R on ohjelmointikieli ja ohjelmistoympäristö, jota käytetään ensisijaisesti tilastolaskentaan ja grafiikkaan. Se tarjoaa laajan valikoiman työkaluja tietojen käsittelyyn, analysointiin, visualisointiin ja tilastolliseen mallinnukseen.
Tietojen yhdistäminen on tehtävä tietojen analysoinnissa ja tietojen käsittelyssä. R:ssä on useita tapoja yhdistää datakehyksiä käyttämällä 'yhdistää()' toiminto R-kannasta käyttämällä 'dplyr' paketti ja 'data.taulukko' paketti. Tässä opetusohjelmassa käytämme yllä olevia kolmea tapaa yhdistää tiedot käyttämällä R.
1. Yhdistä()-komentoa R-kannasta:
Merge()-funktio perus R:ssä auttaa meitä yhdistämään kaksi tai useampia tietokehystä yhteisten sarakkeiden perusteella. Se suorittaa erilaisia liitoksia, kuten sisäliitoksen, vasemman liitoksen, oikean liitoksen ja täyden liitoksen.
Syntaksi:
merged_df <- merge(x,y,by = 'common_column',..)>
- 'x' ja 'ja' ovat tietokehykset, jotka haluat yhdistää.
- 'tekijä' määrittää yleiset sarakkeet, joissa yhdistäminen suoritetaan.
- Lisäargumentteja esim 'kaikki.x' , liittolainen' ja 'kaikki' hallitsee suoritettavan liitoksen tyyppiä.
Esimerkki:
Harkitse kahta datakehystä 'df1' ja 'df2'
R
df1 <->data.frame>(ID =>c>(1, 2, 3, 4),> >Name =>c>(>'A'>,>'B'>,>'C'>,>'D'>),> >Age =>c>(25, 30, 35, 40))> df2 <->data.frame>(ID =>c>(2, 3, 4, 5),> >Occupation =>c>(>'Engineer'>,>'Teacher'>,>'Doctor'>,>'Lawyer'>),> >Salary =>c>(5000, 4000, 6000, 7000))> |
>
>
Katsotaanpa esimerkkejä erityyppisten liitosten suorittamisesta 'merge()'-funktiolla:
1. Sisäliitos (oletustoiminto):
R
inner_join <->merge>(df1, df2, by =>'ID'>)> print>(inner_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 2 B 30 Engineer 5000 2 3 C 35 Teacher 4000 3 4 D 40 Doctor 6000>
Tuloksena oleva 'inner_join' -tietokehys sisältää vain yleiset rivit, joissa 'ID' on läsnä sekä 'df1' ja 'df2'.
2. Vasen join( 'all.x=TRUE' ):
R
left_join <->merge>(df1, df2, by =>'ID'>, all.x =>TRUE>)> print>(left_join)> |
>
k lähimmän naapurin algoritmi
>
Lähtö:
ID Name Age Occupation Salary 1 1 A 25 NA 2 2 B 30 Engineer 5000 3 3 C 35 Teacher 4000 4 4 D 40 Doctor 6000>
Tuloksena oleva 'left_join' -tietokehys sisältää kaikki rivit kohteesta 'df1' ja vastaavat rivit tiedostosta 'df2'. Ei-vastaavilla riveillä df2:sta on NA-arvo
3. Liity oikealle ( 'all.y=TRUE' ):
R
right_join <->merge>(df1, df2, by =>'ID'>, all.y =>TRUE>)> print>(right_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 2 B 30 Engineer 5000 2 3 C 35 Teacher 4000 3 4 D 40 Doctor 6000 4 5 NA Lawyer 7000>
Tuloksena oleva 'right_join' -tietokehys sisältää kaikki rivit kohteesta 'df2' ja vastaavat rivit kohteesta 'df1'. Ei-vastaavilla riveillä df1:stä on NA-arvot.
4. Täysi ulkoliitos( 'kaikki = TOSI' )
R
full_join <->merge>(df1, df2, by =>'ID'>, all =>TRUE>)> print>(full_join)> |
>
1 miljoonan numero
>
Lähtö:
ID Name Age Occupation Salary 1 1 A 25 NA 2 2 B 30 Engineer 5000 3 3 C 35 Teacher 4000 4 4 D 40 Doctor 6000 5 5 NA Lawyer 7000>
Tuloksena oleva 'full_join' -tietokehys sisältää kaikki rivit sekä df1:stä että df2:sta. Ei-vastaavilla arvoilla on NA-arvot.
2. dplyr-paketin käyttäminen:
'dplyr'-paketti tarjoaa joukon toimintoja tietojen käsittelyyn, mukaan lukien tietokehysten yhdistäminen.
Ensisijainen toiminto dplyr:n yhdistämisessä on 'liittyä seuraan()', joka tukee erityyppisiä liitoksia.
Syntaksi:
merged_df<- join(x,y,by='common_column',type='type_of_join')>
- 'x' ja 'ja' ovat yhdistettävät tietokehykset.
- 'tekijä' määrittää yleiset sarakkeet, joille yhdistäminen suoritetaan
- 'liittymistyyppi' voi olla 'sisä', 'vasen', 'oikea' tai 'täysi' liitoksen tyypin määrittämiseksi.
Esimerkki:
Asenna dplyr() pakkaa ja luo kaksi tietokehystä, 'df1' ja 'df2'.
R
library>(dplyr)> df1 <->data.frame>(ID =>c>(1, 2, 3, 4),> >Name =>c>(>'A'>,>'B'>,>'C'>,>'D'>),> >Age =>c>(20, 30, 40, 50))> df2 <->data.frame>(ID =>c>(2, 3, 4, 5),> >Occupation =>c>(>'Engineer'>,>'Teacher'>,>'Doctor'>,>'Lawyer'>),> >Salary =>c>(2000, 4000, 6000, 7000))> |
>
>
Katsotaanpa esimerkkejä erityyppisten liitosten suorittamisesta 'dplyr'-funktioiden avulla:
1. Sisäinen liitos:
mikä on internet
R
inner_join <->inner_join>(df1, df2, by =>'ID'>)> print>(inner_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 2 B 30 Engineer 2000 2 3 C 40 Teacher 4000 3 4 D 50 Doctor 6000>
Tuloksena oleva 'inner_join' -tietokehys sisältää vain yleiset rivit, joissa 'ID' on sekä 'df1':ssä että 'df2':ssa.
2. Vasen liitos:
R
left_join <->left_join>(df1, df2, by =>'ID'>)> print>(left_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 1 A 20 NA 2 2 B 30 Engineer 2000 3 3 C 40 Teacher 4000 4 4 D 50 Doctor 6000>
Tuloksena oleva 'left_join' -tietokehys sisältää kaikki rivit kohteesta 'df1' ja vastaavat rivit kohteesta 'df2' . Ei-vastaavilla riveillä df2:sta on NA-arvot.
3. Oikea liitos:
R
right_join <->right_join>(df1, df2, by =>'ID'>)> print>(right_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 2 B 30 Engineer 2000 2 3 C 40 Teacher 4000 3 4 D 50 Doctor 6000 4 5 NA Lawyer 7000>
Tuloksena oleva 'right_join' -tietokehys sisältää kaikki rivit kohteesta 'df2' ja vastaavat rivit kohteesta 'df1'. Vastaamattomilla df1-riveillä on NA-arvot.
4. Täysi ulkoinen liitos:
R
sovelma sovelma
full_join <->full_join>(df1, df2, by =>'ID'>)> print>(full_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 1 A 20 NA 2 2 B 30 Engineer 2000 3 3 C 40 Teacher 4000 4 4 D 50 Doctor 6000 5 5 NA Lawyer 7000>
Tuloksena oleva 'full_join' -tietokehys sisältää kaikki rivit sekä df1:stä että df2:sta . Ei-vastaavilla riveillä on NA-arvot.
3. Data.table-paketin käyttäminen:
Data.table-paketti tarjoaa tehokkaan ja nopean lähestymistavan tietojen käsittelyyn. Se tarjoaa 'merge()'-toiminnon. Se on samanlainen kuin perus-R, mutta optimoitu nopeudelle.
Syntaksi:
merged_dt <- merge(x, y, by = 'common_column', ...)>
- 'x' ja 'ja' ovat datakehykset, jotka on tarkoitus yhdistää.
- 'tekijä' määrittää yleiset sarakkeet, joissa yhdistäminen suoritetaan.
- Lisäargumentteja esim 'kaikki.x', 'kaikki.y' ja 'kaikki' joka hallitsee liitoksen tyyppiä.
Esimerkki:
Asenna data.table-kirjasto ja luo kaksi tietotaulukkoa, 'dt1' ja 'dt2'.
R
library>(data.table)> dt1 <->data.table>(ID =>c>(1, 2, 3, 4),> >Name =>c>(>'A'>,>'B'>,>'C'>,>'D'>),> >Age =>c>(25, 30, 35, 40))> dt2 <->data.table>(ID =>c>(2, 3, 4, 5),> >Occupation =>c>(>'Engineer'>,>'Teacher'>,>'Doctor'>,>'Lawyer'>),> >Salary =>c>(5000, 4000, 6000, 7000))> |
>
>
Katsotaanpa esimerkkejä erityyppisten yhdistämisten suorittamisesta data.table-paketin 'merge()'-funktiolla:
1. Sisäliitos (oletuskäyttäytyminen):
R
inner_join <->merge>(df1, df2, by =>'ID'>)> print>(inner_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 2 B 30 Engineer 2000 2 3 C 40 Teacher 4000 3 4 D 50 Doctor 6000>
Tuloksena oleva 'inner_join' -tietokehys sisältää vain yleiset rivit, joissa 'ID' on sekä 'df1':ssä että 'df2':ssa.
2. Vasen liitos('all.x = TRUE'):
R
arraylist java
left_join <->merge>(df1, df2, by =>'ID'>, all.x =>TRUE>)> print>(left_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 1 A 20 NA 2 2 B 30 Engineer 2000 3 3 C 40 Teacher 4000 4 4 D 50 Doctor 6000>
Tuloksena oleva 'left_join' -tietokehys sisältää kaikki Ei täsmää kohteesta 'df1' ja vastaavat rivit kohdasta 'df2'. Ei-vastaavilla riveillä df2:sta on NA-arvot.
3. Oikea liitos ('all.y = TRUE'):
R
right_join <->merge>(df1, df2, by =>'ID'>, all.y =>TRUE>)> print>(right_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 2 B 30 Engineer 2000 2 3 C 40 Teacher 4000 3 4 D 50 Doctor 6000 4 5 NA Lawyer 7000>
Tuloksena oleva 'right_join' -tietokehys sisältää kaikki Ei täsmää rivit df2:sta ja vastaavat rivit df1:stä. Ei-vastaavilla riveillä df1:stä on NA-arvot.
3. Täysi ulkoinen liitos ('kaikki = TOSI'):
R
full_join <->merge>(df1, df2, by =>'ID'>, all =>TRUE>)> print>(full_join)> |
>
>
Lähtö:
ID Name Age Occupation Salary 1 1 A 20 NA 2 2 B 30 Engineer 2000 3 3 C 40 Teacher 4000 4 4 D 50 Doctor 6000 5 5 NA Lawyer 7000>
Tuloksena oleva 'full_join' -tietokehys sisältää kaikki Ei täsmää rivit sekä df1:stä että df2:sta. Ei-vastaavilla riveillä on NA-arvot.
Yksi 'dplyr'- ja 'data.table'-käytön eduista on, että ne tarjoavat tiiviimmän ja luettavamman syntaksin tietojen käsittelyyn verrattuna perus-R:hen.
Yhteenveto:
- 'merge()' tarjoaa yleiskäyttöisen toiminnon datakehysten yhdistämiseen.
- 'dplyr' keskittyy yhdistämiseen keskittyen luettavuuteen ja helppokäyttöisyyteen.
- 'tiedot. taulukko tarjoaa nopean ja tehokkaan tavan käsitellä suuria tietojoukkoja optimoidulla suorituskyvyllä.
- Meidän tulisi valita lähestymistapa tehtävän monimutkaisuuden ja suoritusvaatimusten perusteella.