[R] dplyr 패키지로 데이터 전처리하기

안녕하세요, 이번 포스팅에서는 dplyr 패키지에 대해서 배워보도록 하겠습니다.

dplyr 패키지는 R에서 전처리를 할 때, 가장 많이 사용되는 패키지중에 하나입니다.

저도 실제로 가장 많이 사용한 패키지를 고르라고 한다면 이 패키지라고 단언할 수 있어요!

이 패키지에 있는 모든 함수를 알 필요는 없지만, 유용한 함수들은 익혀 두시는 것은 굉장한 이점이라고 생각합니다.

​

우선 dplyr 패키지를 설치하고 라이브러리에 불어오도록 하겠습니다.

install.packages('dplyr') 
library('dplyr')

저번 포스팅에서 배웠다시피 정말 쉽죠??

​

저희가 실습해볼 데이터는 R에서 기본으로 제공되는 iris 데이터입니다.

iris 데이터를 간단하게 설명해드리면, 변수로 Sepal (꽃받침), Petal (꽃잎) 의 길이와 두깨에 대한 정보와 Species (품종) 에 대한 정보가 담겨져 있습니다. 이 때, 관측치는 총 150개로 품종으로 setosa, versicolor, virginica 3 종으로 각각 50개로 구성됩니다.

​

1. select 함수

첫번째로 알아볼 함수는 select 함수입니다. select 함수는 sql을 배워보신 분이라면 굉장히 익숙한 함수입니다.

R에서도 같은 기능을 가지고 있는데, 활용도가 더 무궁무진합니다.

iris %>% select(Sepal.Length) 
Sepal.Length 
1 5.1 
2 4.9 
3 4.7 
4 4.6
5 5.0 
6 5.4 
7 4.6 
...

위와 같이 select 함수는 원하는 변수만을 추출할 수 있습니다.

이 때, %>% 라는 것이 쓰이는데, 이는 dplyr 패키지에서 제공되는 것으로 원래 select 함수안에 iris 데이터셋을 사용할 것이다 라는 정보를 담아야 하지만 %>% 를 사용하면 그 앞에 나온 데이터를 계속해서 사용하겠다는 것을 전달해주는 매개함수라고 생각하시면 됩니다.

​

2. filter

filter 함수는 주로 select 함수와 함께 사용됩니다.

filter 함수는 말그대로 필터 역할을 제공하며, 원하는 조건에 따라서 데이터를 필터링하고 추출합니다.

iris %>% filter(Species == 'setosa') 
   %>% select(Sepal.Length, Sepal.Width) 

Sepal.Length Sepal.Width
1 5.1 3.5 
2 4.9 3.0 
3 4.7 3.2 
4 4.6 3.1 
5 5.0 3.6 
6 5.4 3.9 
7 4.6 3.4 
8 5.0 3.4 
9 4.4 2.9 
10 4.9 3.1 
...  

filter 함수를 통해서, 품종이 setosa인 데이터만을 추출하며, 꽃받침 길이와 두깨를 알고 싶을 때, 위와 같이 뽑아낼 수 있습니다.

조건을 더 복잡하게 걸수도 있습니다.

iris %>% filter(Species == 'setosa' & Sepal.Length > 5 & Sepal.Width > 4) 
   %>% select(Sepal.Length, Sepal.Width) 
   
Sepal.Length Sepal.Width 
1 5.7 4.4 
2 5.2 4.1 
3 5.5 4.2

품종이 setosa 이면서, 꽃받침의 길이가 5보다 크고, 꽃받침의 두깨가 4보다 큰 데이터를 모두 뽑을 수 있습니다.

​

3. mutate

mutate 함수는 기존의 변수를 활용하여 새로운 변수를 만들 때 사용됩니다.

예를 들어서, 꽃잎의 길이가 5보다 길면 Long 으로, 5보다 작거나 같으면 Short를 범주로 가지는 변수를 추가해보도록 하겠습니다.

iris %>% mutate(length = ifelse(Sepal.Length>5, 'Long' ,'Short')) 
   %>% select(Species, length) 

Species length 
1 setosa Long 
2 setosa Short 
3 setosa Short 
4 setosa Short 
5 setosa Short 
6 setosa Long 
7 setosa Short
8 setosa Short
9 setosa Short
10 setosa Short
...

위와 같이 select 함수와 함께 사용해서, 기존의 변수와 만들어진 변수를 함께 출력할수도 있습니다.

​

4. group_by, summarise

group_by 와 summarise 함수는 제가 굉장히 많이 사용하는 함수들입니다.

이 두 함수는 같이 사용되는 경우가 많아서 묶어 놓았습니다.

group_by 는 말그대로, 그룹을 형성시키는 함수이며, summarise는 요약 통계량 (sum, mean, min, max 등...) 을 계산해주는 함수입니다.

​

iris 데이터에 대해서 각 품종별 꽃받침 길이의 평균을 알고 싶을 때, 이 두 함수가 사용됩니다.

iris %>% group_by(Species) %>% 
   summarise(Sepal.Length = mean(Sepal.Length)) 

# A tibble: 3 x 2 
Species Sepal.Length <fct> <dbl> 
1 setosa 5.01 
2 versicolor 5.94 
3 virginica 6.59