# carico i package utilizzati ---------------------------------------------
library(readxl) # per importare il file MS-Excel
library(tidyverse) # per i verbi di pulizia e manipolazione dei dati {dplyr}
library(janitor) # per sfruttare clean_names e tabyl
# carico e pulisco i dati -------------------------------------------------
# importo il foglio titanic dalla cartella MS-Excel
titanic <- read_excel(here::here("data", "titanic-excel.xlsx"),
sheet = "titanic")Data cleaning and manipulation {janitor e dplyr}
Pulizia (cleaning) e manipolazione (manipulation) dei dati
Per mostrare le principali funzioni di pulizia e manipolazione dei dati sfrutto la tabella titanic disponibile in formato .xlsx su questo link.
Posso sfruttare la funzione clean_names() {janitor} per uniformare i nomi delle colonne:
# nomi delle colonne (variabili) della tabella dati importata
names(titanic) [1] "PassengerId" "Survived" "Pclass" "Name" "Sex"
[6] "Age" "SibSp" "Parch" "Ticket" "Fare"
[11] "Cabin" "Embarked" # pulisco i nomi delle colonne
titanic <- titanic |> clean_names()
# nomi delle colonne dopo averli uniformati
names(titanic) [1] "passenger_id" "survived" "pclass" "name" "sex"
[6] "age" "sib_sp" "parch" "ticket" "fare"
[11] "cabin" "embarked" Di seguito sono riportati i verbi / avverbi per la data manipulation. Si tratta di funzioni contenute nel package {dplyr}.
Modifica dei nomi di colonna: rename()
La funzione rename() {dplyr} mi permette di cambiare il nome di una o più colonne, con la sintassi nuovo_nome = vecchio_nome. La sfrutto di seguito per cambiare i nomi di due colonne usando lo stesso stile delle altre colonne:
titanic <- titanic |>
rename(passenger_class = pclass, par_child = parch)Modifica della tabella: mutate()
Utilizzo di mutate() e recode_values()
Ricodifico i dati usando descrittori testuali sfruttando la funzione recode_values() {dplyr} all’interno del verbo mutate(). Ogni regola di ricodifica si scrive nella forma valore_originale ~ nuovo_valore:
titanic <- titanic |>
mutate(survived = recode_values(survived, 1 ~ "yes", 0 ~ "no"),
passenger_class = recode_values(passenger_class,
1 ~ "prima", 2 ~ "seconda", 3 ~ "terza"),
embarkation_port = recode_values(embarked,
"S" ~ "Southampton",
"Q" ~ "Queenstown",
"C" ~ "Cherbourg"))
NoteLe funzioni
recode() e case_match()
Nelle versioni di {dplyr} precedenti alla 1.2.0 la ricodifica si effettuava con le funzioni recode() (che usava la sintassi "vecchio_valore" = "nuovo_valore") e case_match(). Entrambe sono state sostituite da recode_values() e replace_values(): case_match() è deprecata e recode() è superseded, cioè non viene più sviluppata. Le troverete ancora spesso nel codice disponibile online e nel codice generato dagli assistenti AI: è bene saperle riconoscere, ma nei nuovi script è preferibile usare le nuove funzioni.
recode_values() costruisce una variabile nuova a partire dalle regole indicate: i valori non previsti da nessuna regola, compresi i valori mancanti, diventano NA. Lo si vede ad esempio per i due passeggeri di cui non è noto il porto di imbarco:
titanic |>
tabyl(embarkation_port) embarkation_port n percent valid_percent
Cherbourg 168 0.188552189 0.18897638
Queenstown 77 0.086419753 0.08661417
Southampton 644 0.722783389 0.72440945
<NA> 2 0.002244669 NAPer assegnare un valore a tutti i casi non previsti dalle regole si può usare l’argomento default (ad esempio default = "altro").
Posso effettuare la codifica in una sola chiamata di mutate() oppure usando una chiamata per ogni operazione di ricodifica. Il seguente insieme di comandi è equivalente al precedente:
titanic <- titanic |>
mutate(survived = recode_values(survived, 1 ~ "yes", 0 ~ "no"))
titanic <- titanic |>
mutate(passenger_class = recode_values(passenger_class,
1 ~ "prima", 2 ~ "seconda", 3 ~ "terza"))
titanic <- titanic |>
mutate(embarkation_port = recode_values(embarked,
"S" ~ "Southampton",
"Q" ~ "Queenstown",
"C" ~ "Cherbourg"))Le regole di ricodifica possono essere memorizzate anche in una tabella di corrispondenza (lookup table), da passare a recode_values() attraverso gli argomenti from e to. È una soluzione comoda quando le modalità da ricodificare sono molte o quando la tabella di corrispondenza è già disponibile in un file:
porti <- tibble(codice = c("S", "Q", "C"),
porto = c("Southampton", "Queenstown", "Cherbourg"))
titanic |>
mutate(embarkation_port = recode_values(embarked,
from = porti$codice,
to = porti$porto)) |>
tabyl(embarkation_port) embarkation_port n percent valid_percent
Cherbourg 168 0.188552189 0.18897638
Queenstown 77 0.086419753 0.08661417
Southampton 644 0.722783389 0.72440945
<NA> 2 0.002244669 NAUtilizzo di mutate() e replace_values()
La funzione replace_values() {dplyr} usa la stessa sintassi di recode_values(), ma sostituisce solo i valori indicati e lascia invariati tutti gli altri. È quindi la funzione adatta quando si vogliono modificare solo alcune modalità di una variabile, ad esempio per accorpare due classi:
titanic |>
mutate(passenger_class = replace_values(passenger_class,
c("seconda", "terza") ~ "seconda/terza")) |>
tabyl(passenger_class) passenger_class n percent
prima 216 0.2424242
seconda/terza 675 0.7575758Nell’esempio, a sinistra della tilde c’è un vettore: tutti i valori elencati vengono sostituiti con lo stesso nuovo valore. La stessa sintassi vale per recode_values().
Il confronto tra le due funzioni chiarisce la differenza: con una sola regola, recode_values() trasforma in NA tutti i valori non previsti, mentre replace_values() li conserva:
titanic |>
mutate(porto_recode = recode_values(embarked, "S" ~ "Southampton"),
porto_replace = replace_values(embarked, "S" ~ "Southampton")) |>
tabyl(porto_recode, porto_replace) porto_recode C Q Southampton NA_
Southampton 0 0 644 0
<NA> 168 77 0 2replace_values() è comoda anche per sostituire i valori mancanti con un’etichetta esplicita:
titanic |>
mutate(embarkation_port = replace_values(embarkation_port, NA ~ "non noto")) |>
tabyl(embarkation_port) embarkation_port n percent
Cherbourg 168 0.188552189
Queenstown 77 0.086419753
Southampton 644 0.722783389
non noto 2 0.002244669C’è una seconda differenza sostanziale tra le due funzioni. Poiché si limita a sostituire alcuni valori, replace_values() restituisce sempre un vettore dello stesso tipo di quello di partenza: i nuovi valori devono quindi essere compatibili con esso. recode_values() costruisce invece un vettore nuovo, il cui tipo dipende dai valori indicati a destra della tilde: per questo all’inizio del tutorial è stato possibile trasformare i codici numerici 0 e 1 della colonna survived nelle etichette "no" e "yes". La stessa operazione con replace_values() restituisce un errore:
replace_values(c(0, 1, 1), 1 ~ "yes", 0 ~ "no")Error in `replace_values()`:
! Can't convert `..1 (right)` <character> to <double>.recode_values(c(0, 1, 1), 1 ~ "yes", 0 ~ "no")[1] "no" "yes" "yes"Utilizzo di mutate() ed if_else()
Un’alternativa per procedere alla codifica è sfruttare la funzione if_else(), molto comoda nel caso di una codifica in due gruppi, come nel seguente esempio:
titanic <- titanic |>
mutate(eta_str = if_else(age < 18, "minorenne", "maggiorenne"))Per i passeggeri di cui non si conosce l’età la condizione age < 18 vale NA e anche il risultato di if_else() è NA: per assegnare un’etichetta a questi casi si può usare l’argomento missing (ad esempio missing = "non nota").
L’utilizzo di if_else() risulta meno immediato nel caso di codifica in più gruppi, come mostrato in questa variante di ricodifica per il porto di imbarco, che richiede due chiamate di if_else() annidate:
titanic <- titanic |>
mutate(embarkation_port = if_else(embarked == "S", "Southampton",
if_else(embarked == "Q", "Queenstown",
"Cherbourg")))Si noti che in questa versione qualunque valore diverso da S e da Q (diverso da NA) verrebbe codificato come Cherbourg: con recode_values() ogni modalità è invece indicata esplicitamente.
Utilizzando la funzione if_else() per codificare dati numerici bisogna prestare molta attenzione alla gestione delle variabili qualitative ordinali. In questo esempio, dividendo la variabile age in gruppi, le tre modalità ottenute vengono ordinate in ordine alfabetico, come risulta dalla corrispondente tabella di frequenza:
titanic |>
mutate(age_tre_classi = if_else(age < 18,
"minorenne",
if_else(age < 60, "adulto", "anziano"))) |>
tabyl(age_tre_classi, show_na = FALSE) |>
adorn_totals() age_tre_classi n percent
adulto 575 0.80532213
anziano 26 0.03641457
minorenne 113 0.15826331
Total 714 1.00000000È necessario, una volta effettuata la codifica, dichiarare esplicitamente la variabile come qualitativa (factor), con un’ulteriore operazione di mutate():
titanic |>
mutate(age_tre_classi = if_else(age < 18,
"minorenne",
if_else(age < 60, "adulto", "anziano"))) |>
mutate(age_tre_classi = factor(age_tre_classi,
levels = c("minorenne", "adulto", "anziano"))) |>
tabyl(age_tre_classi, show_na = FALSE) |>
adorn_totals() age_tre_classi n percent
minorenne 113 0.15826331
adulto 575 0.80532213
anziano 26 0.03641457
Total 714 1.00000000Le due operazioni (codifica e dichiarazione della variabile come factor) possono essere effettuate anche in un’unica chiamata del verbo mutate(). Nell’esempio precedente si può utilizzare l’argomento ordered = TRUE per indicare a factor() che la variabile è una variabile qualitativa ordinale, anche se per la maggior parte degli utilizzi successivi non si apprezza la differenza:
titanic |>
mutate(age_tre_classi = if_else(age < 18,
"minorenne",
if_else(age < 60, "adulto", "anziano")),
age_tre_classi = factor(age_tre_classi,
levels = c("minorenne", "adulto", "anziano"),
ordered = TRUE)) |>
tabyl(age_tre_classi, show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() age_tre_classi n percent
minorenne 113 15.8%
adulto 575 80.5%
anziano 26 3.6%
Total 714 100.0%Utilizzo di mutate() e case_when()
Quando i gruppi sono più di due, la funzione case_when() {dplyr} evita di annidare più chiamate di if_else(). Ogni regola si scrive nella forma condizione ~ valore, e le condizioni possono essere espressioni logiche qualsiasi, anche su più colonne. La stessa classificazione in tre classi di età vista in precedenza si scrive così:
titanic |>
mutate(age_tre_classi = case_when(age < 18 ~ "minorenne",
age < 60 ~ "adulto",
age >= 60 ~ "anziano"),
age_tre_classi = factor(age_tre_classi,
levels = c("minorenne", "adulto", "anziano"),
ordered = TRUE)) |>
tabyl(age_tre_classi, show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() age_tre_classi n percent
minorenne 113 15.8%
adulto 575 80.5%
anziano 26 3.6%
Total 714 100.0%case_when() valuta le condizioni nell’ordine in cui sono scritte e, per ogni riga, usa la prima condizione vera. Per questo la seconda condizione può essere scritta semplicemente come age < 60: i minorenni sono già stati classificati dalla prima. L’ordine delle condizioni è quindi rilevante: invertendo le prime due, tutti i passeggeri con meno di 60 anni, minorenni compresi, vengono classificati come adulti:
titanic |>
mutate(age_tre_classi = case_when(age < 60 ~ "adulto",
age < 18 ~ "minorenne",
age >= 60 ~ "anziano")) |>
tabyl(age_tre_classi, show_na = FALSE) age_tre_classi n percent
adulto 688 0.96358543
anziano 26 0.03641457Le righe che non soddisfano nessuna condizione ricevono NA: è quanto accade ai passeggeri di cui non si conosce l’età. Per assegnare un valore a tutti i casi rimanenti si usa l’argomento .default. Bisogna però prestare attenzione ai valori mancanti: nel seguente esempio, che riprende la regola “prima le donne e i bambini”, gli uomini di cui non è nota l’età finiscono nel gruppo indicato in .default, cioè tra gli uomini adulti:
titanic |>
mutate(gruppo = case_when(sex == "female" | age < 14 ~ "donne e bambini",
.default = "uomini adulti")) |>
tabyl(gruppo, survived) |>
adorn_percentages(denominator = "row") |>
adorn_pct_formatting() |>
adorn_ns() gruppo no yes
donne e bambini 27.6% (97) 72.4% (254)
uomini adulti 83.7% (452) 16.3% (88)Utilizzo di mutate() e cut() (e varianti)
Per categorizzare le variabili in gruppi in maniera più immediata, ottenendo in output una variabile di tipo factor, è spesso più comodo ricorrere alla funzione cut() {base} e alle sue varianti definite in {ggplot2}.
La funzione cut() permette di ottenere una divisione in gruppi di uguale ampiezza se l’argomento breaks viene utilizzato per indicare il numero di classi desiderato:
cut(titanic$age, breaks = 3) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = 3) n percent
(0.34,26.9] 319 44.7%
(26.9,53.5] 345 48.3%
(53.5,80.1] 50 7.0%
Total 714 100.0%In alternativa, si possono ottenere classi di diversa ampiezza utilizzando breaks per impostare i punti di taglio della classificazione, a partire dall’estremo inferiore della prima classe fino all’estremo superiore dell’ultima classe:
cut(titanic$age, breaks = c(0, 18, 60, 81)) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = c(0, 18, 60, 81)) n percent
(0,18] 139 19.5%
(18,60] 553 77.5%
(60,81] 22 3.1%
Total 714 100.0%Le classi sono per default aperte a sinistra e chiuse a destra (l’estremo inferiore non è incluso nella classe, l’estremo superiore è incluso nella classe), ma l’argomento include.lowest permette di ottenere la prima classe chiusa su entrambi gli estremi, in modo da non perdere eventuali dati nella classificazione:
cut(titanic$age, breaks = c(0, 18, 60, 81), include.lowest = TRUE) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = c(0, 18, 60, 81), include.lowest = TRUE) n percent
[0,18] 139 19.5%
(18,60] 553 77.5%
(60,81] 22 3.1%
Total 714 100.0%Si possono ottenere classi con estremi inferiori inclusi ed estremi superiori esclusi (chiuse a sinistra ed aperte a destra) usando l’argomento right:
cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE) n percent
[0,18) 113 15.8%
[18,60) 575 80.5%
[60,81) 26 3.6%
Total 714 100.0%In questo caso si può chiudere l’ultima classe su entrambi gli estremi sempre sfruttando l’argomento include.lowest, anche se sarebbe più logico aspettarsi un argomento include.highest:
cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE, include.lowest = TRUE) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE, include.lowest = TRUE)
[0,18)
[18,60)
[60,81]
Total
n percent
113 15.8%
575 80.5%
26 3.6%
714 100.0%Per ottenere classi di (approssimativamente) uguale numerosità è possibile sfruttare la funzione quantile() per calcolare gli estremi che dividono i dati in gruppi con lo stesso numero di osservazioni. Ecco di seguito un esempio basato sui quartili. Poiché il primo estremo coincide con il valore minimo, è necessario usare include.lowest = TRUE per non escludere dalla prima classe il passeggero più giovane:
cut(titanic$age,
breaks = quantile(titanic$age, na.rm = TRUE),
include.lowest = TRUE) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = quantile(titanic$age, na.rm = TRUE), include.lowest = TRUE)
[0.42,20.1]
(20.1,28]
(28,38]
(38,80]
Total
n percent
179 25.1%
183 25.6%
175 24.5%
177 24.8%
714 100.0%Il seguente esempio invece sfrutta la funzione seq() come argomento di quantile() per ottenere i decili della variabile, utilizzati poi come estremi della categorizzazione in gruppi:
cut(titanic$age,
breaks = quantile(titanic$age, probs = seq(0, 1, by = 0.1), na.rm = TRUE),
include.lowest = TRUE) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = quantile(titanic$age, probs = seq(0, 1, by = 0.1), na.rm = TRUE), include.lowest = TRUE)
[0.42,14]
(14,19]
(19,22]
(22,25]
(25,28]
(28,31.8]
(31.8,36]
(36,41]
(41,50]
(50,80]
Total
n percent
77 10.8%
87 12.2%
67 9.4%
70 9.8%
61 8.5%
66 9.2%
91 12.7%
53 7.4%
78 10.9%
64 9.0%
714 100.0%La variabile restituita dalla funzione cut() (e dalle sue varianti) è automaticamente una variabile di tipo factor:
cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE,
labels = c("minorenne", "adulto", "anziano")) |>
class()[1] "factor"Sfruttando l’argomento labels è possibile impostare anche delle etichette per le classi, ottenendo così la categorizzazione equivalente a quella ottenuta in precedenza con le funzioni if_else() e case_when():
cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE,
labels = c("minorenne", "adulto", "anziano")) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut(titanic$age, breaks = c(0, 18, 60, 81), right = FALSE, labels = c("minorenne", "adulto", "anziano"))
minorenne
adulto
anziano
Total
n percent
113 15.8%
575 80.5%
26 3.6%
714 100.0%Le tre varianti di cut() introdotte in {ggplot2} permettono di ottenere un output equivalente, ma sono pensate per ottenere classi con estremi che meglio si prestano alla stampa di un output tabellare (meno decimali) e offrono argomenti che permettono una maggiore personalizzazione.
La funzione cut_interval() permette di ottenere gruppi di uguale ampiezza specificando il numero desiderato di classi (equivalente del primo utilizzo di cut() mostrato in precedenza):
cut_interval(titanic$age, n = 5) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut_interval(titanic$age, n = 5) n percent
[0.42,16.3] 100 14.0%
(16.3,32.3] 346 48.5%
(32.3,48.2] 188 26.3%
(48.2,64.1] 69 9.7%
(64.1,80] 11 1.5%
Total 714 100.0%Per ottenere gruppi di uguale ampiezza è anche possibile sfruttare la funzione cut_width(), specificando l’ampiezza desiderata delle classi (qui non c’è una variante diretta di cut(), a meno di non passare un’adeguata sequenza di valori all’argomento breaks):
cut_width(titanic$age, width = 20, boundary = 0) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut_width(titanic$age, width = 20, boundary = 0) n percent
[0,20] 179 25.1%
(20,40] 385 53.9%
(40,60] 128 17.9%
(60,80] 22 3.1%
Total 714 100.0%Infine, la funzione cut_number() permette di ottenere n gruppi di (approssimativamente) pari numerosità (vedi gli esempi precedenti dell’uso combinato di cut() e quantile()):
cut_number(titanic$age, n = 4) |>
tabyl(show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() cut_number(titanic$age, n = 4) n percent
[0.42,20.1] 179 25.1%
(20.1,28] 183 25.6%
(28,38] 175 24.5%
(38,80] 177 24.8%
Total 714 100.0%Per dettagli ulteriori sulla personalizzazione degli argomenti delle tre varianti di cut() si rimanda alla pagina di help delle tre funzioni.
Ho mostrato le funzioni cut() su un vettore estratto dalla tabella dati con l’operatore $. Anche in questo caso, per aggiungere la variabile ricodificata nella tabella dati, le funzioni vanno innestate in un verbo mutate(), come nel seguente esempio:
titanic |>
mutate(classi_eq_num = cut_number(age, n = 4)) |>
tabyl(classi_eq_num, show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() classi_eq_num n percent
[0.42,20.1] 179 25.1%
(20.1,28] 183 25.6%
(28,38] 175 24.5%
(38,80] 177 24.8%
Total 714 100.0%Mentre l’utilizzo di cut() e delle sue varianti è più immediato di if_else() e di case_when() nel caso di divisioni in classi di valori contigue, queste ultime sono necessarie nel caso di categorizzazione dei dati in classi di valori non contigue, come nel seguente esempio in cui si ottiene una classe che mette insieme bambini ed anziani:
titanic |>
mutate(classi_non_contigue = if_else(age < 14 | age > 70,
"bambini ed anziani",
"adulti")) |>
tabyl(classi_non_contigue, show_na = FALSE) |>
adorn_totals() |>
adorn_pct_formatting() classi_non_contigue n percent
adulti 638 89.4%
bambini ed anziani 76 10.6%
Total 714 100.0%Operazioni tra colonne e trasformazioni di variabili
Sfruttando la funzione mutate() posso fare operazioni tra colonne o trasformazioni di singole colonne. Se uso un tasso di cambio dollaro - euro ipotetico pari a 0.94, posso trasformare il prezzo del biglietto da dollari in euro:
titanic <- mutate(titanic, fare_euro = fare * 0.94)Il verbo mutate() è anche molto utile nel caso di trasformazioni di variabili, che sono ricorrenti in alcuni modelli statistici. Nei seguenti esempi aggiungo due colonne dove calcolo la trasformazione logaritmica e la radice quadrata della variabile age:
# trasformazione logaritmica di age
titanic <- mutate(titanic, log_age = log(age))
# comando equivalente in R base
# titanic$log_age <- log(titanic$age)
# calcolo la colonna sqrt_age (radice quadrata dell'età)
titanic <- mutate(titanic, sqrt_age = sqrt(age))Anche in questo caso è possibile raccogliere tutte le trasformazioni in un’unica chiamata del verbo mutate(). Le colonne create all’interno di mutate() sono subito disponibili per le espressioni successive nella stessa chiamata, come avviene qui per sqrt_age; con relocate() sposto poi la colonna age prima delle sue trasformazioni:
titanic <- titanic |>
mutate(log_age = log(age),
sqrt_age = sqrt(age),
fare_euro = fare * 0.94,
age_again = sqrt_age ^ 2) |>
relocate(age, .before = log_age)Selezione sulle colonne: select()
Il verbo select() {dplyr} mi permette di selezionare una o più colonne:
titanic |> select(survived, sex, age)# A tibble: 891 × 3
survived sex age
<chr> <chr> <dbl>
1 no male 22
2 yes female 38
3 yes female 26
4 yes female 35
5 no male 35
6 no male NA
7 no male 54
8 no male 2
9 yes female 27
10 yes female 14
# ℹ 881 more rowsÈ possibile, sfruttando il segno -, selezionare tutte le variabili ad eccezione di quelle specificate:
titanic |> select(-survived, -sex, -age)# A tibble: 891 × 15
passenger_id passenger_class name sib_sp par_child ticket fare cabin
<dbl> <chr> <chr> <dbl> <dbl> <chr> <dbl> <chr>
1 1 terza Braund, Mr.… 1 0 A/5 2… 7.25 <NA>
2 2 prima Cumings, Mr… 1 0 PC 17… 71.3 C85
3 3 terza Heikkinen, … 0 0 STON/… 7.92 <NA>
4 4 prima Futrelle, M… 1 0 113803 53.1 C123
5 5 terza Allen, Mr. … 0 0 373450 8.05 <NA>
6 6 terza Moran, Mr. … 0 0 330877 8.46 <NA>
7 7 prima McCarthy, M… 0 0 17463 51.9 E46
8 8 terza Palsson, Ma… 3 1 349909 21.1 <NA>
9 9 terza Johnson, Mr… 0 2 347742 11.1 <NA>
10 10 seconda Nasser, Mrs… 1 0 237736 30.1 <NA>
# ℹ 881 more rows
# ℹ 7 more variables: embarked <chr>, embarkation_port <chr>, eta_str <chr>,
# fare_euro <dbl>, log_age <dbl>, sqrt_age <dbl>, age_again <dbl>Molto utili anche le selezioni in base al tipo. Ecco come selezionare tutte le variabili di una data tipologia, ad esempio le numeriche o quelle testuali:
titanic |> select(where(is.numeric))# A tibble: 891 × 9
passenger_id sib_sp par_child fare fare_euro age log_age sqrt_age
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1 1 0 7.25 6.82 22 3.09 4.69
2 2 1 0 71.3 67.0 38 3.64 6.16
3 3 0 0 7.92 7.45 26 3.26 5.10
4 4 1 0 53.1 49.9 35 3.56 5.92
5 5 0 0 8.05 7.57 35 3.56 5.92
6 6 0 0 8.46 7.95 NA NA NA
7 7 0 0 51.9 48.8 54 3.99 7.35
8 8 3 1 21.1 19.8 2 0.693 1.41
9 9 0 2 11.1 10.5 27 3.30 5.20
10 10 1 0 30.1 28.3 14 2.64 3.74
# ℹ 881 more rows
# ℹ 1 more variable: age_again <dbl>titanic |> select(where(is.character))# A tibble: 891 × 9
survived passenger_class name sex ticket cabin embarked embarkation_port
<chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 no terza Braund… male A/5 2… <NA> S Southampton
2 yes prima Cuming… fema… PC 17… C85 C Cherbourg
3 yes terza Heikki… fema… STON/… <NA> S Southampton
4 yes prima Futrel… fema… 113803 C123 S Southampton
5 no terza Allen,… male 373450 <NA> S Southampton
6 no terza Moran,… male 330877 <NA> Q Queenstown
7 no prima McCart… male 17463 E46 S Southampton
8 no terza Palsso… male 349909 <NA> S Southampton
9 yes terza Johnso… fema… 347742 <NA> S Southampton
10 yes seconda Nasser… fema… 237736 <NA> C Cherbourg
# ℹ 881 more rows
# ℹ 1 more variable: eta_str <chr>La funzione starts_with() permette di selezionare tutte le colonne che iniziano con una data stringa di testo:
# seleziono tutte le colonne che iniziano con la lettera s
titanic |> select(starts_with("s"))# A tibble: 891 × 4
survived sex sib_sp sqrt_age
<chr> <chr> <dbl> <dbl>
1 no male 1 4.69
2 yes female 1 6.16
3 yes female 0 5.10
4 yes female 1 5.92
5 no male 0 5.92
6 no male 0 NA
7 no male 0 7.35
8 no male 3 1.41
9 yes female 0 5.20
10 yes female 1 3.74
# ℹ 881 more rows# seleziono tutte le colonne che iniziano con la lettera s o con la lettera p
titanic |> select(starts_with(c("s", "p")))# A tibble: 891 × 7
survived sex sib_sp sqrt_age passenger_id passenger_class par_child
<chr> <chr> <dbl> <dbl> <dbl> <chr> <dbl>
1 no male 1 4.69 1 terza 0
2 yes female 1 6.16 2 prima 0
3 yes female 0 5.10 3 terza 0
4 yes female 1 5.92 4 prima 0
5 no male 0 5.92 5 terza 0
6 no male 0 NA 6 terza 0
7 no male 0 7.35 7 prima 0
8 no male 3 1.41 8 terza 1
9 yes female 0 5.20 9 terza 2
10 yes female 1 3.74 10 seconda 0
# ℹ 881 more rowsLa funzione duale ends_with() lavora invece sul finale della stringa di testo:
titanic |> select(ends_with("d"))# A tibble: 891 × 4
passenger_id survived par_child embarked
<dbl> <chr> <dbl> <chr>
1 1 no 0 S
2 2 yes 0 C
3 3 yes 0 S
4 4 yes 0 S
5 5 no 0 S
6 6 no 0 Q
7 7 no 0 S
8 8 no 1 S
9 9 yes 2 S
10 10 yes 0 C
# ℹ 881 more rowsInfine la funzione contains() permette di selezionare tutte le colonne che contengono una prefissata stringa di testo:
titanic |> select(contains("ar"))# A tibble: 891 × 5
par_child fare embarked embarkation_port fare_euro
<dbl> <dbl> <chr> <chr> <dbl>
1 0 7.25 S Southampton 6.82
2 0 71.3 C Cherbourg 67.0
3 0 7.92 S Southampton 7.45
4 0 53.1 S Southampton 49.9
5 0 8.05 S Southampton 7.57
6 0 8.46 Q Queenstown 7.95
7 0 51.9 S Southampton 48.8
8 1 21.1 S Southampton 19.8
9 2 11.1 S Southampton 10.5
10 0 30.1 C Cherbourg 28.3
# ℹ 881 more rowsOrdinamento delle colonne: relocate()
Posiziono la colonna name prima della colonna passenger_id (prima colonna):
relocate(titanic, name, .before = passenger_id)# A tibble: 891 × 18
name passenger_id survived passenger_class sex sib_sp par_child ticket
<chr> <dbl> <chr> <chr> <chr> <dbl> <dbl> <chr>
1 Braund, … 1 no terza male 1 0 A/5 2…
2 Cumings,… 2 yes prima fema… 1 0 PC 17…
3 Heikkine… 3 yes terza fema… 0 0 STON/…
4 Futrelle… 4 yes prima fema… 1 0 113803
5 Allen, M… 5 no terza male 0 0 373450
6 Moran, M… 6 no terza male 0 0 330877
7 McCarthy… 7 no prima male 0 0 17463
8 Palsson,… 8 no terza male 3 1 349909
9 Johnson,… 9 yes terza fema… 0 2 347742
10 Nasser, … 10 yes seconda fema… 1 0 237736
# ℹ 881 more rows
# ℹ 10 more variables: fare <dbl>, cabin <chr>, embarked <chr>,
# embarkation_port <chr>, eta_str <chr>, fare_euro <dbl>, age <dbl>,
# log_age <dbl>, sqrt_age <dbl>, age_again <dbl>Ottengo lo stesso risultato anche senza specificare l’argomento .before, indicando entrambe le colonne nell’ordine desiderato: per default relocate() sposta le colonne indicate all’inizio della tabella, e qui passenger_id era già la prima colonna:
relocate(titanic, name, passenger_id)# A tibble: 891 × 18
name passenger_id survived passenger_class sex sib_sp par_child ticket
<chr> <dbl> <chr> <chr> <chr> <dbl> <dbl> <chr>
1 Braund, … 1 no terza male 1 0 A/5 2…
2 Cumings,… 2 yes prima fema… 1 0 PC 17…
3 Heikkine… 3 yes terza fema… 0 0 STON/…
4 Futrelle… 4 yes prima fema… 1 0 113803
5 Allen, M… 5 no terza male 0 0 373450
6 Moran, M… 6 no terza male 0 0 330877
7 McCarthy… 7 no prima male 0 0 17463
8 Palsson,… 8 no terza male 3 1 349909
9 Johnson,… 9 yes terza fema… 0 2 347742
10 Nasser, … 10 yes seconda fema… 1 0 237736
# ℹ 881 more rows
# ℹ 10 more variables: fare <dbl>, cabin <chr>, embarked <chr>,
# embarkation_port <chr>, eta_str <chr>, fare_euro <dbl>, age <dbl>,
# log_age <dbl>, sqrt_age <dbl>, age_again <dbl>Posiziono la colonna name subito dopo la colonna embarked:
relocate(titanic, name, .after = embarked)# A tibble: 891 × 18
passenger_id survived passenger_class sex sib_sp par_child ticket fare
<dbl> <chr> <chr> <chr> <dbl> <dbl> <chr> <dbl>
1 1 no terza male 1 0 A/5 21171 7.25
2 2 yes prima female 1 0 PC 17599 71.3
3 3 yes terza female 0 0 STON/O2.… 7.92
4 4 yes prima female 1 0 113803 53.1
5 5 no terza male 0 0 373450 8.05
6 6 no terza male 0 0 330877 8.46
7 7 no prima male 0 0 17463 51.9
8 8 no terza male 3 1 349909 21.1
9 9 yes terza female 0 2 347742 11.1
10 10 yes seconda female 1 0 237736 30.1
# ℹ 881 more rows
# ℹ 10 more variables: cabin <chr>, embarked <chr>, name <chr>,
# embarkation_port <chr>, eta_str <chr>, fare_euro <dbl>, age <dbl>,
# log_age <dbl>, sqrt_age <dbl>, age_again <dbl>Per posizionare la colonna name come ultima colonna ho a disposizione la funzione last_col(), che evita di dover specificare il nome dell’ultima colonna:
relocate(titanic, name, .after = last_col())# A tibble: 891 × 18
passenger_id survived passenger_class sex sib_sp par_child ticket fare
<dbl> <chr> <chr> <chr> <dbl> <dbl> <chr> <dbl>
1 1 no terza male 1 0 A/5 21171 7.25
2 2 yes prima female 1 0 PC 17599 71.3
3 3 yes terza female 0 0 STON/O2.… 7.92
4 4 yes prima female 1 0 113803 53.1
5 5 no terza male 0 0 373450 8.05
6 6 no terza male 0 0 330877 8.46
7 7 no prima male 0 0 17463 51.9
8 8 no terza male 3 1 349909 21.1
9 9 yes terza female 0 2 347742 11.1
10 10 yes seconda female 1 0 237736 30.1
# ℹ 881 more rows
# ℹ 10 more variables: cabin <chr>, embarked <chr>, embarkation_port <chr>,
# eta_str <chr>, fare_euro <dbl>, age <dbl>, log_age <dbl>, sqrt_age <dbl>,
# age_again <dbl>, name <chr>Filtro sulle righe: filter()
Il verbo filter() mi permette di filtrare le righe della tabella in base al verificarsi di una o più condizioni.
Conservo solo i dati relativi ai sopravvissuti in un oggetto sul workspace:
titanic_temp <- titanic |> filter(survived == "yes")
nrow(titanic_temp)[1] 342Conservo solo i dati relativi ai maggiorenni:
titanic_temp <- titanic |> filter(age >= 18)
nrow(titanic_temp)[1] 601Conservo solo i dati relativi ai passeggeri sopravvissuti che viaggiavano in prima classe (operazione in AND logico, ovvero le due condizioni devono essere verificate contemporaneamente):
titanic_temp <- titanic |>
filter(survived == "yes", passenger_class == "prima")
nrow(titanic_temp)[1] 136Un filtro in AND può essere specificato anche utilizzando l’operatore &:
titanic_temp <- titanic |>
filter(survived == "yes" & passenger_class == "prima")
nrow(titanic_temp)[1] 136È possibile utilizzare più di due condizioni. Qui considero solo i minorenni sopravvissuti che viaggiavano in prima classe:
titanic_temp <- titanic |>
filter(survived == "yes", passenger_class == "prima", age < 18)
nrow(titanic_temp)[1] 11È possibile specificare una condizione in OR logico usando l’operatore | (almeno una delle condizioni è verificata). Qui considero i passeggeri della prima classe oppure i minorenni:
titanic_temp <- titanic |>
filter(passenger_class == "prima" | age < 18)
nrow(titanic_temp)[1] 317Conservo solo i dati relativi ai minorenni e agli anziani:
titanic_temp <- titanic |> filter(age < 18 | age > 65)
nrow(titanic_temp)[1] 121Nelle condizioni posso anche usare l’output di altre funzioni. Ad esempio qui calcolo il prezzo medio del biglietto, memorizzandolo in un oggetto sul workspace, e poi considero solo i passeggeri che hanno pagato un prezzo del biglietto maggiore del prezzo medio:
fare_avg <- mean(titanic$fare)
titanic_temp <- titanic |> filter(fare > fare_avg)
nrow(titanic_temp)[1] 211Posso ottenere lo stesso risultato anche senza creare l’oggetto fare_avg sul workspace, ma calcolando la media direttamente nella funzione filter():
titanic_temp <- titanic |> filter(fare > mean(fare))
nrow(titanic_temp)[1] 211Sintesi dei dati: summarise()
Le funzioni di sintesi possono essere applicate a un vettore estratto dalla tabella:
mean(titanic$fare)[1] 32.20421sd(titanic$fare)[1] 49.69343Il verbo summarise() restituisce invece una tabella. Conviene assegnare un nome alle colonne di sintesi, per poterle poi richiamare più agevolmente:
tb_uno <- titanic |> summarise(mean(fare), sd(fare))
tb_uno$`mean(fare)`[1] 32.20421tb_uno <- titanic |> summarise(fare_mean = mean(fare), fare_sd = sd(fare))
tb_uno$fare_mean[1] 32.20421Per calcolare una stessa sintesi su più colonne si usa l’avverbio across() all’interno di summarise(): il primo argomento (.cols) indica le colonne, il secondo (.fns) la funzione o le funzioni da calcolare. Qui calcolo la media di tutte le colonne numeriche:
titanic |>
summarise(across(.cols = where(is.numeric),
.fns = \(x) mean(x, na.rm = TRUE)))# A tibble: 1 × 9
passenger_id sib_sp par_child fare fare_euro age log_age sqrt_age age_again
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 446 0.523 0.382 32.2 30.3 29.7 3.20 5.24 29.7
NoteFunzioni anonime e argomenti aggiuntivi
Per passare un argomento aggiuntivo alle funzioni di sintesi (ad esempio na.rm = TRUE) si usa una funzione anonima: \(x) mean(x, na.rm = TRUE) è una funzione senza nome che riceve una colonna x e ne calcola la media eliminando i valori mancanti. La sintassi across(.cols, mean, na.rm = TRUE), che si trova spesso nel codice disponibile online, è deprecata dalla versione 1.1.0 di {dplyr} e produce un messaggio di avvertimento. Anche la funzione summarise_all() è stata sostituita (superseded) da summarise() combinata con across().
Più funzioni di sintesi si passano come lista con nomi: i nomi vengono usati come suffisso dei nomi delle colonne della tabella di output:
titanic |>
summarise(across(.cols = c(age, fare),
.fns = list(media = \(x) mean(x, na.rm = TRUE),
sqm = \(x) sd(x, na.rm = TRUE))))# A tibble: 1 × 4
age_media age_sqm fare_media fare_sqm
<dbl> <dbl> <dbl> <dbl>
1 29.7 14.5 32.2 49.7Sintesi dei dati per gruppi: summarise() e group_by()
La funzione group_by() apparentemente non modifica la tabella, ma aggiunge un attributo di raggruppamento che determina il comportamento dei verbi successivi:
tb_due <- titanic |> group_by(survived)
tb_due# A tibble: 891 × 18
# Groups: survived [2]
passenger_id survived passenger_class name sex sib_sp par_child ticket
<dbl> <chr> <chr> <chr> <chr> <dbl> <dbl> <chr>
1 1 no terza Braund, … male 1 0 A/5 2…
2 2 yes prima Cumings,… fema… 1 0 PC 17…
3 3 yes terza Heikkine… fema… 0 0 STON/…
4 4 yes prima Futrelle… fema… 1 0 113803
5 5 no terza Allen, M… male 0 0 373450
6 6 no terza Moran, M… male 0 0 330877
7 7 no prima McCarthy… male 0 0 17463
8 8 no terza Palsson,… male 3 1 349909
9 9 yes terza Johnson,… fema… 0 2 347742
10 10 yes seconda Nasser, … fema… 1 0 237736
# ℹ 881 more rows
# ℹ 10 more variables: fare <dbl>, cabin <chr>, embarked <chr>,
# embarkation_port <chr>, eta_str <chr>, fare_euro <dbl>, age <dbl>,
# log_age <dbl>, sqrt_age <dbl>, age_again <dbl>attributes(tb_due)$groups
# A tibble: 2 × 2
survived .rows
<chr> <list<int>>
1 no [549]
2 yes [342]
$names
[1] "passenger_id" "survived" "passenger_class" "name"
[5] "sex" "sib_sp" "par_child" "ticket"
[9] "fare" "cabin" "embarked" "embarkation_port"
[13] "eta_str" "fare_euro" "age" "log_age"
[17] "sqrt_age" "age_again"
$row.names
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
[19] 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
[37] 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
[55] 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
[73] 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
[91] 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108
[109] 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
[127] 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144
[145] 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
[163] 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
[181] 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198
[199] 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
[217] 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234
[235] 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252
[253] 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
[271] 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
[289] 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306
[307] 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
[325] 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342
[343] 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360
[361] 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378
[379] 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396
[397] 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414
[415] 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432
[433] 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450
[451] 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468
[469] 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486
[487] 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504
[505] 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522
[523] 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540
[541] 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558
[559] 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576
[577] 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594
[595] 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612
[613] 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630
[631] 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648
[649] 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666
[667] 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684
[685] 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702
[703] 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720
[721] 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738
[739] 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756
[757] 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774
[775] 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792
[793] 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810
[811] 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828
[829] 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846
[847] 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864
[865] 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882
[883] 883 884 885 886 887 888 889 890 891
$class
[1] "grouped_df" "tbl_df" "tbl" "data.frame"Combinando group_by() e summarise() le sintesi vengono calcolate separatamente per ciascun gruppo:
titanic |>
group_by(survived, passenger_class) |>
summarise(age_media = mean(age, na.rm = TRUE))`summarise()` has regrouped the output.
ℹ Summaries were computed grouped by survived and passenger_class.
ℹ Output is grouped by survived.
ℹ Use `summarise(.groups = "drop_last")` to silence this message.
ℹ Use `summarise(.by = c(survived, passenger_class))` for per-operation
grouping (`?dplyr::dplyr_by`) instead.# A tibble: 6 × 3
# Groups: survived [2]
survived passenger_class age_media
<chr> <chr> <dbl>
1 no prima 43.7
2 no seconda 33.5
3 no terza 26.6
4 yes prima 35.4
5 yes seconda 25.9
6 yes terza 20.6La funzione n() restituisce il numero di righe di ciascun gruppo:
titanic |>
group_by(survived, passenger_class) |>
summarise(freq = n())`summarise()` has regrouped the output.
ℹ Summaries were computed grouped by survived and passenger_class.
ℹ Output is grouped by survived.
ℹ Use `summarise(.groups = "drop_last")` to silence this message.
ℹ Use `summarise(.by = c(survived, passenger_class))` for per-operation
grouping (`?dplyr::dplyr_by`) instead.# A tibble: 6 × 3
# Groups: survived [2]
survived passenger_class freq
<chr> <chr> <int>
1 no prima 80
2 no seconda 97
3 no terza 372
4 yes prima 136
5 yes seconda 87
6 yes terza 119Le tabelle di frequenza possono essere ottenute anche con la funzione table() {base} o, in modo più flessibile, con la funzione tabyl() {janitor} e le sue funzioni adorn_*():
table(titanic$survived)
no yes
549 342 table(pull(titanic, survived))
no yes
549 342 table(titanic$survived, titanic$passenger_class)
prima seconda terza
no 80 97 372
yes 136 87 119tabyl(titanic, survived) survived n percent
no 549 0.6161616
yes 342 0.3838384tabyl(titanic, survived, passenger_class) survived prima seconda terza
no 80 97 372
yes 136 87 119titanic |>
tabyl(survived) |>
adorn_totals() |>
adorn_pct_formatting() survived n percent
no 549 61.6%
yes 342 38.4%
Total 891 100.0%tb_tre <- titanic |>
tabyl(survived, passenger_class) |>
adorn_totals(where = c("row", "col"), name = "TOT.") |>
adorn_percentages(denominator = "col") |>
adorn_pct_formatting() |>
adorn_ns()
tb_tre survived prima seconda terza TOT.
no 37.0% (80) 52.7% (97) 75.8% (372) 61.6% (549)
yes 63.0% (136) 47.3% (87) 24.2% (119) 38.4% (342)
TOT. 100.0% (216) 100.0% (184) 100.0% (491) 100.0% (891)Un approccio apparentemente strano: mutate() e group_by()
Combinando group_by() con mutate(), invece che con summarise(), le sintesi vengono calcolate per gruppo ma la tabella conserva tutte le righe: ogni riga riceve il valore calcolato per il proprio gruppo.
Obiettivo 1: sostituire ai valori mancanti dell’età il valore medio di colonna.
eta_media <- mean(titanic$age, na.rm = TRUE)
titanic <- titanic |>
mutate(age_no_na = if_else(is.na(age), eta_media, age))
# stesso risultato calcolando la media direttamente in mutate
titanic <- titanic |>
mutate(age_no_na_bis = if_else(is.na(age),
mean(age, na.rm = TRUE),
age))Obiettivo 2: sostituire ai valori mancanti dell’età il valore medio dei passeggeri della stessa classe.
titanic <- titanic |>
group_by(passenger_class) |>
mutate(age_media_classe = mean(age, na.rm = TRUE),
age_no_na_classe = if_else(is.na(age), age_media_classe, age)) |>
ungroup() |>
relocate(age, age_media_classe, age_no_na, age_no_na_classe) |>
arrange(passenger_id)Obiettivo 3: sostituire ai valori mancanti dell’età il valore medio dei passeggeri della stessa classe e dello stesso sesso.
titanic <- titanic |>
group_by(passenger_class, sex) |>
mutate(age_media_classe_sesso = mean(age, na.rm = TRUE),
age_no_na_classe_sesso = if_else(is.na(age), age_media_classe_sesso, age)) |>
ungroup() |>
relocate(age, age_media_classe_sesso, age_no_na, age_no_na_classe_sesso) |>
arrange(passenger_id)La funzione ungroup() elimina l’attributo di raggruppamento: senza di essa, la tabella titanic resterebbe raggruppata e tutti i verbi applicati successivamente lavorerebbero per gruppi.
Ordinamento: arrange()
La funzione arrange() {dplyr} può essere utile per ordinare le righe di una tabella in base al contenuto di una o più colonne. Sfruttando la funzione desc() (descending) è possibile ottenere l’ordinamento in senso decrescente.
titanic <- titanic |> arrange(survived, desc(age))L’ordinamento è utile non tanto per le tabelle dati, quanto per preparare le tabelle di sintesi da stampare in un report in un formato che ne faciliti la lettura:
titanic |>
group_by(passenger_class) |>
summarise(age_avg = mean(age, na.rm = TRUE)) |>
arrange(desc(age_avg))# A tibble: 3 × 2
passenger_class age_avg
<chr> <dbl>
1 prima 38.2
2 seconda 29.9
3 terza 25.1Appendice: esempi sulla tabella gapminder
Il seguente codice (non eseguito) riprende i verbi principali su una tabella diversa, con gli indicatori economici e demografici di alcune nazioni dei cinque continenti disponibili nel package {gapminder}.
# package utilizzati ------------------------------------------------------
library(tidyverse) # la sfruttiamo in questo caso per la data manipulation
# [package dplyr]
library(janitor) # per la funzione per la "pulizia" dei nomi
library(gapminder) # per sfruttare un dataset sugli indicatori economici
# di alcune nazioni nei cinque continenti
library(moments) # per ottenere l'indice di forma di Fisher
# e l'indice di curtosi
# preparo le tabelle dati -------------------------------------------------
# la tabella dati è in un oggetto gapminder disponibile quando si carica il
# corrispondente package
# per informazioni sul contenuto della tabella
help(gapminder)
# creo un oggetto sul workspace dove memorizzo la tabella con i nomi "puliti"
gap_data <- clean_names(gapminder)
# creo una tabella con i soli dati dell'anno 2007
# sfruttando il verbo filter
gap_2007 <- filter(gap_data, year == 2007)
# ed elimino la colonna year sfruttando il verbo select
gap_2007 <- select(gap_2007, -year)
# verbo mutate ------------------------------------------------------------
# la funzione mutate permette di modificare una tabella aggiungendo una nuova
# colonna o cambiando i valori di una colonna
#
# aggiungiamo una nuova colonna calcolando il logaritmo del GDP pro-capite
tab_prova <- mutate(gap_data, log_gdp_percap = log(gdp_percap))
View(tab_prova)
# calcoliamo la colonna GDP totale come prodotto del GDP pro-capite
# e del numero di abitanti
tab_prova <- mutate(gap_data,
gdp_totale = gdp_percap * pop)
View(tab_prova)
# in un verbo mutate è possibile anche effettuare più operazioni in contemporanea
# inserendole una dopo l'altra: calcolo il GDP totale e poi ne calcolo il
# logaritmo (nota: la colonna GDP totale è già disponibile per l'utilizzo
# nell'ambito dello stesso mutate)
tab_prova <- mutate(gap_data,
gdp_totale = gdp_percap * pop,
log_gdp = log(gdp_totale))
View(tab_prova)
# se in un verbo mutate utilizzo a sinistra dell'uguale il nome di una colonna
# già presente nella tabella ne sovrascrivo il contenuto
tab_prova <- mutate(gap_data, pop = pop / 1000)
View(tab_prova)
# estrazione di una colonna da una tabella --------------------------------
# ci sono (almeno) tre modi differenti ma equivalenti per estrarre
# una colonna ottenendo in output una struttura dati più semplice
# (ovvero un vettore)
#
# operatore di estrazione $ : nome_tabella$nome_colonna
gap_2007$life_exp
# funzione pull (estrai) specificando come primo argomento la tabella
# e come secondo argomento la colonna di interesse
pull(gap_2007, life_exp)
# uso dell'operatore di estrazione [[]]
# NOTA: confrontando sotto quanto avviene per gli oggetti di tipo
# lista questa sintassi permette di intuire come un oggetto di
# tipo tabellare (tibble o data.frame) in realtà sia un caso
# particolare di un oggetto di tipo lista
gap_2007[[3]]
# sugli oggetti tabellari posso anche usare un puntamento con una
# singola [] e due indici: riga e colonna
# elemento sulla seconda riga, terza colonna
gap_2007[2, 3]
# tutti gli elementi sulla seconda riga
gap_2007[2, ]
# tutti gli elementi sulla terza colonna
gap_2007[, 3]
# verbo select specificando come primo argomento il nome della
# tabella e come secondo argomento il nome della colonna di interesse
select(gap_2007, life_exp)
# NOTA: il puntamento ad una colonna con la singola [] e con la
# funzione select preservano la struttura tabellare iniziale
# restituendo in output una tabella (tibble) con n righe e
# con 1 colonna (su un data.frame, invece, il puntamento
# gap_2007[, 3] restituirebbe un vettore)
# cenni oggetti atomici e non atomici -------------------------------------
# la struttura dati più semplice in R è un vettore
# ecco l'esempio di un vettore numerico
altezze <- c(160, 157, 172, 162, 160, 158, 168)
# e di un vettore di caratteri
nomi <- c("Raffaela", "Lucia", "Clara", "Miriana",
"Carmen", "Sara", "Erica")
# il vettore è un oggetto di tipo atomico: è caratterizzato da un
# tipo che eredita dalla tipologia di dati in esso contenuti
# in altre parole un vettore può contenere solo oggetti dello stesso
# tipo (numeri, stringhe di testo, date, ecc.)
#
# se provo a combinare insieme (usa la funzione c) un vettore numerico
# con un vettore di caratteri ottengo un oggetto carattere: la regola
# è "il tipo più generale vince" (un numero può sempre essere
# rappresentato come stringa di testo, ma non il viceversa)
prova <- c(altezze, nomi)
# gli oggetti tabellari (data.frame o tibble) sono invece oggetti non
# atomici perché permettono di mettere insieme vettori di tipologia
# differente preservando il tipo di partenza
altra_prova <- data.frame(altezze, nomi)
ancora_prova <- tibble(altezze, nomi)
# se non fisso il nome delle colonne quando uso le funzioni
# data.frame o tibble, le colonne avranno il nome degli oggetti
# che compongono la tabella
# posso fissare il nome in maniera semplice
terza_prova <- data.frame(x = altezze, y = nomi)
quarta_prova <- tibble(x = altezze, y = nomi)
# ci sono due differenze sostanziali tra un oggetto di tipo data.frame
# ed un oggetto di tipo tibble
# 1) la funzione di stampa (il tibble mostra solo un'anteprima della
# tabella: 10 righe e le colonne che entrano nella schermata, mentre
# il data.frame stampa l'intera tabella)
altra_prova
ancora_prova
# NOTA: in realtà se la tabella è di grandi dimensioni la funzione di
# stampa sfrutta altre opzioni che limitano quello che viene
# stampato sulla console
#
# 2) la "pigrizia": il tibble è un oggetto pigro rispetto al data.frame
# e per questo più sicuro. Cosa significa pigro? Che non prende alcuna
# iniziativa per voi
# se voglio ad esempio estrarre la colonna altezze la sintassi più veloce
# consiste nell'uso dell'operatore $
altra_prova$altezze
ancora_prova$altezze
# sull'oggetto di tipo data.frame posso specificare anche la parte
# iniziale del nome: se non ci sono ambiguità con colonne che iniziano
# con lo stesso nome l'oggetto fa un lavoro per voi riempiendo la parte
# mancante del nome di colonna e vi restituisce il contenuto
altra_prova$alt
altra_prova$al
altra_prova$a
# se provate a fare lo stesso su un oggetto di tipo tibble invece questo
# non succede: il tibble non lavora per voi (è pigro) e restituisce NULL
# con un messaggio di avvertimento
# NOTA: questo è un vantaggio: è da evitare la sintassi di puntamento
# che usa un nome parziale di colonna, che è presente nel sistema
# per compatibilità con le versioni precedenti
ancora_prova$alt
# i data.frame e i tibble hanno il vincolo che tutti gli elementi
# (colonne) devono avere la stessa lunghezza dovendo rispettare
# una struttura tabellare
# se proviamo a mettere in una tabella oggetti di lunghezza diversa
# otteniamo un errore che segnala questo vincolo
data.frame(c(10, 20, 30), nomi)
tibble(c(10, 20, 30), nomi)
# ci sono situazioni particolari in cui siamo interessati a mettere
# in un unico contenitore più oggetti di tipologia e lunghezza diversi
# questo è quello che accade comunemente per gli output: le funzioni
# in R possono restituire sempre uno ed un solo output, per cui le
# funzioni che gestiscono più output li organizzano in un unico
# contenitore di tipo lista
#
# ci sono due tipologie di liste: quelle in cui gli elementi non
# hanno un nome
prova_out <- list(c(10, 20, 30), nomi, altezze, gap_2007)
# e quelle in cui invece ogni elemento ha un nome
prova_out_due <- list(elemento_1 = c(10, 20, 30),
tavolo_dx = nomi,
altezze = altezze,
tabella = gap_2007)
# per estrarre un elemento da una lista si può sfruttare la [[]] e
# l'indice (posizione) dell'elemento di interesse
# questo vale sia per la lista senza nomi che per quella con nomi
#
# terzo elemento della lista senza nomi
prova_out[[3]]
# terzo elemento della lista con nomi
prova_out_due[[3]]
# nel caso della lista con nomi posso però sfruttare anche l'operatore
# $ con il nome dell'elemento
prova_out_due$altezze
# NOTA: questo ci permette di ribadire che una tabella (tibble o
# data.frame) è una particolare lista con nomi i cui elementi
# sono le singole colonne
# funzioni statistiche di sintesi -----------------------------------------
# per calcolare una statistica di interesse su una variabile (colonna)
# si può usare una delle sintassi sopra elencate per estrarre la colonna
# da passare alla funzione di sintesi di interesse
#
min(gap_2007$life_exp) # minimo
mean(gap_2007$life_exp) # media
median(gap_2007$life_exp) # mediana
max(gap_2007$life_exp) # massimo
sd(gap_2007$life_exp) # scarto quadratico medio
# (sd per standard deviation)
var(gap_2007$life_exp) # varianza
skewness(gap_2007$life_exp) # indice di asimmetria (forma)
# di Fisher
kurtosis(gap_2007$life_exp) # indice di curtosi
quantile(gap_2007$life_exp, probs = 0.25) # primo quartile
quantile(gap_2007$life_exp, probs = 0.75) # terzo quartile
# NOTA: l'argomento probs permette di specificare il quantile di
# interesse (0 = minimo, 1 = massimo)
# se si richiama la funzione quantile senza passare l'argomento probs
# la funzione restituisce la sintesi a cinque (o cinque numeri) di una
# distribuzione: minimo, Q1, mediana, Q3, massimo
quantile(gap_2007$life_exp)
# la sintesi a cinque può essere ottenuta anche sfruttando la funzione
# fivenum
fivenum(gap_2007$life_exp)
# verbo summarise ---------------------------------------------------------
# posso calcolare una statistica di sintesi su una colonna sfruttando
# la funzione summarise e passando come secondo argomento la funzione
# di sintesi di interesse specificando la colonna su cui effettuare
# il calcolo
summarise(gap_2007, mean(life_exp))
# la funzione summarise (come tutti i verbi di dplyr) restituisce in
# output sempre una tabella (tibble per la precisione)
# per utilizzare più agevolmente la colonna creata conviene evitare
# il nome di default e fissare un nome esplicitamente
summarise(gap_2007, life_exp_medio = mean(life_exp))
# la funzione summarise permette di calcolare anche più funzioni
# insieme su una singola colonna
summarise(gap_2007,
life_exp_media = mean(life_exp),
life_exp_mediana = median(life_exp),
life_exp_sd = sd(life_exp))
# o su più colonne
summarise(gap_2007,
life_exp_media = mean(life_exp),
pop_media = mean(pop))
# NOTA: le funzioni utilizzate in summarise devono restituire sempre
# un solo output
# per usare una funzione che restituisce più output (ad esempio
# fivenum o quantile) si può sfruttare la funzione reframe, ma
# per usarla nel migliore dei modi è prima necessario sapere
# come si crea una nuova funzione in R, per cui rimandiamo
# l'argomento alle prossime lezioni
# per calcolare una o più sintesi su più colonne si sfrutta l'avverbio
# across all'interno di summarise: il primo argomento di summarise è
# la tabella dati, mentre il secondo argomento è la funzione across,
# che prende come primo argomento la colonna / le colonne di cui si è
# interessati a calcolare una sintesi e come secondo argomento la
# funzione / le funzioni di sintesi da calcolare
# NOTA: nelle versioni precedenti di dplyr si usava a questo scopo la
# funzione summarise_all, oggi sostituita (superseded) da across
#
# un esempio di una funzione di sintesi su una sola colonna
summarise(gap_2007,
across(life_exp, mean))
# un esempio di una funzione di sintesi su più colonne
summarise(gap_2007,
across(c(life_exp, pop, gdp_percap), mean))
# un esempio di più funzioni di sintesi su più colonne
summarise(gap_2007,
across(c(life_exp, pop), c(mean, median)))
# nel caso di più funzioni di sintesi conviene attribuire un nome
# a ciascuna funzione: il nome verrà utilizzato come suffisso al
# nome della variabile nella tabella di output e questo permette
# una più facile lettura dei risultati
summarise(gap_2007,
across(c(life_exp, pop),
c(media = mean, med = median)))
# il primo argomento di across si chiama .cols (colonne su cui
# effettuare la sintesi), mentre il secondo argomento .fns (funzioni
# di sintesi da calcolare)
summarise(gap_2007,
across(.cols = c(life_exp, pop),
.fns = c(media = mean, med = median)))
# le funzioni di sintesi possono essere passate come vettori (c)
# o come liste (list)
summarise(gap_2007,
across(.cols = c(life_exp, pop),
.fns = list(media = mean, med = median)))
# per passare argomenti aggiuntivi alle funzioni di sintesi (ad esempio
# na.rm = TRUE) si usa una funzione anonima
# NOTA: la sintassi across(.cols, mean, na.rm = TRUE) è deprecata
summarise(gap_2007,
across(.cols = c(life_exp, pop),
.fns = \(x) mean(x, na.rm = TRUE)))
# le colonne possono essere passate come vettori (c) ma anche
# controllando che verifichino una data condizione
# ad esempio tutte le colonne di un dato tipo
summarise(gap_2007,
across(where(is.numeric),
c(media = mean, med = median)))
# stessa sintassi con passaggio degli argomenti per nome
summarise(gap_2007,
across(.cols = where(is.numeric),
.fns = c(media = mean, med = median)))
# le colonne possono essere passate anche controllando che inizino,
# finiscano o contengano una data stringa, come nel seguente esempio
summarise(gap_2007,
across(.cols = contains("per"),
.fns = c(media = mean, med = median)))
# verbo summarise + group_by ----------------------------------------------
# spesso siamo interessati a calcolare una stessa statistica per gruppi
# di dati ai fini di confrontare una caratteristica sui vari gruppi
#
# supponiamo di essere interessati a calcolare come varia l'aspettativa
# di vita media nei cinque continenti nell'anno 2007
# sfruttando quanto visto finora dobbiamo prima costruire
# una tabella isolando i dati di ciascun continente
africa <- filter(gap_2007, continent == "Africa")
americas <- filter(gap_2007, continent == "Americas")
asia <- filter(gap_2007, continent == "Asia")
europe <- filter(gap_2007, continent == "Europe")
oceania <- filter(gap_2007, continent == "Oceania")
# e poi possiamo calcolare le medie sulle cinque tabelle
mean(africa$life_exp)
mean(americas$life_exp)
mean(asia$life_exp)
mean(europe$life_exp)
mean(oceania$life_exp)
# possiamo anche combinare insieme le cinque medie in un vettore
c(mean(africa$life_exp), mean(americas$life_exp), mean(asia$life_exp),
mean(europe$life_exp), mean(oceania$life_exp))
# e se vogliamo rendere l'output più leggibile nel creare il vettore
# possiamo anche stabilire un nome per ciascun elemento che ci permetta
# di identificare subito il corrispondente continente
c(Africa = mean(africa$life_exp),
Americas = mean(americas$life_exp),
Asia = mean(asia$life_exp),
Europe = mean(europe$life_exp),
Oceania = mean(oceania$life_exp))
# l'avverbio group_by combinato con il verbo summarise ci permette di
# fare velocemente la stessa cosa in una sola riga di codice
summarise(group_by(gap_2007, continent), mean(life_exp))
# come in precedenza possiamo migliorare la tabella di output attribuendo
# un nome alla colonna delle medie
summarise(group_by(gap_2007, continent), life_exp_media = mean(life_exp))
# possiamo calcolare più statistiche su una singola colonna
summarise(group_by(gap_2007, continent),
media = mean(life_exp), mediana = median(life_exp))
# così come più statistiche su più colonne
summarise(group_by(gap_2007, continent),
life_exp_media = mean(life_exp), life_exp_mediana = median(life_exp),
pop_media = mean(pop), pop_mediana = median(pop))
# anche in questo caso possiamo sfruttare la funzione across per effettuare
# il calcolo di una o più sintesi su una o più colonne di interesse
summarise(group_by(gap_2007, continent),
across(c(life_exp, pop), c(media = mean, mediana = median)))
# il raggruppamento può essere fatto anche per più colonne: basta
# semplicemente indicarle separate da virgola alla funzione group_by
#
# un esempio di raggruppamento sulla tabella completa (non il solo 2007)
# in base a continent e year
summarise(group_by(gap_data, continent, year),
media = mean(life_exp), mediana = median(life_exp))
# l'ordine con cui specifichiamo le colonne determina semplicemente
# il modo in cui le unità saranno ordinate nella tabella di output
# (prima colonna, seconda colonna, ecc.)
# ecco lo stesso esempio precedente in base a year e continent:
# medie calcolate lungo i paesi
summarise(group_by(gap_data, year, continent),
mean(life_exp), median(life_exp))
# ed ancora un calcolo effettuato su un raggruppamento per continente
# e paese: medie calcolate lungo gli anni
summarise(group_by(gap_data, continent, country),
media = mean(life_exp), mediana = median(life_exp))
# la funzione group_by apparentemente non apporta nessun cambiamento alla
# tabella in input
gap_2007
# se si osserva la parte alta della stampa della tabella raggruppata sulla
# console si nota come venga aggiunta l'informazione Groups: continent [5],
# i cinque continenti, che determina il comportamento delle funzioni di
# dplyr sui comandi successivi
group_by(gap_2007, continent)
# NOTA: talora (in casi davvero particolari) può essere utile eliminare da
# una tabella raggruppata l'attributo nascosto di raggruppamento
# si può sfruttare a tale scopo la funzione ungroup
ungroup(group_by(gap_2007, continent))
# se si guarda la tabella di output in questo esempio si nota come
# sia presente l'attributo nascosto di raggruppamento
tb_out <- summarise(group_by(gap_data, year, continent),
mean(life_exp), median(life_exp))
tb_out
# che può essere eliminato usando la funzione ungroup
ungroup(tb_out)
# ma anche impostando l'argomento .groups di summarise a "drop"
summarise(group_by(gap_data, year, continent),
mean(life_exp), median(life_exp),
.groups = "drop")