第 1 章 Data cleaning

1.1 data frame

• R的物件都是向量，分成atomic vector（使用c()創立）及list兩大類（使用list()創立 ）： https://bookdown.org/tpemartin/ntpu-programming-for-data-science/vectors.html#two-types-of-vectors

• data frame是list的特例:

  • 每個元素為等長atomic vector。

範例資料

StuList <- list(
  次序=c(1,2,3,4,5,6,7,8),
  學號=c(172,214,322,425,517,833,752,114),
  姓名=c("小明","大雄","胖虎","小新","大白","阿華","小英","阿美"),
  性別=c("男","男","男","女","女","男","女","男"),
  成績=c(80,42,90,82,50,77,30,90)
  )
StuList 
as.data.frame(StuList) -> StuDFfromList
StuDFfromList

StuDF <- data.frame(
  次序=c(1,2,3,4,5,6,7,8),
  學號=c(172,214,322,425,517,833,752,114),
  姓名=c("小明","大雄","胖虎","小新","大白","阿華","小英","阿美"),
  性別=c("男","男","男","女","女","男","女","男"),
  成績=c(80,42,90,82,50,77,30,90)
  )
StuDF 

class(StuDF)
typeof(StuDF)

length(StuDF) # 從向量角度看
nrow(StuDF) # 從矩陣角度看

1.2 dplyr套件

• 針對data frame的資料處理套件

library(dplyr)

檢查變數結構

str(StuDF)

檢查前6筆

head(StuDF)

檢查後6筆

tail(StuDF)

1.2.1 slice：切割資料行

依row位置選擇資料

StuDF
slice(StuDF,1:3)
slice(StuDF,4:5)
slice(StuDF,n())

使用slice顯示最後2筆資料。

slice(StuDF,(n()-1):n())

StuDF
slice(StuDF,-5:-7)

-5:-7
slice(StuDF,c(-5,-6,-7))

政府開放平台:106學年大專院校校別學生數

library(readr)
collegeData <- read_csv("https://raw.githubusercontent.com/tpemartin/github-data/master/103_student.csv")

• 檢查變數結構

• 顯示前4筆，後3筆，中間第101到110筆。

1.2.2 mutate：產生變數

StuDF
mutate(StuDF,
       調分後成績=成績+10)
transmute(StuDF,
       調分後成績=成績+10) # 不保留其他變數

若要更動原data frame內容，記得要回存：

StuDF
mutate(StuDF,
       調分後成績=成績+10) -> StuDF

或

StuDF
StuDF <- mutate(StuDF,
       調分後成績=成績+10) 

不使用dplyr則必需使用$取出變數向量後，進行運算再回存到data frame裡新的變數裡：

StuDF$調分後成績 <-
  StuDF$成績+10

在collegeData:

• 新增變數男生及女生,其值為「一到四年級」所有男生及女生的加總。（男生使用dplyr, 女生不使用dplyr）

• 新增變數男女生比，其值為前述男生/女生。

變數運算，前步驟出現的新變數，後步驟可直接拿來用。

1.2.3 summarise：計算特徵值

StuDF
summarise(StuDF,
        平均成績=mean(成績),
        最高分=max(成績),
        最低分=min(成績))

summarise()會回傳一個data frame，其變數為計算特徵變數。

以上計算若把summarise改成mutate結果會如何？

若老師的調分為原始成績加上「最高最低分差距除以5」，請產生調分成績:

1.2.4 select：選擇變數

StuDF
mutate(StuDF,
        平均成績=mean(成績),
        最高分=max(成績),
        最低分=min(成績)) -> StuDF2

StuDF2
names(StuDF2)
select(StuDF2,
       姓名,學號,成績,調分後成績)
select(StuDF2,
       -次序,-性別,-最高分,-最低分)

select可搭配select helpers:
starts_with(): Starts with a prefix.

ends_with(): Ends with a suffix.

contains(): Contains a literal string.

matches(): Matches a regular expression.

num_range(): Matches a numerical range like x01, x02, x03.

one_of(): Matches variable names in a character vector.

everything(): Matches all variables.

last_col(): Select last variable, possibly with an offset.

select(StuDF2,
       次序,性別,
       contains("最"))

select(StuDF2,
       -次序,-性別,
       -contains("最"))

選出collegeData中所有男生變數：

select(collegeData,
       contains("男生"))

1.2.5 filter：條件選取觀測值

Logical predicates

StuDF
# logical vector
logiChoose <- c(
  F,F,F,T,T,F,T,F
)
# 使用logical vector選擇所要觀測值"女"
StuDF[logiChoose,]

which()可顯示向量元素為真的位置。

logiChoose
which(logiChoose)
slice(
  StuDF,which(logiChoose)
)

使用logical predicate產生logical vector

StuDF$性別=="女" # logical predicate

logiChoose <- StuDF$性別=="女"
StuDF[logiChoose,]

常見的logical predicate可由以下兩者產生：

• relational operator

• logical operator

女性，且成績大於60

# relational operators
StuDF$性別=="女" 
StuDF$成績>60

# combined with logical operator
(StuDF$性別=="女" & StuDF$成績>60) -> logiChoose2
logiChoose2

StuDF[logiChoose2,]

使用filter

• filter(data frame, logical predicates)

StuDF
filter(StuDF,
       性別=="女")
filter(StuDF,
       (性別=="女" & 成績>60))
filter(StuDF,
       性別=="女",
       成績>60) # 多個AND條件可用,分隔

請計算StuDF中:

• 女性平均成績，最高分，最低分

• 男性平均成績，最高分，最低分

依以下各別情境，選出collegeData中符合情境的觀測值：

1. 縣市名稱為“30 臺北市”

2. 縣市名稱為“30 臺北市”或“01 新北市”。（使用OR|或belong to%in%）

1.2.6 group_by：分群計算

• group_by(data frame,分群變數)

產生grouped data frame，用在mutate/transmute/summarise時會產生分群計算效果。

計算不同性別之平均成績及最高/低分

group_by(StuDF,
         性別) -> StuDF_by性別

# 使用grouped data frame
summarise(StuDF_by性別,
        平均成績=mean(成績),
        最高分=max(成績),
        最低分=min(成績))

# 使用ungrouped data frame
summarise(StuDF,
        平均成績=mean(成績),
        最高分=max(成績),
        最低分=min(成績))

男女調分不同

• 各加其群組之「最高減最低分除以5」

mutate(
  StuDF_by性別,
  最高分=max(成績),
  最低分=min(成績),
  調分大小=(最高分-最低分)/5,
  調分後成績=成績+調分大小
) -> StuDF_依性別調分
StuDF_依性別調分

依性別成績分

依性別及成績是否大於75分：

group_by(StuDF,
         性別,
         (成績>75)) -> StuDF_by性別成績

summarise(StuDF_by性別成績,
          平均成績=mean(成績),
          人數=n())

mutate/transmute/summarise

• 若input為grouped data frame，其output也會是grouped data frame.

• output若接著用，也會是分群計算的結果。

• 最好習慣接著ungroup

ungroup(StuDF_依性別調分) -> 
  StuDF_調分後

計算collegeData中不同縣市名稱及體系別的一年級男生及一年級女生總數（使用sum）和學校數目。

1.3 Pipe operator

group_by(StuDF,
         性別) -> StuDF_by性別

mutate(
  StuDF_by性別,
  最高分=max(成績),
  最低分=min(成績),
  調分大小=(最高分-最低分)/5,
  調分後成績=成績+調分大小
) -> StuDF_依性別調分

ungroup(StuDF_依性別調分) -> 
  StuDF_調分後

%>% pipe operator:

1. 預設：%>% 把它左邊（LHS）的物件流入它右邊（RHS）函數的argument第一個位置。 )

2. 若要流入右邊函數的「非」第一位置argument，則用.在右邊函數中標示。

3. %>% 可進行串接，則下一個%>%會以上個函數輸出結果當做新的LHS物件。

根據串接原則1：

# group_by(StuDF,
#          性別) -> StuDF_by性別
StuDF %>% group_by(
         性別) -> StuDF_by性別

# mutate(
#   StuDF_by性別,
#   最高分=max(成績),
#   最低分=min(成績),
#   調分大小=(最高分-最低分)/5,
#   調分後成績=成績+調分大小
# ) -> StuDF_依性別調分

StuDF_by性別 %>%
mutate(
  最高分=max(成績),
  最低分=min(成績),
  調分大小=(最高分-最低分)/5,
  調分後成績=成績+調分大小
) -> StuDF_依性別調分


# ungroup(StuDF_依性別調分) -> 
#   StuDF_調分後
StuDF_依性別調分 %>% ungroup() -> 
  StuDF_調分後

依串接原則3：

StuDF %>% group_by(
         性別)  %>%
mutate(
  最高分=max(成績),
  最低分=min(成績),
  調分大小=(最高分-最低分)/5,
  調分後成績=成績+調分大小
)  %>% ungroup() -> 
  StuDF_調分後

串接使得語法更貼近人類語言：

StuDF %>% # 將StuDF
  group_by(性別) %>% # 依性別分群
  mutate( # 接著計算各群的:
    最高分=max(成績),
    最低分=min(成績),
    調分大小=(最高分-最低分)/5,
    調分後成績=成績+調分大小
  )  %>% 
  ungroup() -> # 接著ungroup後輸出
  StuDF_調分後

將collegeData，

• 依等級別,縣市名稱分群後,

• 計算一年級男/女生比例後,

• 找出男女生比例最高的等級別,縣市名稱組合。

執行以下程序取得transcriptDataFinal：

load(url("https://www.dropbox.com/s/duh5aaqgl2f5m3z/loopTranscriptData.Rda?raw=1"))

若transcriptDataFinal的變數名稱在你電腦為亂碼，請再執行以下程序行：

c('學號','學屆','學系','學年','學期','學期成績','學分數','必選修類別（必∕選∕通）') -> names(transcriptDataFinal)

1. 計算每位學生每學期的平均成績。

2. 計算每位學生每學期學分數在必/選/通 三類的學分數比重。

3. 學屆為100（即100學年入學）的學生，各系學生在學所修總學分數之中位數，何系最高？

1.4 gather and spread

library(tidyr)

1.4.1 gather

df_gatherExample <- data.frame(
  country=c("A","B","C"),
  `1999`=c("0.7k","37k","212k"),
  `2000`=c("2k","80k","213k"),
  check.names = F
)

df_gatherExample
gather(df_gatherExample,
       `1999`,`2000`,
       key="年份",value="人口")

gather中的變數選擇可使用select helpers.

將collegeData裡各年級男女生人數合成兩個欄位，類別,人數，其中類別值為原始欄位名稱（即一年級男生，一年級女生，…等等），而人數則為對應人數。

下載以下民國107年桃園各地區每月結婚對數：

library(readr)
df_taoyuanMarriage <- read_csv("https://data.tycg.gov.tw/opendata/datalist/datasetMeta/download?id=f95d1a33-ec56-44c5-a9ec-3afba8157e39&rid=fd2070ef-7431-4f9c-bc3a-82d7bfbcd2fb")

1. 將資料「一～十二月」縮排在月份變數，而其下的對應值縮排在對數變數。

2. 計算每個月份桃園總結婚對數。

3. 找出每個地區結婚最高峰月份。

1.4.2 spread

df_spreadExample <- data.frame(
  id = c(1,1,1,2,2,2),
  var = c("花朶萼片長度", "學名", "總類數"),
  value = c(5.1, "setosa", 1, 
            7.0, "versicolor", 2))

將var變數依其值展開成不同欄位名稱，而欄位下所對應的值則為value對應值

df_spreadExample
spread(df_spreadExample,
       var,value)

將前一個練習的gather data frame還原。

collegeData_gather %>%
  spread(
    類別,人數
  )

由collegeData計算：

1. 每筆資料之男生總數、女生總數、學生總數

2. 每個學校之男生總數、女生總數、學生總數

(hint: stringr套件裡str_detect(向量,文字特徵)可偵測向量裡每個元素是否包含某文字特徵。)

下載台銀2018年各交易日收盤匯率：

df_twbankExchangeRate <- read_csv("http://www.bot.com.tw/Govinfo/opendata/csv/151/20180101-20181231-FXCRT.csv")

留下日期、幣別、即期買入匯率，將幣別依其貨幣名稱spread成不同欄位，其下所屬值為即期買入匯率。

1.5 變數類別調整

data frame的每個變數均為atomic vector，而atomic vector的class會影響之後作圖的合理性，故作圖前要先確保每個變數的class正確性：

• numeric: as.numeric/as.double

• integer: as.integer

• factor: as.factor

• date time: 使用lubridate套件

請將df_twbankExchangeRate的變數class做適當的修正。

1.6 Data import

以下以文字檔為例：

1. Environment>Import Dataset>From text(readr)

2. 貼上檔案下載網址或選電腦檔案

3. Locale: configure…>Encoding

台灣中文資料常使用Windows BIG5編碼，然而它並不是國際標準的BIG5，有時encoding你選BIG5還是有亂碼，此時可以試試CP950，或ISO-8859系列編碼。

若Import Dataset失效，可以改以read_lines()先將文字檔內容原封不動讀入，再使用iconv()來嘗試各種編碼轉換組合，都沒問題才使用read_csv()讀入。

政府資料開放平台：每日外幣參考匯率 > 檢視資料

• 編碼格式: BIG5

以下範例將原始資料轉成UTF8編碼的csv檔儲存

library(readr); library(dplyr)
# 線上引入原始資料成字串向量
read_lines("http://www.taifex.com.tw/data_gov/taifex_open_data.asp?data_name=DailyForeignExchangeRates") ->
  originalLines

# 將字串由CP950編碼改成UTF8再讀成data frame data2
originalLines %>%
  iconv(from="CP950",to="UTF8") %>% 
  read_csv() -> data2

BIG5編碼也有數種，視中文語系地區而不同。對於世界不同語系，R可處理那些編碼可由以下指令查詢：

iconvlist()

試著從以下任意一個資料庫下載一個csv檔，並讀入R:

• 總體統計資料庫

• 政府資料開放平台