[R数据科学]tidyverse数据清洗案例详解

介绍

本中你将学习在R中数据处理简洁的方法，称为tidy data。将数据转换为这种格式需要一些前期工作，但这些工作从长远来看是值得的。一旦你有了整洁的数据和一些包提供的整洁工具，您将花费很少时间将数据从一种表示转换到另一种，从而可以将更多的时间花在分析问题上。

本文将为您提供整理数据的实用介绍以及tidyr包中附带的工具。如果你想了解更多的基本理论，你可能会喜欢发表在《统计软件杂志》上的tidy data论文[1]。

本文框架

数据清洗案例

我们主要通过一个案例，来了解如何整洁数据，并将案例中的各个有用函数进行详细解读。该例子来自《R for data science》[2],案例数据来自tidyr::who，其包含按年份，国家，年龄，性别和诊断方法细分的结核病（TB）病例。数据来自2014年世界卫生组织《全球结核病报告》[3]。

library(tidyverse) #加载包
who #数据展示

这是一个非常典型的现实示例数据集。它包含冗余列，奇数变量代码和许多缺失值。我们需要采取多个步骤来对其进行整理。

不是变量的列汇集在一起

首先将不是变量的列聚集在一起。所包含的列包括：

• country，iso2和iso3是三个指定国家/地区的变量。
• year是一个变量。
• 变量名中给出的结构（例如new_sp_m014，new_ep_m014，new_ep_f014）可能是值，而不是变量。

因此，我们需要将从new_sp_m014到newrel_f65的所有列汇总在一起。我们用通用名称"key"来表示他们。我们知道单元格代表案件数，因此我们将变量数存储在cases中,并用na.rm去除含有缺失值的行。这里使用pivot_longer()将数据变长，具体见后面函数详情。

who1 <- who %>%
	pivot_longer(
		cols = new_sp_m014:newrel_f65,
		names_to = 'key',
		values_to = 'cases',
		values_drop_na = T
)

who1

对key进行计数，我们可以得到一些有关值结构的提示：

who1 %>% count(key)

其中key的具体含义，查阅可得：

1. 每列的前三个字母：新、旧病例。
2. 之后两个字母：结核的类型。

• rel 代表复发病例
• ep 代表肺外结核病例
• sn 代表无法通过肺部涂片诊断（涂片阴性）的肺结核病例
• sp 代表可被诊断为肺部涂片（涂片阳性）的肺结核病例

1. 第六字母：结核病患者的性别。男性（m）和女性（f）
2. 其余数字给出了年龄段。数据集将案例分为七个年龄组：

• 014 = 0 – 14岁
• 1524 = 15 – 24岁
• 2534 = 25 – 34岁
• 3544 = 35 – 44岁
• 4554 = 45 – 54岁
• 5564 = 55 – 64岁
• 65 = 65岁或以上

替换数据

我们需要对列名称的格式进行较小的修正：将new_rel替换为newrel（很难在这里找到它，但是如果您不修正它，我们将在后续步骤中出错）。这里使用了stringr包中的str_replace()，将newrel替换new_rel。

who2 <- who1 %>%
	mutate( names_from = stringr::str_replace(key,'newrel','new_rel')
	)
who2

字符分割

接下来就是将key中的字符进行分割,我们使用separate()对字符进行两次分割。

1.将在每个下划线处拆分代码。

who3 <- who2 %>%
	separate(key,c('new','type','sexage'),sep = '_')
who3

利用select()删除没用的列:new,iso2，iso3。

who3 %>% count(new)
who4 <- who3 %>% select(-new,-iso2,-iso3)
who4

1. 将分离sexage到sex和age通过的第一个字符后拆分：

who5 <- who4 %>%
	separate(sexage,c('sex','age'),sep=1)
who5

这时，who数据集整洁！

可视化

数据清洗完毕,就可以做一些初步的可视化,探索性分析.这里简单绘制了 前几个国家不同年份,不同性别的结核病病例总数。

who5 %>% group_by(country,year,sex)  %>% filter(year<2003) %>%
	count() %>%
	head(100) %>%
	ggplot(aes(x=as.factor(year),y=n,fill=country))+geom_col() +facet_wrap(~sex,nrow = 1)+
	  scale_fill_brewer(palette = "Paired")

复杂的管道函数

事实上你可以直接只用管道函数构建一个复杂的函数，这样做去除了中间变量，而且可读性很强，强烈推荐。

who %>%
  pivot_longer(
    cols = new_sp_m014:newrel_f65,
    names_to = "key",
    values_to = "cases",
    values_drop_na = TRUE
  ) %>%
  mutate(
    key = stringr::str_replace(key, "newrel", "new_rel")
  ) %>%
  separate(key, c("new", "var", "sexage")) %>%
  select(-new, -iso2, -iso3) %>%
  separate(sexage, c("sex", "age"), sep = 1)

所用函数详细解释

pivot_longer()、poivot_wider()

pivot_longer() 将在列中列名（数值）转换到一列上。具体可见下图,将列变量转化为数据存在year列名中,相当于把数据变长(longer).

函数主要参数:

• cols选取的列；
• names_to 字符串，指定要从数据的列名中存储的数据创建的列的名称。
• values_to 字符串，指定要从存储在单元格值中的数据创建的列的名称。
• values_drop_na 如果为真，将删除value_to列中只包含NAs的行。

例子如上面例子：将new_sp_m014到newrel_f65之间的列选取,汇总到key列名中,值存在cases列名中,并将含有缺失值的行进行删除。

who1 <- who %>%
	pivot_longer(
		cols = new_sp_m014:newrel_f65,
		names_to = 'key',
		values_to = 'cases',
		values_drop_na = T
)

当然还有一个和它相反功能的函数poivot_wider()。具体见下图，相当于把key中的值变为列名，对应的values数据转化到population中.下面是简单的例子。

library(tidyverse)
stocks <- tibble(
  year   = c(2015, 2015, 2016, 2016),
  half  = c(   1,    2,     1,    2),
  return = c(1.88, 0.59, 0.92, 0.17)
)
stocks

我们将数据变宽,将year变为列名，对应在return中的数据进行填充。

stocks %>%
	pivot_wider(names_from = year,values_from = return)

separate()

该函数可将字符进行分割,具体案例如上.

默认情况下，当separate()看到非字母数字字符(即不是数字或字母的字符)时，它将分割值。可以用里面的参数sep。比如：sep='_'。他还有一个功能,当sep=2时，可通过第二个位置进行分割，使用在省份市级，等数据上。例如以下函数,其中into = c("century", "year")将原始分割后的数据导入两个新列上，分别叫century和year。

table3 %>% 
  separate(year, into = c("century", "year"), sep = 2)

注意：默认情况下，会转化成字符形式，你可以用参数convert=T，将数据转化最佳结构。

unite

是separate()的反函数，这里做个补充。

默认情况下，sep='_'如果我们不需要任何分隔符可以使用sep=''。

参考资料

[1]

tidy data论文: http://www.jstatsoft.org/v59/i10/paper

[2]

《R for data science》: https://r4ds.had.co.nz/tidy-data.html

[3]

《全球结核病报告》: http://www.who.int/tb/country/data/download/en/