Thao tác cơ bản với khung dữ liệu trong R (phần 2)

Giới thiệu R là một ngôn ngữ lập trình bậc cao, nó được tạo ra với mục đích dành cho các công việc phân tích dữ liệu, thống kê và học máy. Tôi gọi R là “Super Excel” và nó còn hơn thế nữa. Trong phần trước tôi đã giới thiệu một số thao tác

Giới thiệu

R là một ngôn ngữ lập trình bậc cao, nó được tạo ra với mục đích dành cho các công việc phân tích dữ liệu, thống kê và học máy. Tôi gọi R là “Super Excel” và nó còn hơn thế nữa. Trong phần trước tôi đã giới thiệu một số thao tác cơ bản với khung dữ liệu (data frame) (https://viblo.asia/p/thao-tac-co-ban-voi-khung-du-lieu-trong-r-phan-1-4P856rGW5Y3). Hãy cùng tìm hiểu thêm về chủ đề này trong bài viết này.

Thực hành trên dữ liệu nào?

R có rất nhiều tập dữ liệu cho chúng ta thực hành các câu lệnh, bạn có thể xem danh sách các tập dữ liệu sẵn có bằng hàm data(). Tuy nhiên trong bài này tôi sẽ thao tác trên tập dữ liệu “titanic”, mặc dù nó cũng là một tập dữ liệu khá nổi tiếng tuy nhiên không có sẵn trong R. Có nhiều cách để thêm tập dữ liệu này, dưới đây tôi sẽ cài đặt thư viện “titanic”, rồi khai báo sử dụng thư viện này và sau đó chúng ta có thể sử dụng tập dữ liệu “titanic”:

> install.packages("titanic")> library(titanic)> head(titanic_train)
  PassengerId Survived Pclass                                                Name    Sex Age SibSp Parch           Ticket    Fare Cabin Embarked
1103                             Braund, Mr. Owen Harris   male  2210        A/5211717.2500              S
2211 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female  3810         PC 1759971.2833   C85        C
3313                              Heikkinen, Miss. Laina female  2600 STON/O2. 31012827.9250              S
4411        Futrelle, Mrs. Jacques Heath (Lily May Peel) female  351011380353.1000  C123        S
5503                            Allen, Mr. William Henry   male  35003734508.0500              S
6603                                    Moran, Mr. James   male  NA003308778.4583              Q

hàm head() hiển thị sáu quan sát của khung dữ liệu được truyền vào. Tương tự hàm head() là hàm tail(), nó hiển thị sáu quan sát cuối cùng.

Data frame có cấu trúc giống bảng tính gồm các quan sát (observation) và các biến (variable), ở đây tôi sẽ dùng thuật ngữ “quan sát” đại diện cho một dòng và “biến” đại diện cho cột.

Thực hành

Truy vấn dữ liệu con

Nhu cầu phổ biến nhất trong thao tác dữ liệu là chọn ra những dữ liệu mà người phân tích quan tâm, có thể là các biến hoặc các quan sát thỏa mãn điều kiện nào đó. R là một ngôn ngữ mạnh mẽ và nó làm điều này một cách hết sức đơn giản.

Chọn các biến

Cú pháp chung là: dataframe

, nếu muốn lấy toàn bộ các quan sát chúng sẽ để trống phần row indices:

> x <- titanic_train[,'Name']> head(x)[1]"Braund, Mr. Owen Harris"[2]"Cumings, Mrs. John Bradley (Florence Briggs Thayer)"[3]"Heikkinen, Miss. Laina"[4]"Futrelle, Mrs. Jacques Heath (Lily May Peel)"[5]"Allen, Mr. William Henry"[6]"Moran, Mr. James"

Các câu lệnh sau sẽ làm điều tương tự với câu lệnh trên: titanic_train['Name'] hoặc titanic_train$Name.

Hoặc truy vấn nhiều hơn một biến:

> y <- titanic_train[, c('Name','Age')]> head(y)
                                                Name      Age
1                             Braund, Mr. Owen Harris 22.000002 Cumings, Mrs. John Bradley (Florence Briggs Thayer)38.000003                              Heikkinen, Miss. Laina 26.000004        Futrelle, Mrs. Jacques Heath (Lily May Peel)35.000005                            Allen, Mr. William Henry 35.000006                                    Moran, Mr. James 29.69912

Tương tự, câu lệnh titanic_train[c('Name', 'Age')] cũng có ý nghĩa giống câu lệnh trên.

Lọc điều kiện

Hãy xem một ví dụ:

> x <- titanic_train[titanic_train$Sex=='male'& titanic_train$Age >30,]> head(x)
   PassengerId Survived Pclass                        Name  Sex Age SibSp Parch   Ticket    Fare Cabin Embarked
5503    Allen, Mr. William Henry male  35003734508.0500              S
7701     McCarthy, Mr. Timothy J male  54001746351.8625   E46        S
141403 Andersson, Mr. Anders Johan male  391534708231.2750              S
212102        Fynney, Mr. Joseph J male  350023986526.0000              S
222212       Beesley, Mr. Lawrence male  340024869813.0000   D56        S
313101    Uruchurtu, Don. Manuel E male  4000 PC 1760127.7208              C

Bây giờ kết hợp giữa việc lọc điều kiện và chọn ra các biến mong muốn:

> y <- titanic_train[titanic_train$Sex=='male'& titanic_train$Age >30, c('Name','Age','Fare')]> head(y)
                         Name Age    Fare
5     Allen, Mr. William Henry  358.05007      McCarthy, Mr. Timothy J  5451.862514 Andersson, Mr. Anders Johan  3931.275021        Fynney, Mr. Joseph J  3526.000022       Beesley, Mr. Lawrence  3413.000031    Uruchurtu, Don. Manuel E  4027.7208

Thống kê cơ bản

Có bao nhiêu hành khách

Số hành khách chính là số quan sát của khung dữ liệu:

> nrow(titanic_train)[1]891

Vậy trong khung dữ liệu titanic_train có 891 quan sát tương ứng với 891 hành khách.

**Giá vé trung bình là bao nhiêu **

> mean(titanic_train$Fare)[1]32.20421

Độ tuổi trung bình

> mean(titanic_train$Age)[1]NA

Trong trường hợp này R không tính được trung bình của biến “Age”. Câu hỏi là tại sao lại như vậy ? Là do trong biến này có giá trị chưa xác định (missing value), vì vậy chúng ta sẽ không tính toán với các quan sát chứa missing value.

> mean(titanic_train$Age, na.rm=TRUE)[1]29.69912

Nhân tiện tôi đã kiểm tra có 177 quan sát xảy ra missing value với biến “Age”:

> sum(is.na(titanic_train$Age))[1]177

Missing values

Để kiểm tra missing value ta sử dụng hàm is.na() :

> x <- c('a','b',NA,'d','e',NA)> is.na(x)[1]FALSEFALSETRUEFALSEFALSETRUE

Bạn hãy tự thử với câu lệnh is.na(titanic_train). Thậm chí ta có thể truyền cả một khung dữ liệu vào hàm is.na(). R thật là “mạnh” !

Bây giờ hãy “lấp các khoảng trống”, Một số mô hình học máy không hoạt động được nếu có missing value trong khung dữ liệu, chúng ta sẽ thay các giá trị missing value trong biến “Age” bằng giá trị trung bình của chính nó:

> age.mean = mean(titanic_train$Age, na.rm=TRUE)> titanic_train$Age[is.na(titanic_train$Age)]= age.mean

Sắp xếp dữ liệu

Tôi có một câu hỏi: “Số phận của những người trả vé cao hoặc thấp cho chuyến đi đã ra sao?”. Để trả lời câu hỏi này, tôi sẽ sắp xếp dữ liệu theo biến “Fare” (giá vé)

> new.data = titanic_train[order(titanic_train$Fare),]> head(new.data)
    PassengerId Survived Pclass                            Name  Sex      Age SibSp Parch Ticket Fare Cabin Embarked
18018003             Leonard, Mr. Lionel male 36.0000000   LINE    0              S
26426401           Harrison, Mr. William male 40.00000001120590   B94        S
27227213    Tornquist, Mr. William Henry male 25.0000000   LINE    0              S
27827802     Parkes, Mr. Francis "Frank" male 29.69912002398530              S
30330303 Johnson, Mr. William Cahoone Jr male 19.0000000   LINE    0              S
41441402  Cunningham, Mr. Alfred Fleming male 29.69912002398530              S

Thứ tự sắp xếp mặc định là tăng dần, vì vậy ở câu lệnh trên chúng ta đã quan sát thấy sáu hành khách có giá vé thấp nhất. Còn những người trả vé cao nhất thì sao:

> new.data2 = titanic_train[order(-titanic_train$Fare),]> head(new.data2)
    PassengerId Survived Pclass                               Name    Sex Age SibSp Parch   Ticket     Fare       Cabin Embarked
25925911                   Ward, Miss. Anna female  3500 PC 17755512.3292                    C
68068011 Cardeza, Mr. Thomas Drake Martinez   male  3601 PC 17755512.3292 B51 B53 B55        C
73873811             Lesurer, Mr. Gustave J   male  3500 PC 17755512.3292        B101        C
282801     Fortune, Mr. Charles Alexander   male  193219950263.0000 C23 C25 C27        S
898911         Fortune, Miss. Mabel Helen female  233219950263.0000 C23 C25 C27        S
34234211     Fortune, Miss. Alice Elizabeth female  243219950263.0000 C23 C25 C27        S

Thật đơn giản đến bất ngờ, hầu như không có sư khác nhau giữa hai đoạn code trên, sự khác biệt duy nhất là tôi đã thêm dấu “trừ” trong hàm order(-titanic_train$Fare).
Bạn hãy tự đưa ra nhận xét của mình: những người trả tiền cao thì sao, những người trả tiền thấp nhất thì sao?

Nguồn: viblo.asia

Bài viết liên quan

Thay đổi Package Name của Android Studio dể dàng với plugin APR

Nếu bạn đang gặp khó khăn hoặc bế tắc trong việc thay đổi package name trong And

Lỗi không Update Meta_Value Khi thay thế hình ảnh cũ bằng hình ảnh mới trong WordPress

Mã dưới đây hoạt động tốt có 1 lỗi không update được postmeta ” meta_key=

Bài 1 – React Native DevOps các khái niệm và các cài đặt căn bản

Hướng dẫn setup jenkins agent để bắt đầu build mobile bằng jenkins cho devloper an t

Chuyển đổi từ monolith sang microservices qua ví dụ

1. Why microservices? Microservices là kiến trúc hệ thống phần mềm hướng dịch vụ,