4 min read

TA_class_1024

2019-10-17

預備

library(tidyverse)

包(Package)

  1. 為何要用其他的包，base R 不是也有嗎?比如畫圖，R base 有 plot()、boxplot() 等。為何要用 ggplot2()?

為了彌補之前的漏洞，如果輕易的更動 base， 會癱瘓過去做過的成品。為了避免類似的狀況，所以開發新的方法。

包會整合容易混淆的作法，更一致的表達如何操作。

可是這樣講還是很模糊，要講清楚變成講古。總之我們已經沒必要追究過去怎麼做，只需要與時俱進，學習最新的方法即可。

  1. 為何選 tidyverse?

在呼叫 tidyverse 的時候會看到下面的資訊:

library(tidyverse)
#> -- Attaching packages --------------------------------------- tidyverse 1.3.0 --
#> √ ggplot2 3.3.3     √ purrr   0.3.4
#> √ tibble  3.0.6     √ dplyr   1.0.4
#> √ tidyr   1.1.2     √ stringr 1.4.0
#> √ readr   1.4.0     √ forcats 0.5.1
#> -- Conflicts ------------------------------------------ tidyverse_conflicts() --
#> x dplyr::filter() masks stats::filter()
#> x dplyr::lag()    masks stats::lag()

tidyverse 整合 ggplot2, purrr, tibble, dplyr, tidyr, stringr, readr, forcats，海羅了處理資料的基本方法。

今天進一步介紹 dplyr ，還有開始使用 ggplot2。

  1. 為何寫成 ggplot2::mpg?兩個冒號::是什麼?

告訴大家 mpg 是在 ggplot2 包。同理，dplyr::select() 告訴大家 select() 在 dplyr 包。暫時可以把 :: 當作一種方法，代表取包裡的東西。當然你不能寫成 ggplot2$mpg，因為 $ 是取資料的變數，比如 mpg$cty，是另外一種方法。

  1. 有推薦其他寫程式的好方法嗎?

有，複製別人寫好的，貼上運行。因為我們要站在巨人的肩膀上。

dplyr 資料轉換 & ggplot2 資料視覺化

資料轉換和資料視覺化的內容很豐富，所以會在未來的課程不斷的加入新的內容，持續堆疊下去。如果有不熟悉的地方，也許可以考慮複習一下先前教過的內容。

dplyr 資料轉換

未來的課程總共會涵蓋下列 dplyr 中的函數:

  • filter() and select()
  • group_by() and ungroup()
  • summarize()and summarise()
  • arrange() and desc()
  • mutate()

回想上一次我們做過的:

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv"))
#> # A tibble: 109 x 4
#>    manufacturer   cty   hwy class  
#>    <chr>        <int> <int> <chr>  
#>  1 audi            18    29 compact
#>  2 audi            21    29 compact
#>  3 audi            20    31 compact
#>  4 audi            21    30 compact
#>  5 audi            16    26 compact
#>  6 audi            18    26 compact
#>  7 audi            18    27 compact
#>  8 audi            18    26 compact
#>  9 audi            16    25 compact
#> 10 audi            20    28 compact
#> # ... with 99 more rows

在挑出這些資料後，我們想比較不同製造商在其中兩種車型的市區油耗的平均值:

分成兩步驟，分類與取平均值。

Step 1: 分類

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer, class)
#> # A tibble: 109 x 4
#> # Groups:   manufacturer, class [15]
#>    manufacturer   cty   hwy class  
#>    <chr>        <int> <int> <chr>  
#>  1 audi            18    29 compact
#>  2 audi            21    29 compact
#>  3 audi            20    31 compact
#>  4 audi            21    30 compact
#>  5 audi            16    26 compact
#>  6 audi            18    26 compact
#>  7 audi            18    27 compact
#>  8 audi            18    26 compact
#>  9 audi            16    25 compact
#> 10 audi            20    28 compact
#> # ... with 99 more rows

可以看到 Groups: manufacturer, class [15] 的訊息。

group_by() 是對某個變數的值做分類。比如 group_by(manufacturer, class) 就是對製造商和車型做分類。

仔細觀察資料的話，會發現並不是所有製造商都有這兩種車型被記錄在資料裡。

Step 2: 取平均值

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer, class) %>%
  summarise(avg = mean(cty))
#> `summarise()` has grouped output by 'manufacturer'. You can override using the `.groups` argument.
#> # A tibble: 15 x 3
#> # Groups:   manufacturer [12]
#>    manufacturer class     avg
#>    <chr>        <chr>   <dbl>
#>  1 audi         compact  17.9
#>  2 chevrolet    suv      12.7
#>  3 dodge        suv      11.9
#>  4 ford         suv      12.9
#>  5 jeep         suv      13.5
#>  6 land rover   suv      11.5
#>  7 lincoln      suv      11.3
#>  8 mercury      suv      13.2
#>  9 nissan       compact  20  
#> 10 nissan       suv      13.8
#> 11 subaru       compact  19.8
#> 12 subaru       suv      18.8
#> 13 toyota       compact  22.2
#> 14 toyota       suv      14.4
#> 15 volkswagen   compact  20.8

summarise() 和 summarize() 功能一樣，純粹是英美式差異。

summarise() 會整合成另一個資料框，avg 是變數名稱， mean() 是整合的方式，計算 cty 的平均值。

ggplot2 資料視覺化

ggplot(data = mpg) +
  geom_point(mapping = aes(x = cty, y = hwy))

看到 ggplot() 代表要畫圖了，裡面第一個位置放資料 mpg。

這裡的 + 可能跟你想的加法不一樣， 接在 ggplot2 包的函數後面， 就達到跟 %>% 相同的效果。 所以你發現了嗎?這就是個坑，很可能不小心就寫錯。

來看看 RStudio 首席工程師 Hadley 的看法:

ggplot(data = mpg) +
  geom_point(mapping = aes(x = cty, y = hwy))

geom_point() 是畫點圖。

mapping() 是指映射。

aes() 是 asthetic 的簡稱，是美學的意思。 aes() 放的是座標軸，順序是 x 軸 y 軸。 通常會省略 x、y。

通常會把函數的名稱省略，所以 data、mapping、x、y 都可以省略。但是不能更改他們擺放的順序。所以下面兩個是完全不同的映射方式。

ggplot(mpg) +
  geom_point(aes(cty, hwy))


ggplot(mpg) +
  geom_point(aes(hwy, cty))

如果要畫兩種以上的圖，只要用 + 連接即可:

ggplot(data = mpg, mapping = aes(x = cty, y = hwy)) +
  geom_point() +
  geom_smooth(method = lm)
#> `geom_smooth()` using formula 'y ~ x'

geom_smooth(method = lm) 是指用線性迴歸畫圖，在此不深究這個問題。

作業

1. 請觀察下面兩種做法，分別說明會如何計算總數?

其中 n() 是計算總數，命名為 cars。

解除群組做法是用管線接一句 ungroup()，裡面不用再寫其他記號。

df <- mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer, class) 

# 第一種沒有 ungroup
df %>% summarise(cars = n())

# 第二種有 ungroup
df %>%
  ungroup() %>%
  summarise(cars = n())

2. 資料整理的方式如下，

  1. 接著請畫出製造商在每種車型的市區油耗與高速公路油耗的盒鬚圖。
  2. 說明 coord_flip() 可以解決的問題。
  3. 說明你喜歡哪一種主題的作圖。比如範例是 theme_classic() 畫圖。

提示: geom_boxplot() 的美學在 x 軸是離散的變數，y 軸是連續的變數

當然 color 或是 theme_*() 都可以自行挑選喜歡的。 * 為名稱代換的部分。

mpg %>%
  select(manufacturer, cty, hwy, class) %>%
  filter(class %in% c("compact", "suv")) %>%
  group_by(manufacturer, class) %>%
  ggplot() +
  geom_boxplot(mapping = aes(x = ___, y = ___), color = "violet") +
  geom_boxplot(mapping = aes(x = ___, y = ___), color = "orange") +
  coord_flip() +
  theme_classic()