     1     5 N14228  UA     
## 2  2013     1     1     5 N24211  UA     
## 3  2013     1     1     5 N619AA  AA     
## 4  2013     1     1     5 N804JB  B6     
## 5  2013     1     1     6 N668DN  DL     
## 6  2013     1     1     5 N39463  UA

airlines %>% head()

## # A tibble: 6 x 2
##   carrier name                    
##   <chr>   <chr>                   
## 1 9E      Endeavor Air Inc.       
## 2 AA      American Airlines Inc.  
## 3 AS      Alaska Airlines Inc.    
## 4 B6      JetBlue Airways         
## 5 DL      Delta Air Lines Inc.    
## 6 EV      ExpressJet Airlines Inc.

flights2 데이터에는 항공사 명의 약자인 carrier가 있으며, airlines 데이터는 해당 약자의 풀 네임이 적혀있습니다. left_join() 함수를 이용해 왼쪽 데이터프레임을 기준으로 데이터를 합치도록 하며, 두 데이터 모두 carrier 열이 있으므로 이를 기준으로 데이터가 합치도록 하겠습니다.

flights2 %>%
  left_join(airlines, by = "carrier") %>%
  head()

## # A tibble: 6 x 7
##    year month   day  hour tailnum carrier name                  
##   <int> <int> <int> <dbl> <chr>   <chr>   <chr>                 
## 1  2013     1     1     5 N14228  UA      United Air Lines Inc. 
## 2  2013     1     1     5 N24211  UA      United Air Lines Inc. 
## 3  2013     1     1     5 N619AA  AA      American Airlines Inc.
## 4  2013     1     1     5 N804JB  B6      JetBlue Airways       
## 5  2013     1     1     6 N668DN  DL      Delta Air Lines Inc.  
## 6  2013     1     1     5 N39463  UA      United Air Lines Inc.

flights2에서 모든 데이터를 가져오며, airlines의 name 열이 기존 테이블에 추가됩니다. join 구문에 대한 더욱 상세한 예제 및 애니메이션은 다음 주소를 참조하시기 바랍니다.

• https://github.com/gadenbuie/tidyexplain

2.9.2.8 mutate(): 새로운 열 생성하기

mutate() 함수를 사용해 기존 열끼리 계산을 하여 새로운 열을 생성할 수 있습니다.

flights_sml = flights %>%
  select(
    year:day, 
    ends_with("delay"), 
    distance, 
    air_time
    )
flights_sml %>%
  mutate(
    gain = dep_delay - arr_delay,
    speed = distance / air_time * 60
    ) %>%
  head()

## # A tibble: 6 x 9
##    year month   day dep_delay arr_delay distance air_time  gain speed
##   <int> <int> <int>     <dbl>     <dbl>    <dbl>    <dbl> <dbl> <dbl>
## 1  2013     1     1         2        11     1400      227    -9  370.
## 2  2013     1     1         4        20     1416      227   -16  374.
## 3  2013     1     1         2        33     1089      160   -31  408.
## 4  2013     1     1        -1       -18     1576      183    17  517.
## 5  2013     1     1        -6       -25      762      116    19  394.
## 6  2013     1     1        -4        12      719      150   -16  288.

먼저 flights에서 일부 열을 선택하여 flights_sml에 저장합니다.그 후, mutate() 함수를 이용해 새로운 열을 만들어 줍니다. gain 열에는 dep_delay와 arr_delay의 차이가, speed 열에는 distance와 air_time 비에 60을 곱한 값이 새롭게 생성됩니다.

flights_sml %>%
  mutate(
    across(c('dep_delay', 'arr_delay'), ~ .x * 60)
    ) %>%
  head()

## # A tibble: 6 x 7
##    year month   day dep_delay arr_delay distance air_time
##   <int> <int> <int>     <dbl>     <dbl>    <dbl>    <dbl>
## 1  2013     1     1       120       660     1400      227
## 2  2013     1     1       240      1200     1416      227
## 3  2013     1     1       120      1980     1089      160
## 4  2013     1     1       -60     -1080     1576      183
## 5  2013     1     1      -360     -1500      762      116
## 6  2013     1     1      -240       720      719      150

동일한 함수를 한번에 여러행에 적용해야 할 때는 mutate() 함수 내에 across() 함수를 입력합니다. 위 예제에서는 dep_delay과 arr_delay열의 데이터에 60을 곱해주었습니다. across() 함수의 자세한 사용법은 다소 생소하고 어려울 수 있으므로 아래 페이지의 내용을 따라가며 익히시는게 좋습니다.

• https://dplyr.tidyverse.org/reference/across.html