기본 콘텐츠로 건너뛰기

데이터 가공 및 분석 - dplyr 패키지 (1)



 최근 시중에 R을 이용한 데이터 분석을 다루는 서적들이 많이 나오고 있습니다. 보통 이 서적들에서 가장 많이 다루는 패키지 가운데 하나가 바로 dplyr 입니다. 데이터를 가공하고 기본 분석 작업을 수행하는데 가장 편리한 패키지 중 하나이기 때문입니다. 물론 R의 기본 기능을 이용해서 다양한 작업을 할 수 있지만, 이렇게 널리 사용되는 패키지가 별도로 있는 건 그만큼 편리한 부분이 있기 때문입니다. 단순 선형회귀 다음에 다중 선형회귀에 대해서 설명하는 것이 순서이지만, 그전에 편리한 데이터 가공을 위해 dplyr 패키지의 기능에 대해서 설명하는 과정이 필요할 것 같습니다. 


 우리가 직접 데이터를 생성하든지 아니면 기존에 있는 데이터를 생성하든지 간에 분석을 위해서는 데이터를 가공하고 정제하는 과정이 필요합니다. 특히 이 과정은 데이터의 크기가 크고 복잡할수록 더 중요합니다. 예를 들어 관측값이 10만개 이상이고 변수도 수백가지 이상이라면 한번에 파악하기 어렵고 분석 목적에 따라 일부만 추출해야 하는 일이 흔합니다. 여기서는 단순한 예제를 위해 다이아몬드 자료에서 앞서에서처럼 50개를 추출해 어떻게 하는 지 예를 들어 보겠습니다. 


 dplyr 패키지의 가장 기본 기능인 filter는 subset과 비슷한 기능을 합니다. 원하는 조건에 따라 값을 추출해 새로운 보여주는 것입니다. 물론 subset과 동일하게 조건에 맞는 새로운 데이터를 만들 수 있습니다. 우선 패키지를 설치한 후 cut이 Ideal인 값을 뽑아보겠습니다. 

install.packages("dplyr")

library("dplyr")
library("ggplot2")

set.seed(3311)
diamonds1<-sample 50="" diamonds="" nrow="" span="">
D1<-diamonds diamonds1="" span="">
D1

D1%>%filter(cut=="Ideal")


> D1%>%filter(cut=="Ideal")
# A tibble: 18 x 10
   carat cut   color clarity depth table price     x     y     z
       
 1  0.6  Ideal F     VS1      62.9    57  2142  5.35  5.31  3.35
 2  1.01 Ideal D     SI2      62.5    57  5206  6.39  6.35  3.98
 3  0.33 Ideal G     IF       60.9    57   946  4.45  4.48  2.72
 4  0.74 Ideal D     VS2      61.8    56  3858  5.79  5.82  3.59
 5  1.2  Ideal I     VS2      63.2    59  5699  6.73  6.68  4.24
 6  1.09 Ideal G     VVS2     61.5    57  8970  6.62  6.65  4.08
 7  0.7  Ideal F     SI1      62.1    56  2573  5.65  5.67  3.51
 8  0.3  Ideal F     VS1      61.3    55   570  4.32  4.36  2.66
 9  0.31 Ideal H     IF       61.4    57   772  4.36  4.39  2.68
10  0.31 Ideal D     VS2      62.2    54   942  4.34  4.31  2.69
11  1.11 Ideal F     VS2      61.8    56  9057  6.66  6.7   4.13
12  1.09 Ideal J     SI2      62      55  5034  6.58  6.64  4.1 
13  0.32 Ideal E     VVS1     61.3    57  1020  4.43  4.38  2.7 
14  0.54 Ideal D     VS2      61.1    57  1993  5.29  5.19  3.2 
15  0.44 Ideal G     SI1      61.5    57   772  4.87  4.88  3   
16  0.41 Ideal J     VS1      62.4    55   648  4.75  4.77  2.97
17  0.62 Ideal H     VS1      63      56  1808  5.43  5.36  3.4 
18  0.33 Ideal H     VVS1     61.8    55   713  4.42  4.44  2.74


 모두 18개 관측치가 나왔습니다. 여기서 D2<-d1>%filter(cut=="Ideal") 으로 D2라는 새로운 데이터를 만들 수 있습니다. 

> D2<-d1>%filter(cut=="Ideal")
> D2
# A tibble: 18 x 10
   carat cut   color clarity depth table price     x     y     z
       
 1  0.6  Ideal F     VS1      62.9    57  2142  5.35  5.31  3.35
 2  1.01 Ideal D     SI2      62.5    57  5206  6.39  6.35  3.98
 3  0.33 Ideal G     IF       60.9    57   946  4.45  4.48  2.72
 4  0.74 Ideal D     VS2      61.8    56  3858  5.79  5.82  3.59
 5  1.2  Ideal I     VS2      63.2    59  5699  6.73  6.68  4.24
 6  1.09 Ideal G     VVS2     61.5    57  8970  6.62  6.65  4.08
 7  0.7  Ideal F     SI1      62.1    56  2573  5.65  5.67  3.51
 8  0.3  Ideal F     VS1      61.3    55   570  4.32  4.36  2.66
 9  0.31 Ideal H     IF       61.4    57   772  4.36  4.39  2.68
10  0.31 Ideal D     VS2      62.2    54   942  4.34  4.31  2.69
11  1.11 Ideal F     VS2      61.8    56  9057  6.66  6.7   4.13
12  1.09 Ideal J     SI2      62      55  5034  6.58  6.64  4.1 
13  0.32 Ideal E     VVS1     61.3    57  1020  4.43  4.38  2.7 
14  0.54 Ideal D     VS2      61.1    57  1993  5.29  5.19  3.2 
15  0.44 Ideal G     SI1      61.5    57   772  4.87  4.88  3   
16  0.41 Ideal J     VS1      62.4    55   648  4.75  4.77  2.97
17  0.62 Ideal H     VS1      63      56  1808  5.43  5.36  3.4 
18  0.33 Ideal H     VVS1     61.8    55   713  4.42  4.44  2.74

 이 기능은 subset에서도 동일하게 진행할 수 있습니다. 

> subset(D1, cut=="Ideal")
# A tibble: 18 x 10
   carat cut   color clarity depth table price     x     y     z
       
 1  0.6  Ideal F     VS1      62.9    57  2142  5.35  5.31  3.35
 2  1.01 Ideal D     SI2      62.5    57  5206  6.39  6.35  3.98
 3  0.33 Ideal G     IF       60.9    57   946  4.45  4.48  2.72
 4  0.74 Ideal D     VS2      61.8    56  3858  5.79  5.82  3.59
 5  1.2  Ideal I     VS2      63.2    59  5699  6.73  6.68  4.24
 6  1.09 Ideal G     VVS2     61.5    57  8970  6.62  6.65  4.08
 7  0.7  Ideal F     SI1      62.1    56  2573  5.65  5.67  3.51
 8  0.3  Ideal F     VS1      61.3    55   570  4.32  4.36  2.66
 9  0.31 Ideal H     IF       61.4    57   772  4.36  4.39  2.68
10  0.31 Ideal D     VS2      62.2    54   942  4.34  4.31  2.69
11  1.11 Ideal F     VS2      61.8    56  9057  6.66  6.7   4.13
12  1.09 Ideal J     SI2      62      55  5034  6.58  6.64  4.1 
13  0.32 Ideal E     VVS1     61.3    57  1020  4.43  4.38  2.7 
14  0.54 Ideal D     VS2      61.1    57  1993  5.29  5.19  3.2 
15  0.44 Ideal G     SI1      61.5    57   772  4.87  4.88  3   
16  0.41 Ideal J     VS1      62.4    55   648  4.75  4.77  2.97
17  0.62 Ideal H     VS1      63      56  1808  5.43  5.36  3.4 
18  0.33 Ideal H     VVS1     61.8    55   713  4.42  4.44  2.74


 그렇다면 왜 귀찮게 별도 패키지를 이용하는지 의문이 들 수 있으나 dplyr의 진가는 나중에 차차 설명할 것입니다. 아무튼 == 기호로 해당하는 값을 구하거나  !=으로 해당하는 값만 제외하거나 > 등 여러 기호를 통해 원하는 데이터만 추출할 수 있습니다. 


> D1%>%filter(cut!="Ideal")
# A tibble: 32 x 10
   carat cut       color clarity depth table price     x     y     z
             
 1  0.55 Very Good E     SI1      64.2    55  1417  5.18  5.2   3.33
 2  0.91 Very Good E     SI2      58.6    63  2963  6.38  6.32  3.72
 3  0.91 Good      G     VVS2     64.1    58  4543  6.06  6.1   3.9 
 4  1.5  Good      F     VS2      63.6    55 13853  7.27  7.22  4.61
 5  1.51 Premium   H     SI2      60.4    59  7864  7.3   7.27  4.4 
 6  0.45 Good      E     VS1      61.7    63  1241  4.88  4.91  3.02
 7  0.31 Premium   D     VVS2     61.7    58   988  4.39  4.33  2.69
 8  1.28 Very Good G     VVS1     60.3    59 11214  6.99  7.03  4.23
 9  1.21 Good      E     SI1      64.2    58  6708  6.65  6.59  4.25
10  1    Good      H     I1       57.6    61  2940  6.67  6.6   3.82
# ... with 22 more rows
> D1%>%filter(price>=5000)
# A tibble: 15 x 10
   carat cut       color clarity depth table price     x     y     z
             
 1  1.01 Ideal     D     SI2      62.5    57  5206  6.39  6.35  3.98
 2  1.5  Good      F     VS2      63.6    55 13853  7.27  7.22  4.61
 3  1.51 Premium   H     SI2      60.4    59  7864  7.3   7.27  4.4 
 4  1.2  Ideal     I     VS2      63.2    59  5699  6.73  6.68  4.24
 5  1.09 Ideal     G     VVS2     61.5    57  8970  6.62  6.65  4.08
 6  1.28 Very Good G     VVS1     60.3    59 11214  6.99  7.03  4.23
 7  1.21 Good      E     SI1      64.2    58  6708  6.65  6.59  4.25
 8  2    Premium   H     SI2      60.7    60 15312  8.07  8.11  4.91
 9  1.52 Very Good H     SI2      63.1    55  7600  7.36  7.28  4.62
10  2.48 Very Good F     SI2      63.4    56 18692  8.64  8.55  5.45
11  2.05 Premium   G     SI1      61.6    59 15291  8.2   8.16  5.04
12  1.11 Ideal     F     VS2      61.8    56  9057  6.66  6.7   4.13
13  1.09 Ideal     J     SI2      62      55  5034  6.58  6.64  4.1 
14  1.01 Fair      F     VS2      69      61  6041  6.06  5.99  4.16
15  1.29 Premium   I     VS1      61.1    58  5664  7.03  6.98  4.28


 subset은 각 관측치는 뽑아내도 변수만 따로 뽑기는 어렵습니다. dplyr의 select 기능을 조합하면 행과 열 모두 우리가 원하는 값을 추출할 수 있습니다. 예를 들어 cut이 Ideal인 다이이몬드에서 캐럿과 가격만 뽑아 보여줄 수 있습니다. 우선 select의 기본 문법을 보겠습니다. 앞서 보였듯이 %>%이 기본적으로 들어간다는 사실을 기억해야 합니다. D1%>%select(carat)로 캐럿만 변수를 빼낼 수 있습니다. 


> D1%>%select(carat)
# A tibble: 50 x 1
   carat
   
 1  0.6 
 2  0.55
 3  1.01
 4  0.33
 5  0.91
 6  0.91
 7  1.5 
 8  0.74
 9  1.51
10  0.45
# ... with 40 more rows


 여러 개의 변수는 각각의 변수명을 이어 붙이면 되고 만약 해당 변수만 빼고 추출할 때는 - 를 사용합니다. 


D1%>%select(carat,cut,color,clarity,price)
D1%>%select(-x,-y,-z)


 각각 해보면 결과를 쉽게 볼 수 있을 것입니다. 이제 filter와 select를 연결해서 사용해 보겠습니다. 구분은 %>% 기호로 합니다. D1%>%filter(cut=="Ideal")%>%select(carat,cut,color,clarity,price)의 구분입니다. 


> D1%>%filter(cut=="Ideal")%>%select(carat,cut,color,clarity,price)
# A tibble: 18 x 5
   carat cut   color clarity price
       
 1  0.6  Ideal F     VS1      2142
 2  1.01 Ideal D     SI2      5206
 3  0.33 Ideal G     IF        946
 4  0.74 Ideal D     VS2      3858
 5  1.2  Ideal I     VS2      5699
 6  1.09 Ideal G     VVS2     8970
 7  0.7  Ideal F     SI1      2573
 8  0.3  Ideal F     VS1       570
 9  0.31 Ideal H     IF        772
10  0.31 Ideal D     VS2       942
11  1.11 Ideal F     VS2      9057
12  1.09 Ideal J     SI2      5034
13  0.32 Ideal E     VVS1     1020
14  0.54 Ideal D     VS2      1993
15  0.44 Ideal G     SI1       772
16  0.41 Ideal J     VS1       648
17  0.62 Ideal H     VS1      1808
18  0.33 Ideal H     VVS1      713


 그런데 옆으로 길게 쓰면 코드의 가독성이 떨어집니다. %>%로 구분해서 한 칸씩 분리할 수 있습니다. 

D1%>%
  filter(cut=="Ideal")%>%  #Ideal 추출 
  select(carat,cut,color,clarity,price)%>% # 캐럿, 컷, 칼러, 채도, 가격 추출
  head(5)

이렇게 한 칸씩 분리한 후 # 기호를 이용해서 주석을 달아주면 뭘 하는 코드인지 더 쉽게 파악이 가능합니다. 자신이 만든 코드를 나중에 해석하지 못하게 되는 일은 생각보다 비일비재한데, 이렇게 하면 쉽게 파악이 되는 것입니다. 참고로 여기서는 head를 써서 5개 값만 보여주도록 했습니다. 물론 더 쉽게 파악하기 위한 것입니다. 


> D1%>%
+   filter(cut=="Ideal")%>%  #Ideal 추출 
+   select(carat,cut,color,clarity,price)%>% # 캐럿, 컷, 칼러, 채도, 가격 추출
+   head(5)
# A tibble: 5 x 5
  carat cut   color clarity price
     
1  0.6  Ideal F     VS1      2142
2  1.01 Ideal D     SI2      5206
3  0.33 Ideal G     IF        946
4  0.74 Ideal D     VS2      3858
5  1.2  Ideal I     VS2      5699


 여기까지만 보더라도 subset 보다 dplyr가 왜 기능이 더 많은지 이해할 수 있을 것입니다. 하지만 아직은 시작 단계입니다. 이제 dplyr의 arrange 기능을 한 줄 더 추가해 데이터를 특정값의 오름차순이나 내림차순으로 정리해 보겠습니다. 컷이 Ideal인 값을 뽑아 캐럿에 따라 순서대로 정리하겠습니다. %>%으로 줄 구분을 하고 arrange(carat)로 캐럿 순으로 오름차순 정렬합니다. 


D1%>%
  filter(cut=="Ideal")%>%  #Ideal 추출 
  select(carat,cut,color,clarity,price)%>% # 캐럿, 컷, 칼러, 채도, 가격 추출
  arrange(carat) #오름차순 정렬


> D1%>%
+   filter(cut=="Ideal")%>%  #Ideal 추출 
+   select(carat,cut,color,clarity,price)%>% # 캐럿, 컷, 칼러, 채도, 가격 추출
+   arrange(carat) #오름차순 정렬
# A tibble: 18 x 5
   carat cut   color clarity price
       
 1  0.3  Ideal F     VS1       570
 2  0.31 Ideal H     IF        772
 3  0.31 Ideal D     VS2       942
 4  0.32 Ideal E     VVS1     1020
 5  0.33 Ideal G     IF        946
 6  0.33 Ideal H     VVS1      713
 7  0.41 Ideal J     VS1       648
 8  0.44 Ideal G     SI1       772
 9  0.54 Ideal D     VS2      1993
10  0.6  Ideal F     VS1      2142
11  0.62 Ideal H     VS1      1808
12  0.7  Ideal F     SI1      2573
13  0.74 Ideal D     VS2      3858
14  1.01 Ideal D     SI2      5206
15  1.09 Ideal G     VVS2     8970
16  1.09 Ideal J     SI2      5034
17  1.11 Ideal F     VS2      9057
18  1.2  Ideal I     VS2      5699


이렇게 보니 캐럿이 커짐에 따라 다이아몬드 가격이 오르긴 하는데, 크기 이외에도 다른 여러 가지 요인에 따라 가격이 들쑥날쑥한 것을 쉽게 확인할 수 있습니다. 반대로 내림차순으로 정리하려면 arrange 안에 desc()를 더 써주면 됩니다. 


D1%>%
  filter(cut=="Ideal")%>%  #Ideal 추출 
  select(carat,cut,color,clarity,price)%>% # 캐럿, 컷, 칼러, 채도, 가격 추출
  arrange(desc(carat)) #내림차순 정렬


노파심에서 말하면 콘솔 창에서는 코드가 이렇게 보여야 합니다. 




 참고로 filter 기능은 |, >,<,= 등 여러 기호를 통해 다양한 조건을 검색할 수 있습니다. 


D1%>%filter(cut!="Ideal")
D1%>%filter(price>=5000)

D1%>%filter(price>=5000 & cut=="Ideal")
D1%>%filter(cut=="Ideal"|cut=="Premium")


 이 코드는 대표적인 방식을 설명한 것입니다. 아무튼 이렇게 하면 상당히 자유자재로 데이터를 가공할 수 있다는 느낌이 듭니다. 하지만 dplyr의 기능은 당연히 여기서 끝이 아닙니다. 다음에 확장 기능에 대해서 알아보겠습니다. 

댓글

이 블로그의 인기 게시물

통계 공부는 어떻게 하는 것이 좋을까?

 사실 저도 통계 전문가가 아니기 때문에 이런 주제로 글을 쓰기가 다소 애매하지만, 그래도 누군가에게 도움이 될 수 있다고 생각해서 글을 올려봅니다. 통계학, 특히 수학적인 의미에서의 통계학을 공부하게 되는 계기는 사람마다 다르긴 하겠지만, 아마도 비교적 흔하고 난감한 경우는 논문을 써야 하는 경우일 것입니다. 오늘날의 학문적 연구는 집단간 혹은 방법간의 차이가 있다는 것을 객관적으로 보여줘야 하는데, 그려면 불가피하게 통계적인 방법을 쓸 수 밖에 없게 됩니다. 이런 이유로 분야와 주제에 따라서는 아닌 경우도 있겠지만, 상당수 논문에서는 통계학이 들어가게 됩니다.   문제는 데이터를 처리하고 분석하는 방법을 익히는 데도 상당한 시간과 노력이 필요하다는 점입니다. 물론 대부분의 학과에서 통계 수업이 들어가기는 하지만, 그것만으로는 충분하지 않은 경우가 많습니다. 대학 학부 과정에서는 대부분 논문 제출이 필요없거나 필요하다고 해도 그렇게 높은 수준을 요구하지 않지만, 대학원 이상 과정에서는 SCI/SCIE 급 논문이 필요하게 되어 처음 논문을 작성하는 입장에서는 상당히 부담되는 상황에 놓이게 됩니다.  그리고 이후 논문을 계속해서 쓰게 될 경우 통계 문제는 항상 나를 따라다니면서 괴롭히게 될 것입니다.  사정이 이렇다보니 간혹 통계 공부를 어떻게 하는 것이 좋겠냐는 질문이 들어옵니다. 사실 저는 통계 전문가라고 하기에는 실력은 모자라지만, 대신 앞서서 삽질을 한 경험이 있기 때문에 몇 가지 조언을 해줄 수 있을 것 같습니다.  1. 입문자를 위한 책을 추천해달라  사실 예습을 위해서 미리 공부하는 것은 추천하지 않습니다. 기본적인 통계는 학과별로 다르지 않더라도 주로 쓰는 분석방법은 분야별로 상당한 차이가 있을 수 있어 결국은 자신이 주로 하는 부분을 잘 해야 하기 때문입니다. 그러기 위해서는 학과 커리큘럼에 들어있는 통계 수업을 듣는 것이 더 유리합니다. 잘 쓰지도 않을 방법을 열심히 공부하는 것은 아무래도 효율

150년 만에 다시 울린 희귀 곤충의 울음 소리

  ( The katydid Prophalangopsis obscura has been lost since it was first collected, with new evidence suggesting cold areas of Northern India and Tibet may be the species' habitat. Credit: Charlie Woodrow, licensed under CC BY 4.0 ) ( The Museum's specimen of P. obscura is the only confirmed member of the species in existence. Image . Credit: The Trustees of the Natural History Museum, London )  과학자들이 1869년 처음 보고된 후 지금까지 소식이 끊긴 오래 전 희귀 곤충의 울음 소리를 재현하는데 성공했습니다. 프로팔랑곱시스 옵스큐라 ( Prophalangopsis obscura)는 이상한 이름만큼이나 이상한 곤충으로 매우 희귀한 메뚜기목 곤충입니다. 친척인 여치나 메뚜기와는 오래전 갈라진 독자 그룹으로 매우 큰 날개를 지니고 있으며 인도와 티벳의 고산 지대에 사는 것으로 보입니다.   유일한 표본은 수컷 성체로 2005년에 암컷으로 생각되는 2마리가 추가로 발견되긴 했으나 정확히 같은 종인지는 다소 미지수인 상태입니다. 현재까지 확실한 표본은 수컷 성체 한 마리가 전부인 미스터리 곤충인 셈입니다.   하지만 과학자들은 그 형태를 볼 때 이들 역시 울음 소리를 통해 짝짓기에서 암컷을 유인했을 것으로 보고 있습니다. 그런데 높은 고산 지대에서 먼 거리를 이동하는 곤충이기 때문에 낮은 피치의 울음 소리를 냈을 것으로 보입니다. 문제는 이런 소리는 암컷 만이 아니라 박쥐도 잘 듣는다는 것입니다. 사실 이들은 중생대 쥐라기 부터 존재했던 그룹으로 당시에는 박쥐가 없어 이런 방식이 잘 통했을 것입니다. 하지만 신생대에 박쥐가 등장하면서 플로팔랑곱

9000년 전 소녀의 모습을 복원하다.

( The final reconstruction. Credit: Oscar Nilsson )  그리스 아테나 대학과 스웨덴 연구자들이 1993년 발견된 선사 시대 소녀의 모습을 마치 살아있는 것처럼 복원하는데 성공했습니다. 이 유골은 그리스의 테살리아 지역의 테오페트라 동굴 ( Theopetra Cave )에서 발견된 것으로 연대는 9000년 전으로 추정됩니다. 유골의 주인공은 15-18세 사이의 소녀로 정확한 사인은 알 수 없으나 괴혈병, 빈혈, 관절 질환을 앓고 있었던 것으로 확인되었습니다.   이 소녀가 살았던 시기는 유럽 지역에서 수렵 채집인이 초기 농경으로 이전하는 시기였습니다. 다른 시기와 마찬가지로 이 시기의 사람들도 젊은 시절에 다양한 질환에 시달렸을 것이며 평균 수명 역시 매우 짧았을 것입니다. 비록 젊은 나이에 죽기는 했지만, 당시에는 이런 경우가 드물지 않았을 것이라는 이야기죠.   아무튼 문명의 새벽에 해당하는 시점에 살았기 때문에 이 소녀는 Dawn (그리스어로는  Avgi)라고 이름지어졌다고 합니다. 연구팀은 유골에 대한 상세한 스캔과 3D 프린팅 기술을 적용해서 살아있을 당시의 모습을 매우 현실적으로 복원했습니다. 그리고 그 결과 나타난 모습은.... 당시의 거친 환경을 보여주는 듯 합니다. 긴 턱은 당시를 살았던 사람이 대부분 그랬듯이 질긴 먹이를 오래 씹기 위한 것으로 보입니다.   강하고 억센 10대 소녀(?)의 모습은 당시 살아남기 위해서는 강해야 했다는 점을 말해주는 듯 합니다. 이렇게 억세보이는 주인공이라도 당시에는 전염병이나 혹은 기아에서 자유롭지는 못했기 때문에 결국 평균 수명은 길지 못했겠죠. 외모 만으로 평가해서는 안되겠지만, 당시의 거친 시대상을 보여주는 듯 해 흥미롭습니다.   참고  https://phys.org/news/2018-01-teenage-girl-years-reconstructed.html