Part Ⅵ: 데이터 전처리

filter()	select()	arrange()	mutate()
행 추출	열(변수) 추출	정렬	변수 추가

summarise()	group_by()	left_join()	bind_rows()
통계치 산출	집단별로 나누기	데이터 합치기(열)	데이터 합치기(행)

---

<Exercises>

[ ⅰ. 조건별 추출 pg.133 ]

• mpg 데이터를 이용해 분석 문제를 해결해 보세요.

• Q1. 자동차 배기량에 따라 고속도로 연비가 다른지 알아보려고 합니다. displ(배기량)이 4 이하인 자동차와 5 이상인 자동차 중 어떤 자동차의 hwy(고속도로 연비)가 평균적으로 더 높은지 알아보세요.

• Q2. 자동차 제조 회사에 따라 도시 연비가 다른지 알아보려고 합니다. "audi"와 "toyota" 중 어느 manufacturer(자동차 제조 회사)의 cty(도시 연비)가 평균적으로 더 높은지 알아보세요.

• Q3. "chevrolet", "ford", "honda" 자동차의 고속도로 연비 평균을 알아보려고 합니다. 이 회사들의 자동차를 추출한 뒤 hwy 전체 평균을 구해보세요.

library(ggplot2)
df <- as.data.frame(ggplot2::mpg)
str(df)

# Q1
cylls4 <- df %>% filter(cyl <= 4)
cylgt5 <- df %>% filter(cyl >= 5)

mean(cylls4$hwy)
mean(cylgt5$hwy)

# Q2
audi <- df %>% filter(manufacturer=='audai')
toyota <- df %>% filter(manufacturer=='toyota')

mean(audi$cty)
mean(toyota$cty)

# Q3
group1 <- df %>% filter(manufacturer %in% c("chevrolet", "ford", "honda"))
mean(group1$hwy)

 

---

[ ⅱ. 필요 변수만 추출 pg. 138 ]

• Q1. mpg 데이터는 11개 변수로 구성되어 있습니다. 이 중 일부만 추출해서 분석에 활용하려고 합니다. mpg 데이터에서 class(자동차 종류), cty(도시 연비) 변수를 추출해 새로운 데이터를 만드세요. 새로 만든 데이터의 일부를 출력해서 두 변수로만 구성되어 있는지 확인하세요.

• Q2. 자동차 종류에 따라 도시 연비가 다른지 알아보려고 합니다. 앞에서 추출한 데이터를 이용해서 class(자동차 종류)가 "suv"인 자동차와 "compact"인 자동차 중 어떤 자동차의 cty(도시 연비)가 더 높은지 알아보세요.

library(dplyr)
library(ggplot2)
df <- as.data.frame(ggplot2::mpg)
str(df)

# Q1
df_new <- df %>% select(class, cty) %>% head()
df_new

# Q2
suv <- df %>% filter(class == "suv")
compact <- df %>% filter(class == "compact")
mean(suv$cty)
mean(compact$cty)

 

---

[ ⅲ. 정렬  pg. 141 ]

• Q1. "audi" 에서 생산한 자동차 중에 어떤 자동차 모델의 hwy(고속도로 연비)가 높은지 알아보려고 합니다. "audi"에서 생산한 자동차 중 hwy가 1~5위에 해당하는 자동차의 데이터를 출력하세요.

library(ggplot2)
df <- as.data.frame(ggplot2::mpg)
str(df)

# Q1
df %>% filter(manufacturer=='audi')%>%
  arrange(desc(hwy)) %>%
  head(5)

 

---

[ ⅳ. 파생변수 추가 pg. 144 ]

• mpg 데이터는 연비를 나타내는 변수가 hwy(고속도로 연비), cty(도시 연비) 두 종류로 분리되어 있습니다. 두 변수를 각각 활용하는 대신 하나의 통합 연비 변수를 만들어 분석하려고 합니다.

• Q1. mpg 데이터 복사본을 만들고, cty와 hwy를 더한 '합산 연비 변수'를 추가하세요.

• Q2. 앞에서 만든 '합산 연비 변수'를 2로 나눠 '평균 연비 변수'를 추가세요.

• Q3. '평균 연비 변수'가 가장 높은 자동차 3종의 데이터를 출력하세요.

• Q4. 1~3번 문제를 해결할 수 있는 하나로 연결된 dplyr 구문을 만들어 출력하세요. 데이터는 복사본 대신 mpg 원본을 이용하세요.

library(dplyr)
library(ggplot2)
df <- as.data.frame(ggplot2::mpg)
str(df)

# Q1
df_new <- df

df_new <- df_new %>% mutate(total = cty + hwy)
head(df_new)

# Q2
df_new <- df_new %>% mutate(avg = total/2)
head(df_new)

# Q3
df_new %>% arrange(desc(avg)) %>% head(3)

# Q4
df %>% mutate(total = cty + hwy, avg = total/2) %>% 
  arrange(desc(avg)) %>% head(3)

* 'df <-' 유무에 따른 결과 차이 유의 

 

---

[ ⅴ. 집단별 요약 pg. 150]

 

mean()	sd()	sum()	median()	min()	max()	n()
평균	표준편차	합계	중앙값	최솟값	최댓값	빈도

 

• Q1. mpg 데이터의 class는 "suv", "compact" 등 자동차를 특징에 따라 일곱 종류로 분류한 변수입니다. 어떤 차종의 연비가 높은지 비교해보려고 합니다. class별 cty 평균을 구해보세요.

• Q2. 앞 문제의 출력 결과는 class 값 알파벳 순으로 정렬되어 있습니다. 어떤 차종의 도시 연비가 높은지 쉽게 알아볼 수 있도록 cty 평균이 높은 순으로 정렬해 출력하세요.

• Q3. 어떤 회사 자동차의 hwy(고속도로 연비)가 가장 높은지 알아보려고 합니다. hwy 평균이 가장 높은 회사 세 곳을 출력하세요.

• Q4. 어떤 회사에서 "compact"(경차) 차종을 가장 많이 생산하는지 알아보려고 합니다. 각 회사별 "compact" 차종 수를 내림차순으로 정렬해 출력하세요.

library(ggplot2)
library(dplyr)

mpg <- as.data.frame(ggplot2::mpg)
head(mpg)

# Q1
mpg %>% group_by(class) %>% summarise(mean_cty = mean(cty))

# Q2
mpg %>% group_by(class) %>% summarise(mean_cty = mean(cty)) %>% arrange(desc(mean_cty))

# Q3
mpg %>% group_by(manufacturer) %>% 
  summarise(mean_hwy = mean(hwy)) %>% 
  arrange(desc(mean_hwy)) %>% 
  head(3)

# Q4
mpg %>% filter(class=="compact") %>% 
  group_by(manufacturer) %>%
  summarise(models = n()) %>%
  arrange(desc(models))

 

---

[ ⅵ. 데이터 합치기 ]

• mpg 데이터의 fl 변수는 자동차에 사용하는 연료(fuel)를 의미합니다. 아래는 자동차 연료별 가격을 나타낸 코드입니다.

fuel <- data.frame(fl = c("c", "d", "e", "p", "r"),
                   price_fl = c(2.35, 2.38, 2.11, 2.76, 2.22),
                   stringsAsFactors = F)

• Q1. mpg 데이터에는 연료 종류를 나타낸 fl 변수는 있지만 연료 가격을 나타낸 변수는 없습니다. 위에서 만든 fuel 데이터를 이용해서 mpg 데이터에 price_fl(연료 가격) 변수를 추가하세요.

• Q2. 연료 가격 변수가 잘 추가됐는지 확인하기 위해서 model, fl, price_fl 변수를 추출해 앞부분 5행을 출력해 보세요.

library(ggplot2)
library(dplyr)

mpg <- as.data.frame(ggplot2::mpg)
head(mpg)
table(mpg$fl)

fuel <- data.frame(fl = c("c", "d", "e", "p", "r"),
                   price_fl = c(2.35, 2.38, 2.11, 2.76, 2.22),
                   stringsAsFactors = F)

# Q1
mpg <- left_join(mpg, fuel, by="fl")

# Q2
mpg %>% select(model, fl, price_fl) %>% head(5)

 

---

 

< 분석도전 >

• 미국 동북중부 437개 지역의 인구통계 정보를 담고 있는 midwest 데이터를 사용해 데이터 분석 문제를 해결해 보세요. midwest는 ggplot2 패키지에 들어 있습니다.

• Q1. popadults는 해당 지역의 성인 인구, poptotal은 전체 인구를 나타냅니다. midwest 데이터에 '전체 인구 대비 미성년 인구 백분율' 변수를 추가하세요.

• Q2. 미성년 인구 백분율이 가장 높은 상위 5개 county(지역)의 미성년 인구 백분율을 출력하세요.

• Q3. 분류표의 기준에 따라 미성년 비율 등급 변수를 추가하고, 각 등급에 몇 개의 지역이 있는지 알아보세요.
  [ 분류: 40%이상= large / 30%~40% 미만 = middle / 30% 미만 = small ]

• Q4. popasian은 해당 지역의 아시아인 인구를 나타냅니다. '전체 인구 대비 아시아인 인구 백분율' 변수를 추가하고, 하위 10개 지역의 state(주), county(지역명), 아시아인 인구 백분율을 출력하세요.

library(ggplot2)
library(dplyr)

df <- as.data.frame(ggplot2::midwest)
head(df)
str(df)
?midwest

# Q1
df <- df %>% mutate(ratio_youth = (poptotal-popadults)/poptotal * 100)

# Q2
df %>% group_by(county) %>% 
  select(ratio_youth) %>% 
  arrange(desc(ratio_youth)) %>% head(5)

df %>% arrange(desc(ratio_youth)) %>% 
  select(county, ratio_youth) %>% 
  head(5)

# Q3
df <- df %>% mutate(status = ifelse(ratio_youth >= 40, "large", ifelse(ratio_youth < 30, "small", "middle")))
table(df$status)
qplot(df$status)

# Q4
df %>% mutate(ratio_asian = (popasian/poptotal)*100) %>% 
  select(state, county, ratio_asian) %>% 
  tail(10)

 

 

 

 

교재 : 「Do it! 쉽게 배우는 R 데이터 분석」

티스토리에서 R 코드블럭 적용하기