こんにちは，shun（@datasciencemore）です！！
今回は，tidyverseのコアパッケージの1つである{dplyr}について説明していきます．
{dplyr}は，tidyverseのコアパッケージの中でも最重要かつ最もよく使うパッケージだと思います．
{dplyr}を使えるようになると，前処理がすんごく楽になるのでしっかりついてきてくださいね！！
１．{dplyr}ってなに？？
{dplyr}は，データフレームの処理に特化したパッケージだよ．
{dplyr}には前処理に必要不可欠な便利関数がたくさんあるんだ！！
{dplyr}は，データフレームの処理に特化したパッケージです．
データフレームは目的に応じて様々な形に変形する必要がありますよね．
例えば，
・この列の数値が100以上の行を抽出する．
・これらの列はいらないから削除する．
・新たな列を追加したい．
などなど．．．
このようなデータフレーム処理に特化したパッケージが{dplyr}です．
{dplyr}ですが，様々な便利関数が内蔵されています．
．．．が，全部紹介することは到底不可能です笑
ですので，まずは超よく使う3つの関数select, filter, mutateについて簡単にご紹介して，前処理の雰囲気をつかんでいただければと思います．
より詳細には別記事で別途紹介する予定です．
それでは，さっそく学習していきましょう！
今回は，tidyverseをロードすると使えるようになる「diamonds」というデータを使用していきます．
「diamonds」は，このような感じのデータです．
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
diamonds # A tibble: 53,940 x 10 carat cut color clarity depth table price x y z <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl> 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31 4 0.290 Premium I VS2 62.4 58 334 4.2 4.23 2.63 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48 7 0.24 Very Good I VVS1 62.3 57 336 3.95 3.98 2.47 8 0.26 Very Good H SI1 61.9 55 337 4.07 4.11 2.53 9 0.22 Fair E VS2 65.1 61 337 3.87 3.78 2.49 10 0.23 Very Good H VS1 59.4 61 338 4 4.05 2.39 # … with 53,930 more rows |
それでは，順番に使用方法を見ていきましょう．
２．filter
まずは1つ目，filterからです．
filterは，条件を指定してあげて，その条件を満たした行を抽出するときに使用します．
こんな感じのイメージです．
ここでいう条件っていうのは，どのような行が欲しいかの情報を示してます．
データフレーム %>% filter(条件)
の条件というところに，欲しいデータの条件を記述することで，欲しいデータを抽出することができます．
例えば，diamondsを調べているときに，全部ではなくて，その一部のcolor列が「E」であるデータだけが欲しかったとしましょう．
その場合，このように書いて，実行すると以下のようになります．
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
diamonds %>% filter(color == "E") # A tibble: 9,797 x 10 carat cut color clarity depth table price x y z <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl> 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31 4 0.22 Fair E VS2 65.1 61 337 3.87 3.78 2.49 5 0.2 Premium E SI2 60.2 62 345 3.79 3.75 2.27 6 0.32 Premium E I1 60.9 58 345 4.38 4.42 2.68 7 0.23 Very Good E VS2 63.8 55 352 3.85 3.92 2.48 8 0.23 Very Good E VS1 60.7 59 402 3.97 4.01 2.42 9 0.23 Very Good E VS1 59.5 58 402 4.01 4.06 2.4 10 0.23 Good E VS1 64.1 59 402 3.83 3.85 2.46 # … with 9,787 more rows |
color == "E"の部分が条件に該当します．
このように欲しい行の情報を条件として，指定してあげることによって，その行を抽出できるのです．
２．select
さぁ，続いては2つ目，selectです．
selectは，データフレームの列の一部を取り出すときに使用します．
イメージにするとこんな感じ．
ここの条件もfilterと同様に，どのような列が欲しいかの情報ってことですね．
データフレーム %>% select(条件)
の条件というところに，欲しいデータの条件を記述することで，欲しいデータを抽出することができます．
例えば，diamondsのcarat列，color列，depth列，price列を抽出したいときは，次のようになります．
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
diamonds %>% select(carat, color, depth, price) # A tibble: 53,940 x 4 carat color depth price <dbl> <ord> <dbl> <int> 1 0.23 E 61.5 326 2 0.21 E 59.8 326 3 0.23 E 56.9 327 4 0.290 I 62.4 334 5 0.31 J 63.3 335 6 0.24 J 62.8 336 7 0.24 I 62.3 336 8 0.26 H 61.9 337 9 0.22 E 65.1 337 10 0.23 H 59.4 338 # … with 53,930 more rows |
と，指定した列が抽出できることが確認できます．
余裕ですね笑
select内で指定している列名に「'」や「”」がないことに注目してください．
pandasでは，列をしているするときに'列名'としていましたが，dplyrはその必要がありません．
これ，地味に便利ですよ笑
ちなみに「"」を使用しても動作します．
しかし，これは古いバージョンのdplyrでは動作しない場合があるので，「"」を使用する必要がない場合は「"」をつけないでおきましょう．
参考に「"」をつけた場合のコードも載せておきますね．
|
1 2 |
diamonds %>% select("carat", "color", "depth", "price") |
３．mutate
最後の3つ目，mutateです．
mutateは，データフレームに指定した条件の列を追加をするときに使用します．
イメージがこんな感じです．
ここの条件もfilter，selectと同様です．
データフレーム %>% mutate(条件)
の条件というところに，追加したい列の情報を記述することで，欲しいデータを追加することができます．
例えば，diamondsにtest列という列を新規で作成し，その列に1を代入したいことを考えます．
それを実現させるためには以下のコードでOKです．
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
diamonds %>% mutate( test = 1 ) # A tibble: 53,940 x 11 carat cut color clarity depth table price x y z test <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl> <dbl> 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43 1 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31 1 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31 1 4 0.290 Premium I VS2 62.4 58 334 4.2 4.23 2.63 1 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75 1 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48 1 7 0.24 Very Good I VVS1 62.3 57 336 3.95 3.98 2.47 1 8 0.26 Very Good H SI1 61.9 55 337 4.07 4.11 2.53 1 9 0.22 Fair E VS2 65.1 61 337 3.87 3.78 2.49 1 10 0.23 Very Good H VS1 59.4 61 338 4 4.05 2.39 1 # … with 53,930 more rows |
右側にtest列が追加されていることが確認できますね．
こんな感じで新規で列を追加したいときにmutateを使用します．
まとめ
今回は，{dplyr}のうち，定番中の定番であるfilter，select，mutateについて，学習しました．
それぞれの特徴は次のとおり
- filter：条件を満たした列を抽出
- select：条件で指定した列を抽出
- mutate：条件で指定した列を追加
どれもめっちゃ使うので，ぜひ覚えてくださいね！！
また，今回紹介した関数はごくごく一部です．
dplyrはもっと色々な関数があるので，それらについては別途紹介させていただきますね．
それじゃ，お疲れ様でした！！
