Sessão 6 - Manipulação de dados com dplyr
Allan Vieira
julho de 2018
Objetivos
- conhecer a “gramática” específica de manipulação de dados trazida pelo dplyr;
- conhecer as principais tarefas que podem ser desempenhadas utilizando o pacote;
- aprender as principais funções do pacote
Pacote dplyr - Introdução (1)
Conforme os autores afirmam, quando trabalhamos com dados nós precisamos:
Descobrir o que desejamos fazer;
Descrever essas tarefas na forma de um programa de computador;
Executar o programa.
Pacote dplyr - Introdução (2)
O pacote dplyr torna estes passos mais rápidos e fáceis de executar, pois:
resume-se a poucas funções (!= R base);
provém “verbos” simples -> funções que correspondem às tarefas mais comuns de manipulação de dados -> traduzir pensamentos em código;
utiliza backends (códigos de final de processo, ou seja, mais próximos ao usuário) eficientes, de modo que gastamos menos tempo esperando pelo computador.
Pacote dplyr - Introdução (3)
O pacote dplyr proporciona uma função para cada “verbo” considerado importante em manipulação de dados:
filter() para selecionar “casos” baseados em seus valores;
arrange() para reordenar os “casos”;
select() e rename() para selecionar variáveis baseadas em seus nomes;
mutate() e transmute() para adicionar novas variáveis que são funções de variáveis já existentes nos dados;
summarise() ou summarize() para condensar multiplos valores em um único;
sample_n() and sample_frac() para fazer amostras aleatórias.
Pacote dplyr - Exemplos (1)
Vamos utilizar nycflights13::flights que contempla os dados de 336.776 voos que saíram de 3 aeroportos de Nova York em 2013. Os dados são oriundos do US Bureau of Transportation Statistics.
library(dplyr)
library(nycflights13)
dim(flights)
[1] 336776 19
flights
# A tibble: 336,776 x 19
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>
Pacote dplyr - Exemplos (2)
Note que:
- O print se dá de forma diferente do que estávamos acostumados até então;
- Isso porque na verdade temos um tibble, que é uma forma moderna de data.frame implementada pelo pessoal do tidyverse;
- Só é impresso na tela as primeiras linhas e diversos resumos/ informações sobre nossas variáveis.
- Para saber mais sobre tibbles, você pode visitar http://tibble.tidyverse.org. Para converter data.frames em tibbles, usamos as_tibble().
Filtrando linhas com filter()
filter() permite fazer um subset das linhas de um data.frame;
Como todos os verbos simples de dplyr, o primeiro argumento será um tibble (ou data.frame);
O segundo argumento e os subsequentes se referem a variáveis dentro do data.frame, em que se selecionam as linhas onde a expressão é verdadeira (TRUE).
Vamos selecionar todos os voos em 1º de janeiro:
filter(flights, month == 1, day == 1)
# A tibble: 842 x 19
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 832 more rows, and 12 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>
- Isso seria equivalente ao código do base R que vimos no primeiro módulo:
flights[flights$month == 1 & flights$day == 1, ].
Organizando linhas com arrange()
arrange() funciona de modo semelhante a filter, mas ao invés de filtrar e selecionar linhas, ele apenas as reordena de acordo com alguma condição que passamos;
Essa função recebe um data.frame (ou tibble) e um conjunto de column names pelo qual vai ordenar;
arrange(flights, year, month, day)
# A tibble: 336,776 x 19
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>
Se quiser ordenar de forma decrescente, utilize a helper function desc(nome_da_coluna) dentro de arrange().
Selecionando colunas com select() (1)
Geralmente trabalhamos com datasets com muitas colunas, mas somente algumas poucas são de nosso interesse;
select()nos permite rapidamente focar num subconjunto dos dados;O melhor é que podemos utilizar operações - que normalmente só funcionam com as posições das colunas - direto nos nomes das variáveis.
# Select columns by name
select(flights, year, month, day)
# A tibble: 336,776 x 3
year month day
<int> <int> <int>
1 2013 1 1
2 2013 1 1
3 2013 1 1
4 2013 1 1
5 2013 1 1
6 2013 1 1
7 2013 1 1
8 2013 1 1
9 2013 1 1
10 2013 1 1
# ... with 336,766 more rows
# Select all columns between year and day (inclusive)
select(flights, year:day)
# A tibble: 336,776 x 3
year month day
<int> <int> <int>
1 2013 1 1
2 2013 1 1
3 2013 1 1
4 2013 1 1
5 2013 1 1
6 2013 1 1
7 2013 1 1
8 2013 1 1
9 2013 1 1
10 2013 1 1
# ... with 336,766 more rows
# Select all columns except those from year to day (inclusive)
select(flights, -(year:day))
# A tibble: 336,776 x 16
dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay
<int> <int> <dbl> <int> <int> <dbl>
1 517 515 2 830 819 11
2 533 529 4 850 830 20
3 542 540 2 923 850 33
4 544 545 -1 1004 1022 -18
5 554 600 -6 812 837 -25
6 554 558 -4 740 728 12
7 555 600 -5 913 854 19
8 557 600 -3 709 723 -14
9 557 600 -3 838 846 -8
10 558 600 -2 753 745 8
# ... with 336,766 more rows, and 10 more variables: carrier <chr>,
# flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
# distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>
Selecionando colunas com select() (2)
- Existem helper functions que podemos usar dentro de select();
- São funções que lembram o funcionamento de uma regular expression para identificarmos nomes de colunas que atendem a determinado critério;
São muito úteis com grandes datasets: starts_with(), ends_with(), matches() e contains().
select() pode ser usada inclusive para renomear variáveis:
select(flights, tail_num = tailnum)
# A tibble: 336,776 x 1
tail_num
<chr>
1 N14228
2 N24211
3 N619AA
4 N804JB
5 N668DN
6 N39463
7 N516JB
8 N829AS
9 N593JB
10 N3ALAA
# ... with 336,766 more rows
- A nova variável será chamada tail_num e receberá toda a informação da original tailnum.
- No entanto, select() “abandona” todas as demais variáveis quando você faz uma renomeação. O melhor então é usar rename():
rename(flights, tail_num = tailnum)
# A tibble: 336,776 x 19
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tail_num <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>
Adicionando novas colunas com mutate() (1)
Além de selecionar subconjuntos de colunas existentes, é geralmente útil adicionar novas colunas que são funções de colunas já presentes no data.frame;
Veja um exemplo com mutate():
mutate(flights,
gain = arr_delay - dep_delay,
speed = distance / air_time * 60
)
# A tibble: 336,776 x 21
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 336,766 more rows, and 14 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>, gain <dbl>, speed <dbl>
Adicionando novas colunas com mutate() (2)
mutate()equivale a funçãotransform()que vimos no Módulo 1 …… Mas uma inovação: nos permite nos referir a colunas que acabamos de criar no mesmo comando:
mutate(flights,
gain = arr_delay - dep_delay,
gain_per_hour = gain / (air_time / 60)
)
# A tibble: 336,776 x 21
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 336,766 more rows, and 14 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>, gain <dbl>, gain_per_hour <dbl>
- Se só nos interessarem as novas variáveis, usamos transmute():
transmute(flights,
gain = arr_delay - dep_delay,
gain_per_hour = gain / (air_time / 60)
)
# A tibble: 336,776 x 2
gain gain_per_hour
<dbl> <dbl>
1 9 2.38
2 16 4.23
3 31 11.6
4 -17 -5.57
5 -19 -9.83
6 16 6.4
7 24 9.11
8 -11 -12.5
9 -5 -2.14
10 10 4.35
# ... with 336,766 more rows
Sumarizando valores com summarise()
O último “verbo” de dplyr é summarise();
Ele colapsa um data.frame em uma única linha:
summarise(flights,
delay = mean(dep_delay, na.rm = TRUE)
)
# A tibble: 1 x 1
delay
<dbl>
1 12.6
… Contudo, é mais útil usarmos o “verbo” group_by() que veremos a seguir.
Comunalidades
Note que a sintaxe e funcionamento de todos os verbos de dplyr apresentados até aqui são bem similares:
- o primeiro argumento é um data.frame;
- os argumentos subsequentes descrevem o que fazer com o data.frame. Podemos nos referir às colunas do data.frame diretamente sem a necessidade de usar $;
- o resultado é um noo data.frame.
Juntas, essas propriedades facilitam encadear múltiplos passos simples para alcançar um resultado complexo;
O restante do que dplyr faz, vem de aplicar as 5 funções a diferentes tipos de dados;
O próximo passo é trabalhar com dados agrupados.
Operações agrupadas (1)
Podemos aplicar os verbos de dplyr a grupos presentes nos nossos dados utilizando a função group_by();
Ela “quebra” o dataset em grupos específicos de linhas;
No início, você não percebe qualquer alteração – É como elas ficassem em segundo plano;
No entanto, ao aplicarmos algum dos verbos principais no dataset “alterado” por group_by, eles automaticamente serão aplicados por grupo ou “by group”.
Operações agrupadas - exemplos com os verbos de dplyr (1)
No exemplo a seguir, nos separamos o dataset por aviões e então sumarizamos cada avião contando o número de voos (count = n()), computando a distância média (dist = mean(distance, na.rm = TRUE)) e arrival delay (delay = mean(arr_delay, na.rm = TRUE)).
by_tailnum <- group_by(flights, tailnum)
delay <- summarise(by_tailnum,
count = n(),
dist = mean(distance, na.rm = TRUE),
delay = mean(arr_delay, na.rm = TRUE))
delay <- filter(delay, count > 20, dist < 2000)
delay
# A tibble: 2,962 x 4
tailnum count dist delay
<chr> <int> <dbl> <dbl>
1 N0EGMQ 371 676. 9.98
2 N10156 153 758. 12.7
3 N102UW 48 536. 2.94
4 N103US 46 535. -6.93
5 N104UW 47 535. 1.80
6 N10575 289 520. 20.7
7 N105UW 45 525. -0.267
8 N107US 41 529. -5.73
9 N108UW 60 534. -1.25
10 N109UW 48 536. -2.52
# ... with 2,952 more rows
# notar que group_by() nao deixa alterações evidentes
by_tailnum
# A tibble: 336,776 x 19
# Groups: tailnum [4,044]
year month day dep_time sched_dep_time dep_delay arr_time
<int> <int> <int> <int> <int> <dbl> <int>
1 2013 1 1 517 515 2 830
2 2013 1 1 533 529 4 850
3 2013 1 1 542 540 2 923
4 2013 1 1 544 545 -1 1004
5 2013 1 1 554 600 -6 812
6 2013 1 1 554 558 -4 740
7 2013 1 1 555 600 -5 913
8 2013 1 1 557 600 -3 709
9 2013 1 1 557 600 -3 838
10 2013 1 1 558 600 -2 753
# ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
# arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
# origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
# minute <dbl>, time_hour <dttm>
Operações agrupadas - exemplos com os verbos de dplyr (2)
summarise() é utilizada com aggregate functions, as quais recebem um vetor de valores e retornam um único número;
Há muito exemplos úteis do base R que podem ser utilizados, como min(), max(), mean(), sum(), sd(), median(), etc;
dplyr fornece mais algumas outras bem úteis:
- n(): número de observações no grupo atual;
- n_distinct(x): número de valores únicos em x;
- first(x), last(x) e nth(x, n) funcionam de forma similar a
x[1],x[length(x)]ex[n], mas nos dão maior controle sobre resultado caso algum valor seja missing.
Operações agrupadas - exemplos com os verbos de dplyr (3)
Quando agrupamos mais de uma variável, cada summarise() que executamos, “raspa”/elimina um nível do agrupamento. Exemplo:
daily <- group_by(flights, year, month, day)
(per_day <- summarise(daily, flights = n()))
# A tibble: 365 x 4
# Groups: year, month [?]
year month day flights
<int> <int> <int> <int>
1 2013 1 1 842
2 2013 1 2 943
3 2013 1 3 914
4 2013 1 4 915
5 2013 1 5 720
6 2013 1 6 832
7 2013 1 7 933
8 2013 1 8 899
9 2013 1 9 902
10 2013 1 10 932
# ... with 355 more rows
# notar que da descrição "Groups:" do tibble, o número de variáveis de agrupamento vai diminuindo.
(per_month <- summarise(per_day, flights = sum(flights)))
# A tibble: 12 x 3
# Groups: year [?]
year month flights
<int> <int> <int>
1 2013 1 27004
2 2013 2 24951
3 2013 3 28834
4 2013 4 28330
5 2013 5 28796
6 2013 6 28243
7 2013 7 29425
8 2013 8 29327
9 2013 9 27574
10 2013 10 28889
11 2013 11 27268
12 2013 12 28135
(per_year <- summarise(per_month, flights = sum(flights)))
# A tibble: 1 x 2
year flights
<int> <int>
1 2013 336776
Outros Exemplos com os verbos de dplyr - select (1)
select():
- Uma das melhores carcterísticas de dplyr é que podemos nos referir as variáveis de um tibble ou data.frame como se fossem variáveis regulares (aquelas que estão no GlobalEnv);
Veja formas equivalentes do ponto de vista de dplyr:
select(flights, year)
# A tibble: 336,776 x 1
year
<int>
1 2013
2 2013
3 2013
4 2013
5 2013
6 2013
7 2013
8 2013
9 2013
10 2013
# ... with 336,766 more rows
select(flights, 1)
# A tibble: 336,776 x 1
year
<int>
1 2013
2 2013
3 2013
4 2013
5 2013
6 2013
7 2013
8 2013
9 2013
10 2013
# ... with 336,766 more rows
Outros Exemplos com os verbos de dplyr - select (2)
- Se houver uma variável no GlobalEnv(surrounding conetxt - arredondezas) com o mesmo nome de uma coluna de nosso data.frame, você não poderá referenciá-la diretamente:
year <- 5
select(flights, year)
# A tibble: 336,776 x 1
year
<int>
1 2013
2 2013
3 2013
4 2013
5 2013
6 2013
7 2013
8 2013
9 2013
10 2013
# ... with 336,766 more rows
Outros Exemplos com os verbos de dplyr - mutate (1)
mutate():
A semântica de mutating é um pouco diferente da semântica de selecting;
Enquanto select() espera por receber nomes ou posições, mutate() espera por vetores colunas.
Vamos criar um tibble menor a partir do original para demonstrar:
df <- select(flights, year:dep_time)
Quando usamos select(), os nomes “crus” das colunas representam as próprias colunas do tibble. Veja o que acontece quando usamos mutate() com uma string:
mutate(df, "year", 2)
# A tibble: 336,776 x 6
year month day dep_time `"year"` `2`
<int> <int> <int> <int> <chr> <dbl>
1 2013 1 1 517 year 2
2 2013 1 1 533 year 2
3 2013 1 1 542 year 2
4 2013 1 1 544 year 2
5 2013 1 1 554 year 2
6 2013 1 1 554 year 2
7 2013 1 1 555 year 2
8 2013 1 1 557 year 2
9 2013 1 1 557 year 2
10 2013 1 1 558 year 2
# ... with 336,766 more rows
“year” - um vetor de string de tamanho 1 - é entendido por mutate() como se quiséssemos acrescentar uma nova coluna no data.frame. Então, ele recicla esse vetor de tamanho 1 até atingir o número de linhas. O mesmo ocorre para o numeral 2.
Outros Exemplos com os verbos de dplyr - mutate (2)
Se você quisesse criar uma coluna que executa year + 10 para cada linha, não pode utilizar aspas (“year” + 10). Estaria somando 10 a uma string e não aos valores de uma coluna. O correto seria:
mutate(df, year + 10)
# A tibble: 336,776 x 5
year month day dep_time `year + 10`
<int> <int> <int> <int> <dbl>
1 2013 1 1 517 2023
2 2013 1 1 533 2023
3 2013 1 1 542 2023
4 2013 1 1 544 2023
5 2013 1 1 554 2023
6 2013 1 1 554 2023
7 2013 1 1 555 2023
8 2013 1 1 557 2023
9 2013 1 1 557 2023
10 2013 1 1 558 2023
# ... with 336,766 more rows
Podemos criar um novo vetor e adicionar ao data.frame com um nome diferente:
var <- seq(1, nrow(df))
mutate(df, new = var)
# A tibble: 336,776 x 5
year month day dep_time new
<int> <int> <int> <int> <int>
1 2013 1 1 517 1
2 2013 1 1 533 2
3 2013 1 1 542 3
4 2013 1 1 544 4
5 2013 1 1 554 5
6 2013 1 1 554 6
7 2013 1 1 555 7
8 2013 1 1 557 8
9 2013 1 1 557 9
10 2013 1 1 558 10
# ... with 336,766 more rows
Outros Exemplos com os verbos de dplyr - group_by (1)
group_by():
A função group_by tem semântica parecida com a de mutate();
Se passarmos uma string como nome das colunas pelas quais desejamos agrupar, ele irá reciclar um vetor apenas com aquela string \( \rightarrow \) temos que passar, então, os nomes das colunas sem aspas.
group_by(df, "month")
# A tibble: 336,776 x 5
# Groups: "month" [1]
year month day dep_time `"month"`
<int> <int> <int> <int> <chr>
1 2013 1 1 517 month
2 2013 1 1 533 month
3 2013 1 1 542 month
4 2013 1 1 544 month
5 2013 1 1 554 month
6 2013 1 1 554 month
7 2013 1 1 555 month
8 2013 1 1 557 month
9 2013 1 1 557 month
10 2013 1 1 558 month
# ... with 336,766 more rows
group_by(df, month)
# A tibble: 336,776 x 4
# Groups: month [12]
year month day dep_time
<int> <int> <int> <int>
1 2013 1 1 517
2 2013 1 1 533
3 2013 1 1 542
4 2013 1 1 544
5 2013 1 1 554
6 2013 1 1 554
7 2013 1 1 555
8 2013 1 1 557
9 2013 1 1 557
10 2013 1 1 558
# ... with 336,766 more rows
Outros Exemplos com os verbos de dplyr - group_by (2)
Mas, como às vezes fazer agrupamentos utilizando a semântica de select() também pode ser útil, os autores do pacote adicionaram uma variante de group_by(): group_by_at().
group_by_at(df, vars(year:day))
# A tibble: 336,776 x 4
# Groups: year, month, day [365]
year month day dep_time
<int> <int> <int> <int>
1 2013 1 1 517
2 2013 1 1 533
3 2013 1 1 542
4 2013 1 1 544
5 2013 1 1 554
6 2013 1 1 554
7 2013 1 1 555
8 2013 1 1 557
9 2013 1 1 557
10 2013 1 1 558
# ... with 336,766 more rows
Pipes %>% (1)
dplyr é funcional no sentido de que os chamados às funções não tem efeitos colaterais. Ou seja, você NÃO precisa sempre precisa salvar seus resultados. Isso faz com que não tenhámos um código tão elegante, especialmente quando vamos fazer várias operações, uma de cada vez:
a1 <- group_by(flights, year, month, day)
a2 <- select(a1, arr_delay, dep_delay)
a3 <- summarise(a2,
arr = mean(arr_delay, na.rm = TRUE),
dep = mean(dep_delay, na.rm = TRUE))
a4 <- filter(a3, arr > 30 | dep > 30)
Note que há muitos resultados intermediários que vamos salvando, quando na verdade só nos interessaria o final. Para resolver isso poderíamos ir chamando uma função dentro da outra:
filter(
summarise(
select(
group_by(flights, year, month, day),
arr_delay, dep_delay
),
arr = mean(arr_delay, na.rm = TRUE),
dep = mean(dep_delay, na.rm = TRUE)
),
arr > 30 | dep > 30
)
# A tibble: 49 x 5
# Groups: year, month [11]
year month day arr dep
<int> <int> <int> <dbl> <dbl>
1 2013 1 16 34.2 24.6
2 2013 1 31 32.6 28.7
3 2013 2 11 36.3 39.1
4 2013 2 27 31.3 37.8
5 2013 3 8 85.9 83.5
6 2013 3 18 41.3 30.1
7 2013 4 10 38.4 33.0
8 2013 4 12 36.0 34.8
9 2013 4 18 36.0 34.9
10 2013 4 19 47.9 46.1
# ... with 39 more rows
Embora resolva o problema de salvar os objetos intermediários, esta abordagem é difícil de lermos porque a ordem das operações se dá dentro para fora. Então, os argumentos acabam ficando longe da função propriamente dita.
Pipes %>% (2)
Para dar uma solução elegante ao problema anterior, dplyr utiliza o operador pipe %>% do pacote magritrr;
x %>% f(y) equivale a
f(x, y);Então, podemos utilizar esse operador para reescrever múltiplas operações que podemos ler da esquerda para direita e de cima para baixo:
flights %>%
group_by(year, month, day) %>%
select(arr_delay, dep_delay) %>%
summarise(
arr = mean(arr_delay, na.rm = TRUE),
dep = mean(dep_delay, na.rm = TRUE)
) %>%
filter(arr > 30 | dep > 30)
# A tibble: 49 x 5
# Groups: year, month [11]
year month day arr dep
<int> <int> <int> <dbl> <dbl>
1 2013 1 16 34.2 24.6
2 2013 1 31 32.6 28.7
3 2013 2 11 36.3 39.1
4 2013 2 27 31.3 37.8
5 2013 3 8 85.9 83.5
6 2013 3 18 41.3 30.1
7 2013 4 10 38.4 33.0
8 2013 4 12 36.0 34.8
9 2013 4 18 36.0 34.9
10 2013 4 19 47.9 46.1
# ... with 39 more rows
FIM
OBRIGADO!!