Lab_05: 데이터 변형하기

저자

이상일ㆍ박서우ㆍ김우형(서울대학교 지리교육과)

Modified

2025년 12월 30일

개요

여기서는 R로 데이터사이언스를 하는 과정 중 데이터 변형하기(transformation)를 다룬다. 그림 1 에서 볼 수 있는 것처럼, 데이터 변형하기는 데이터사이언스 프로세스의 핵심적인 분석 부분의 구성요소이다.

그림 1: 데이터사이언스 프로세스와 변형하기(https://r4ds.hadley.nz/transform.html)

데이터 변형하기와 관련된 대부분의 함수는 tidyverse의 핵심 패키지 중의 하나인 dplyr 에서 제공된다. 데이터 변형하기는 크게 다음의 두 가지 범주로 나뉜다.

단일 테이블 조작: 데이터 변형하기의 핵심 부분으로, 한 데이터 프레임의 데이터 구조를 조작한다.
다중 테이블 결합: 두 개 이상의 데이터 프레임을 결합하는 방식을 다룬다.

두 가지 모두 데이터 테이블이 입력되고, 데이터 테이블이 출력된다.

우선 tidyverse 패키지를 불러온다.

library(tidyverse)

1 단일 테이블 조작

단일 테이블 조작과 관련된 함수는 다시 네 가지로 범주화된다.

행 함수: 행(관측 개체)에 작동하는 함수, 즉 행의 변화를 야기하는 함수
열 함수: 열(변수)에 작동하는 함수, 즉 열의 변화를 야기하는 함수
그룹 함수: 그룹에 작동하는 함수
데이터 프레임 함수: 데이터 프레임 전체에 작동하는 함수

이번 실습에서는 행 함수, 열 함수, 그룹 함수에 집중한다. 사용할 데이터는 World Bank가 gapmider.org를 통해 무료로 배포하는 것으로 gapmider 패키지에 포함되어 있다. gapmider 패키지를 인스톨하고 불러온다. 데이터가 어떻게 구성되어 있는지 살펴본다.

library(gapminder)
gapminder

# A tibble: 1,704 × 6
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.
 2 Afghanistan Asia       1957    30.3  9240934      821.
 3 Afghanistan Asia       1962    32.0 10267083      853.
 4 Afghanistan Asia       1967    34.0 11537966      836.
 5 Afghanistan Asia       1972    36.1 13079460      740.
 6 Afghanistan Asia       1977    38.4 14880372      786.
 7 Afghanistan Asia       1982    39.9 12881816      978.
 8 Afghanistan Asia       1987    40.8 13867957      852.
 9 Afghanistan Asia       1992    41.7 16317921      649.
10 Afghanistan Asia       1997    41.8 22227415      635.
# ℹ 1,694 more rows

1.1 행 함수

1.1.1 `filter()` 함수

특정 열(변수)과 관련된 조건을 만족하는 행을 선정한다. 행의 길이가 준다.

gapminder |> 
  filter(continent == "Europe")

# A tibble: 360 × 6
   country continent  year lifeExp     pop gdpPercap
   <fct>   <fct>     <int>   <dbl>   <int>     <dbl>
 1 Albania Europe     1952    55.2 1282697     1601.
 2 Albania Europe     1957    59.3 1476505     1942.
 3 Albania Europe     1962    64.8 1728137     2313.
 4 Albania Europe     1967    66.2 1984060     2760.
 5 Albania Europe     1972    67.7 2263554     3313.
 6 Albania Europe     1977    68.9 2509048     3533.
 7 Albania Europe     1982    70.4 2780097     3631.
 8 Albania Europe     1987    72   3075321     3739.
 9 Albania Europe     1992    71.6 3326498     2497.
10 Albania Europe     1997    73.0 3428038     3193.
# ℹ 350 more rows

gapminder |> 
  filter(pop > 50000000 & gdpPercap > 30000)

# A tibble: 9 × 6
  country        continent  year lifeExp       pop gdpPercap
  <fct>          <fct>     <int>   <dbl>     <int>     <dbl>
1 France         Europe     2007    80.7  61083916    30470.
2 Germany        Europe     2002    78.7  82350671    30036.
3 Germany        Europe     2007    79.4  82400996    32170.
4 Japan          Asia       2007    82.6 127467972    31656.
5 United Kingdom Europe     2007    79.4  60776238    33203.
6 United States  Americas   1992    76.1 256894189    32004.
7 United States  Americas   1997    76.8 272911760    35767.
8 United States  Americas   2002    77.3 287675526    39097.
9 United States  Americas   2007    78.2 301139947    42952.

gapminder |> 
  filter(year == 2007 & (lifeExp > 82 | gdpPercap > 40000))

# A tibble: 7 × 6
  country          continent  year lifeExp       pop gdpPercap
  <fct>            <fct>     <int>   <dbl>     <int>     <dbl>
1 Hong Kong, China Asia       2007    82.2   6980412    39725.
2 Ireland          Europe     2007    78.9   4109086    40676.
3 Japan            Asia       2007    82.6 127467972    31656.
4 Kuwait           Asia       2007    77.6   2505559    47307.
5 Norway           Europe     2007    80.2   4627926    49357.
6 Singapore        Asia       2007    80.0   4553009    47143.
7 United States    Americas   2007    78.2 301139947    42952.

1.1.2 `slice()` 함수

filter() 함수와 마찬가지로 행의 숫자를 줄인다. slice() 함수 자체 보다는 slice_head(), slice_tail(), slice_max(), slice_min()과 같은 패밀리 함수가 더 널리 사용된다. 그런데 이 함수들은 작동 방식에 따라 두 가지로 구분된다.

특정 열(변수)과 관계 없이, 행의 위치에 의거해 행을 선정: slice(), slice_head(), slice_tail()
특정 열(변수)에 따른, 행의 위치에 의거해 행을 선정: slice_max(), slice_min()

몇 번째에서 몇 번째 사이의 행만을 골라낸다.

gapminder |> 
  slice(1:5)

# A tibble: 5 × 6
  country     continent  year lifeExp      pop gdpPercap
  <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
1 Afghanistan Asia       1952    28.8  8425333      779.
2 Afghanistan Asia       1957    30.3  9240934      821.
3 Afghanistan Asia       1962    32.0 10267083      853.
4 Afghanistan Asia       1967    34.0 11537966      836.
5 Afghanistan Asia       1972    36.1 13079460      740.

가장 앞에 위치한 몇 개(n)의 행만을 골라낸다. 실질적으로 위와 동일하다.

gapminder |> 
  slice_head(n = 5)

# A tibble: 5 × 6
  country     continent  year lifeExp      pop gdpPercap
  <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
1 Afghanistan Asia       1952    28.8  8425333      779.
2 Afghanistan Asia       1957    30.3  9240934      821.
3 Afghanistan Asia       1962    32.0 10267083      853.
4 Afghanistan Asia       1967    34.0 11537966      836.
5 Afghanistan Asia       1972    36.1 13079460      740.

가장 뒤에 위치한 몇 개(n)의 행만을 골라낸다.

gapminder |> 
  slice_tail(n = 5)

# A tibble: 5 × 6
  country  continent  year lifeExp      pop gdpPercap
  <fct>    <fct>     <int>   <dbl>    <int>     <dbl>
1 Zimbabwe Africa     1987    62.4  9216418      706.
2 Zimbabwe Africa     1992    60.4 10704340      693.
3 Zimbabwe Africa     1997    46.8 11404948      792.
4 Zimbabwe Africa     2002    40.0 11926563      672.
5 Zimbabwe Africa     2007    43.5 12311143      470.

특정 열(변수)에 따라 값이 가장 큰 몇 개(n)의 행만을 골라낸다.

gapminder |> 
  filter(year == 2007) |> 
  slice_max(gdpPercap, n = 5)

# A tibble: 5 × 6
  country       continent  year lifeExp       pop gdpPercap
  <fct>         <fct>     <int>   <dbl>     <int>     <dbl>
1 Norway        Europe     2007    80.2   4627926    49357.
2 Kuwait        Asia       2007    77.6   2505559    47307.
3 Singapore     Asia       2007    80.0   4553009    47143.
4 United States Americas   2007    78.2 301139947    42952.
5 Ireland       Europe     2007    78.9   4109086    40676.

특정 열(변수)에 따라 값이 가장 작은 것들 중 주어진 비중(prop) 만큼의 행만을 골라낸다.

gapminder |> 
  filter(year == 2007 & continent == "Asia") |> 
  slice_min(lifeExp, prop = 0.1)

# A tibble: 3 × 6
  country     continent  year lifeExp      pop gdpPercap
  <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
1 Afghanistan Asia       2007    43.8 31889923      975.
2 Iraq        Asia       2007    59.5 27499638     4471.
3 Cambodia    Asia       2007    59.7 14131858     1714.

노트

slice 함수는 데이터 프레임이 적용되는 것으로 모두 데이터 프레임을 산출한다. 그런데 유사한 작업을 벡터에 적용하는 함수들이 존재한다. slice_head(), slice_tail(), slice()에 대응하는 dplyr 벡터 함수로 first(), last(), nth()가 있다. 그런데 후자의 함수를 벡터가 아닌 데이터 프레임이 적용하면 slice 함수와 동일한 결과가 산출된다.

1.1.3 `arrange()` 함수

특정 열(변수)과 관련된 조건에 의거해 행의 순서를 바꾼다. 행의 길이에는 변화가 없다.

gapminder |> 
  arrange(lifeExp)

# A tibble: 1,704 × 6
   country      continent  year lifeExp     pop gdpPercap
   <fct>        <fct>     <int>   <dbl>   <int>     <dbl>
 1 Rwanda       Africa     1992    23.6 7290203      737.
 2 Afghanistan  Asia       1952    28.8 8425333      779.
 3 Gambia       Africa     1952    30    284320      485.
 4 Angola       Africa     1952    30.0 4232095     3521.
 5 Sierra Leone Africa     1952    30.3 2143249      880.
 6 Afghanistan  Asia       1957    30.3 9240934      821.
 7 Cambodia     Asia       1977    31.2 6978607      525.
 8 Mozambique   Africa     1952    31.3 6446316      469.
 9 Sierra Leone Africa     1957    31.6 2295678     1004.
10 Burkina Faso Africa     1952    32.0 4469979      543.
# ℹ 1,694 more rows

desc() 보조 함수(helper function)는 내림차순으로 행을 배열한다.

gapminder |> 
  arrange(lifeExp, desc(year))

# A tibble: 1,704 × 6
   country      continent  year lifeExp     pop gdpPercap
   <fct>        <fct>     <int>   <dbl>   <int>     <dbl>
 1 Rwanda       Africa     1992    23.6 7290203      737.
 2 Afghanistan  Asia       1952    28.8 8425333      779.
 3 Gambia       Africa     1952    30    284320      485.
 4 Angola       Africa     1952    30.0 4232095     3521.
 5 Sierra Leone Africa     1952    30.3 2143249      880.
 6 Afghanistan  Asia       1957    30.3 9240934      821.
 7 Cambodia     Asia       1977    31.2 6978607      525.
 8 Mozambique   Africa     1952    31.3 6446316      469.
 9 Sierra Leone Africa     1957    31.6 2295678     1004.
10 Burkina Faso Africa     1952    32.0 4469979      543.
# ℹ 1,694 more rows

1.1.4 `distinct()` 함수

특정 열(변수)에 의거해 중복이 없이 고유한 행만을 골라낸다. 행의 길이가 준다.

gapminder 데이터와 관련하여 다음의 코드는 어떤 정보를 우리에게 주는지 생각해 본다.

gapminder |> 
  distinct(country)

# A tibble: 142 × 1
   country    
   <fct>      
 1 Afghanistan
 2 Albania    
 3 Algeria    
 4 Angola     
 5 Argentina  
 6 Australia  
 7 Austria    
 8 Bahrain    
 9 Bangladesh 
10 Belgium    
# ℹ 132 more rows

.keep_all 아규먼트를 이용하면 나머지 열도 함께 나타낼 수 있다. 나머지 열의 값이 무엇인지 생각해 본다.

gapminder |> 
  distinct(continent, .keep_all = TRUE)

# A tibble: 5 × 6
  country     continent  year lifeExp      pop gdpPercap
  <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
1 Afghanistan Asia       1952    28.8  8425333      779.
2 Albania     Europe     1952    55.2  1282697     1601.
3 Algeria     Africa     1952    43.1  9279525     2449.
4 Argentina   Americas   1952    62.5 17876956     5911.
5 Australia   Oceania    1952    69.1  8691212    10040.

1.2 열 함수

1.2.1 `select()` 함수

열(변수)의 일부를 선택한다. 열의 길이가 준다.

gapminder |> 
  select(year, country, gdpPercap)

# A tibble: 1,704 × 3
    year country     gdpPercap
   <int> <fct>           <dbl>
 1  1952 Afghanistan      779.
 2  1957 Afghanistan      821.
 3  1962 Afghanistan      853.
 4  1967 Afghanistan      836.
 5  1972 Afghanistan      740.
 6  1977 Afghanistan      786.
 7  1982 Afghanistan      978.
 8  1987 Afghanistan      852.
 9  1992 Afghanistan      649.
10  1997 Afghanistan      635.
# ℹ 1,694 more rows

열(변수)의 일부를 선택하지 않는다. 역시 열의 길이가 준다. 실질적으로 위와 동일한 결과가 산출된다. ! 부호 대신 - 부호를 사용할 수 있다. 전자가 선호된다.

gapminder |> 
  select(!c(lifeExp, continent, pop))

# A tibble: 1,704 × 3
   country      year gdpPercap
   <fct>       <int>     <dbl>
 1 Afghanistan  1952      779.
 2 Afghanistan  1957      821.
 3 Afghanistan  1962      853.
 4 Afghanistan  1967      836.
 5 Afghanistan  1972      740.
 6 Afghanistan  1977      786.
 7 Afghanistan  1982      978.
 8 Afghanistan  1987      852.
 9 Afghanistan  1992      649.
10 Afghanistan  1997      635.
# ℹ 1,694 more rows

starts_with(), ends_with(), contains()와 같은 보조 함수를 잘 활용하면 효율적으로 필요한 변수만을 선정할 수 있다.

gapminder |> 
  select(starts_with("c"))

# A tibble: 1,704 × 2
   country     continent
   <fct>       <fct>    
 1 Afghanistan Asia     
 2 Afghanistan Asia     
 3 Afghanistan Asia     
 4 Afghanistan Asia     
 5 Afghanistan Asia     
 6 Afghanistan Asia     
 7 Afghanistan Asia     
 8 Afghanistan Asia     
 9 Afghanistan Asia     
10 Afghanistan Asia     
# ℹ 1,694 more rows

1.2.2 `mutate()` 함수

기존의 열(변수)에 기반하여 새로운 변수를 생성한다. 열의 길이가 늘어난다.

gapminder |> 
  mutate(
    gdp_billion = gdpPercap * pop / 10^9
  )

# A tibble: 1,704 × 7
   country     continent  year lifeExp      pop gdpPercap gdp_billion
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>       <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.        6.57
 2 Afghanistan Asia       1957    30.3  9240934      821.        7.59
 3 Afghanistan Asia       1962    32.0 10267083      853.        8.76
 4 Afghanistan Asia       1967    34.0 11537966      836.        9.65
 5 Afghanistan Asia       1972    36.1 13079460      740.        9.68
 6 Afghanistan Asia       1977    38.4 14880372      786.       11.7 
 7 Afghanistan Asia       1982    39.9 12881816      978.       12.6 
 8 Afghanistan Asia       1987    40.8 13867957      852.       11.8 
 9 Afghanistan Asia       1992    41.7 16317921      649.       10.6 
10 Afghanistan Asia       1997    41.8 22227415      635.       14.1 
# ℹ 1,694 more rows

여러개의 변수를 동시에 생성할 수 있다. row_number() 보조 함수는 값에 순위를 부여하는 것이고, .keep = "used"는 결과에 변수 생성에 동원된 변수만을 포함시키게 해 준다.

gapminder |> 
  filter(year == 2007) |> 
  mutate(
    gdpPercap_rank = row_number(gdpPercap),
    lifeExp_highlow = lifeExp > 30000,
    .keep = "used"
  )

# A tibble: 142 × 4
   lifeExp gdpPercap gdpPercap_rank lifeExp_highlow
     <dbl>     <dbl>          <int> <lgl>          
 1    43.8      975.             19 FALSE          
 2    76.4     5937.             70 FALSE          
 3    72.3     6223.             72 FALSE          
 4    42.7     4797.             64 FALSE          
 5    75.3    12779.            101 FALSE          
 6    81.2    34435.            130 FALSE          
 7    79.8    36126.            132 FALSE          
 8    75.6    29796.            122 FALSE          
 9    64.1     1391.             30 FALSE          
10    79.4    33693.            128 FALSE          
# ℹ 132 more rows

노트

dplyr 패키지는 데이터에 순위를 부여하는 여러 가지 방식을 제공하는데, row_number(), min_rank(), dense_rank(), percent_rank(), cumu_dist() 등이 있다. 자세한 사항은 맨 아래에 있는 기타 벡터 함수를 참고하면 된다.

1.2.3 `rename()` 함수

변수의 이름을 바꾼다. 열의 길이에는 변화가 없다. = 부호의 왼쪽에 있는 것이 새로운 변수명이다.

gapminder |> 
  rename(
    gdp_percap = gdpPercap,
    left_exp = lifeExp
  )

# A tibble: 1,704 × 6
   country     continent  year left_exp      pop gdp_percap
   <fct>       <fct>     <int>    <dbl>    <int>      <dbl>
 1 Afghanistan Asia       1952     28.8  8425333       779.
 2 Afghanistan Asia       1957     30.3  9240934       821.
 3 Afghanistan Asia       1962     32.0 10267083       853.
 4 Afghanistan Asia       1967     34.0 11537966       836.
 5 Afghanistan Asia       1972     36.1 13079460       740.
 6 Afghanistan Asia       1977     38.4 14880372       786.
 7 Afghanistan Asia       1982     39.9 12881816       978.
 8 Afghanistan Asia       1987     40.8 13867957       852.
 9 Afghanistan Asia       1992     41.7 16317921       649.
10 Afghanistan Asia       1997     41.8 22227415       635.
# ℹ 1,694 more rows

패밀리 함수인 rename_with()를 이용하면 다른 것도 가능하다. tolower은 변수명을 소문자로 바꾸는 보조 함수이고, toupper은 대문자로 바꾸는 보조 함수이다.

gapminder |> 
  rename_with(
    tolower, starts_with("l")
  )

# A tibble: 1,704 × 6
   country     continent  year lifeexp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.
 2 Afghanistan Asia       1957    30.3  9240934      821.
 3 Afghanistan Asia       1962    32.0 10267083      853.
 4 Afghanistan Asia       1967    34.0 11537966      836.
 5 Afghanistan Asia       1972    36.1 13079460      740.
 6 Afghanistan Asia       1977    38.4 14880372      786.
 7 Afghanistan Asia       1982    39.9 12881816      978.
 8 Afghanistan Asia       1987    40.8 13867957      852.
 9 Afghanistan Asia       1992    41.7 16317921      649.
10 Afghanistan Asia       1997    41.8 22227415      635.
# ℹ 1,694 more rows

1.2.4 `relocate()` 함수

변수의 위치를 바꾼다. 열의 길이에는 변화가 없다. 기입한 변수들이 맨 앞으로 이동한다.

gapminder |> 
  relocate(year, continent)

# A tibble: 1,704 × 6
    year continent country     lifeExp      pop gdpPercap
   <int> <fct>     <fct>         <dbl>    <int>     <dbl>
 1  1952 Asia      Afghanistan    28.8  8425333      779.
 2  1957 Asia      Afghanistan    30.3  9240934      821.
 3  1962 Asia      Afghanistan    32.0 10267083      853.
 4  1967 Asia      Afghanistan    34.0 11537966      836.
 5  1972 Asia      Afghanistan    36.1 13079460      740.
 6  1977 Asia      Afghanistan    38.4 14880372      786.
 7  1982 Asia      Afghanistan    39.9 12881816      978.
 8  1987 Asia      Afghanistan    40.8 13867957      852.
 9  1992 Asia      Afghanistan    41.7 16317921      649.
10  1997 Asia      Afghanistan    41.8 22227415      635.
# ℹ 1,694 more rows

.before나 .after 아규먼트를 사용하여 해당 변수를 어떤 변수의 앞이나 뒤로 보낼 수 있다.

gapminder |> 
  relocate(pop, .before = lifeExp )

# A tibble: 1,704 × 6
   country     continent  year      pop lifeExp gdpPercap
   <fct>       <fct>     <int>    <int>   <dbl>     <dbl>
 1 Afghanistan Asia       1952  8425333    28.8      779.
 2 Afghanistan Asia       1957  9240934    30.3      821.
 3 Afghanistan Asia       1962 10267083    32.0      853.
 4 Afghanistan Asia       1967 11537966    34.0      836.
 5 Afghanistan Asia       1972 13079460    36.1      740.
 6 Afghanistan Asia       1977 14880372    38.4      786.
 7 Afghanistan Asia       1982 12881816    39.9      978.
 8 Afghanistan Asia       1987 13867957    40.8      852.
 9 Afghanistan Asia       1992 16317921    41.7      649.
10 Afghanistan Asia       1997 22227415    41.8      635.
# ℹ 1,694 more rows

1.2.5 `pull()` 함수

데이터 프레임의 한 컬럼을 벡터로 추출한다.

gapminder |> pull(lifeExp) |> mean()

[1] 59.47444

노트

Base R이 벡터 기반 연산에 강점이 있는 반면 tidyverse는 데이터 프레임별 연산에 강점이 있다. 이렇다 보니 Base R의 많은 벡터 기반 함수를 tidyverse에서 사용할 때 불편함을 느낄 수 있다. 이러한 문제점을 경감해 줄 수 있는 것이 pull() 함수이다. 예를 들어 위의 코드를 Base R에서 쓰면 다음과 같다.

mean(gapminder$lifeExp)

동일한 것을 정규 tidyverse문법에 맞추어 쓰면 다음과 같다.

gapminder |> 
  summarize(
    mean_lifeExp = mean(lifeExp)
  )

좀 성가시게 길어지는 측면이 있다. 이 때 pull() 함수는 유용하게 사용될 수 있고, tidyverse문법을 지키면서도 코드를 좀 더 간명하게 표현할 수 있다.

1.3 그룹 함수

1.3.1 `group_by()` 함수

특정 범주 열(변수)에 의거해 행을 분할한다. 행의 길이는 변하지 않는다.

우선 하나의 범주 변수에 의거해 그룹화한다. 산출물을 보면 year에 의거해 행이 12개의 그룹으로 나누어졌음을 알 수 있다(두 번째 줄: Group: year [12]).

gapminder |> 
  group_by(year)

# A tibble: 1,704 × 6
# Groups:   year [12]
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.
 2 Afghanistan Asia       1957    30.3  9240934      821.
 3 Afghanistan Asia       1962    32.0 10267083      853.
 4 Afghanistan Asia       1967    34.0 11537966      836.
 5 Afghanistan Asia       1972    36.1 13079460      740.
 6 Afghanistan Asia       1977    38.4 14880372      786.
 7 Afghanistan Asia       1982    39.9 12881816      978.
 8 Afghanistan Asia       1987    40.8 13867957      852.
 9 Afghanistan Asia       1992    41.7 16317921      649.
10 Afghanistan Asia       1997    41.8 22227415      635.
# ℹ 1,694 more rows

두 개 이상의 범주 변수에 의거해 그룹화할 수도 있다.

gapminder |> 
  group_by(year, continent)

# A tibble: 1,704 × 6
# Groups:   year, continent [60]
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.
 2 Afghanistan Asia       1957    30.3  9240934      821.
 3 Afghanistan Asia       1962    32.0 10267083      853.
 4 Afghanistan Asia       1967    34.0 11537966      836.
 5 Afghanistan Asia       1972    36.1 13079460      740.
 6 Afghanistan Asia       1977    38.4 14880372      786.
 7 Afghanistan Asia       1982    39.9 12881816      978.
 8 Afghanistan Asia       1987    40.8 13867957      852.
 9 Afghanistan Asia       1992    41.7 16317921      649.
10 Afghanistan Asia       1997    41.8 22227415      635.
# ℹ 1,694 more rows

1.3.2 `summarize()` 함수

주어진 열(변수)에 대한 통계 요약값을 계산하고 그것으로 이루어진 새로운 데이터 프레임을 생성한다. 엄밀히 말해 기존 열(변수)을 변형한다기 보다는 기존 데이터 프레임으로부터 새로운 데이터 프레임을 생성한다고 볼 수 있다. summarize() 함수는 대부분의 경우 group_by() 함수와 함께 사용된다. 다음의 둘을 비교해 보라.

gapminder |> 
  filter(year == 2007) |> 
  summarize(
    mean_gdpPercap = mean(gdpPercap)
  )

# A tibble: 1 × 1
  mean_gdpPercap
           <dbl>
1         11680.

gapminder |> 
  filter(year == 2007) |> 
  group_by(continent) |> 
  summarize(
    mean_gdpPercap = mean(gdpPercap)
  )

# A tibble: 5 × 2
  continent mean_gdpPercap
  <fct>              <dbl>
1 Africa             3089.
2 Americas          11003.
3 Asia              12473.
4 Europe            25054.
5 Oceania           29810.

좀 더 복잡한 확장이 가능하다. 마지막의 n()은 특별한 요약 함수로, 어떤 아규먼트도 없이 단독으로 사용되며 “현재(current)” 그룹의 빈도값을 산출한다.

gapminder |> 
    group_by(continent, year) |> 
    summarize(
      mean_gdpPercap = mean(gdpPercap),
      sd_gdpPercap = sd(gdpPercap),
      mean_pop = mean(pop),
      sd_pop = sd(pop),
      n = n()
    )

# A tibble: 60 × 7
# Groups:   continent [5]
   continent  year mean_gdpPercap sd_gdpPercap  mean_pop    sd_pop     n
   <fct>     <int>          <dbl>        <dbl>     <dbl>     <dbl> <int>
 1 Africa     1952          1253.         983.  4570010.  6317450.    52
 2 Africa     1957          1385.        1135.  5093033.  7076042.    52
 3 Africa     1962          1598.        1462.  5702247.  7957545.    52
 4 Africa     1967          2050.        2848.  6447875.  8985505.    52
 5 Africa     1972          2340.        3287.  7305376. 10130833.    52
 6 Africa     1977          2586.        4142.  8328097. 11585184.    52
 7 Africa     1982          2482.        3243.  9602857. 13456243.    52
 8 Africa     1987          2283.        2567. 11054502. 15277484.    52
 9 Africa     1992          2282.        2644. 12674645. 17562719.    52
10 Africa     1997          2379.        2821. 14304480. 19873013.    52
# ℹ 50 more rows

group_by()와 arrange()를 결합하는 경우, .by_group = TRUE를 하면 그룹별로 행을 배열할 수 있다(그렇지 않으면 그룹 설정을 무시한 채 행을 배열한다.)

gapminder |> 
  group_by(year, continent) |> 
  arrange(desc(gdpPercap), .by_group = TRUE)

# A tibble: 1,704 × 6
# Groups:   year, continent [60]
   country      continent  year lifeExp      pop gdpPercap
   <fct>        <fct>     <int>   <dbl>    <int>     <dbl>
 1 South Africa Africa     1952    45.0 14264935     4725.
 2 Gabon        Africa     1952    37.0   420702     4293.
 3 Angola       Africa     1952    30.0  4232095     3521.
 4 Reunion      Africa     1952    52.7   257700     2719.
 5 Djibouti     Africa     1952    34.8    63149     2670.
 6 Algeria      Africa     1952    43.1  9279525     2449.
 7 Namibia      Africa     1952    41.7   485831     2424.
 8 Libya        Africa     1952    42.7  1019729     2388.
 9 Congo, Rep.  Africa     1952    42.1   854885     2126.
10 Mauritius    Africa     1952    51.0   516556     1968.
# ℹ 1,694 more rows

아래는 연도별/대륙별로 일인당 GDP가 가장 높은 국가를 추출한 것이다. 코드를 생각해 보라.

# A tibble: 60 × 6
# Groups:   year, continent [60]
   country       continent  year lifeExp       pop gdpPercap
   <fct>         <fct>     <int>   <dbl>     <int>     <dbl>
 1 South Africa  Africa     1952    45.0  14264935     4725.
 2 United States Americas   1952    68.4 157553000    13990.
 3 Kuwait        Asia       1952    55.6    160000   108382.
 4 Switzerland   Europe     1952    69.6   4815000    14734.
 5 New Zealand   Oceania    1952    69.4   1994794    10557.
 6 South Africa  Africa     1957    48.0  16151549     5487.
 7 United States Americas   1957    69.5 171984000    14847.
 8 Kuwait        Asia       1957    58.0    212846   113523.
 9 Switzerland   Europe     1957    70.6   5126000    17909.
10 New Zealand   Oceania    1957    70.3   2229407    12247.
# ℹ 50 more rows

group_by() 함수가 한 번 적용되면, 그 뒤의 모든 오퍼레이션에 그룹 분할이 적용되기 때문에 예기치 못한 일이 발생할 수 있다. 이것을 회피하기 위해 두 가지 옵션이 있다. 첫번째 방법은 마지막에 upgroup() 함수를 첨가하는 것이다. 아래에 위 질문에 대한 정답이 나타나 있다.

gapminder |> 
  group_by(year, continent) |> 
  slice_max(gdpPercap) |> 
  ungroup()

# A tibble: 60 × 6
   country       continent  year lifeExp       pop gdpPercap
   <fct>         <fct>     <int>   <dbl>     <int>     <dbl>
 1 South Africa  Africa     1952    45.0  14264935     4725.
 2 United States Americas   1952    68.4 157553000    13990.
 3 Kuwait        Asia       1952    55.6    160000   108382.
 4 Switzerland   Europe     1952    69.6   4815000    14734.
 5 New Zealand   Oceania    1952    69.4   1994794    10557.
 6 South Africa  Africa     1957    48.0  16151549     5487.
 7 United States Americas   1957    69.5 171984000    14847.
 8 Kuwait        Asia       1957    58.0    212846   113523.
 9 Switzerland   Europe     1957    70.6   5126000    17909.
10 New Zealand   Oceania    1957    70.3   2229407    12247.
# ℹ 50 more rows

두 번째 방법은 group_by() 함수 대신 by 아규먼트를 사용하는 것이다. 결과가 달라보이겠지만 정렬의 차이일 뿐 동일하다.

gapminder |> 
  slice_max(
    gdpPercap, 
    by = c(year, continent)
  )

# A tibble: 60 × 6
   country      continent  year lifeExp      pop gdpPercap
   <fct>        <fct>     <int>   <dbl>    <int>     <dbl>
 1 Kuwait       Asia       1952    55.6   160000   108382.
 2 Kuwait       Asia       1957    58.0   212846   113523.
 3 Kuwait       Asia       1962    60.5   358266    95458.
 4 Kuwait       Asia       1967    64.6   575003    80895.
 5 Kuwait       Asia       1972    67.7   841934   109348.
 6 Kuwait       Asia       1977    69.3  1140357    59265.
 7 Saudi Arabia Asia       1982    63.0 11254672    33693.
 8 Kuwait       Asia       1987    74.2  1891487    28118.
 9 Kuwait       Asia       1992    75.2  1418095    34933.
10 Kuwait       Asia       1997    76.2  1765345    40301.
# ℹ 50 more rows

1.3.3 `count()` 함수

특정 범주 열(변수)에 의거한 빈도를 빠르게 계산해 준다. 빈도는 자동적으로 n이라는 이럼의 컬럼에 저장된다.

gapminder |> 
  count(year, continent)

# A tibble: 60 × 3
    year continent     n
   <int> <fct>     <int>
 1  1952 Africa       52
 2  1952 Americas     25
 3  1952 Asia         33
 4  1952 Europe       30
 5  1952 Oceania       2
 6  1957 Africa       52
 7  1957 Americas     25
 8  1957 Asia         33
 9  1957 Europe       30
10  1957 Oceania       2
# ℹ 50 more rows

wt 아규먼트를 사용하면 빈도가 아니라 범주별 특정 변수의 합산값을 구할 수 있다.

gapminder |> 
  count(year, continent, wt = pop)

# A tibble: 60 × 3
    year continent          n
   <int> <fct>          <dbl>
 1  1952 Africa     237640501
 2  1952 Americas   345152446
 3  1952 Asia      1395357351
 4  1952 Europe     418120846
 5  1952 Oceania     10686006
 6  1957 Africa     264837738
 7  1957 Americas   386953916
 8  1957 Asia      1562780599
 9  1957 Europe     437890351
10  1957 Oceania     11941976
# ℹ 50 more rows

위의 두 개는 사실 아래와 동일하다.

gapminder |> 
  group_by(year, continent) |> 
  summarize(
    n = n(),
    sum_pop = sum(pop)
  )

# A tibble: 60 × 4
# Groups:   year [12]
    year continent     n    sum_pop
   <int> <fct>     <int>      <dbl>
 1  1952 Africa       52  237640501
 2  1952 Americas     25  345152446
 3  1952 Asia         33 1395357351
 4  1952 Europe       30  418120846
 5  1952 Oceania       2   10686006
 6  1957 Africa       52  264837738
 7  1957 Americas     25  386953916
 8  1957 Asia         33 1562780599
 9  1957 Europe       30  437890351
10  1957 Oceania       2   11941976
# ℹ 50 more rows

1.3.4 `across()` 함수

다수의 열(변수)에 동일한 함수를 적용할 수 있다.

gapminder |> 
  mutate(
    across(c(lifeExp, gdpPercap), round)
  )

# A tibble: 1,704 × 6
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952      29  8425333       779
 2 Afghanistan Asia       1957      30  9240934       821
 3 Afghanistan Asia       1962      32 10267083       853
 4 Afghanistan Asia       1967      34 11537966       836
 5 Afghanistan Asia       1972      36 13079460       740
 6 Afghanistan Asia       1977      38 14880372       786
 7 Afghanistan Asia       1982      40 12881816       978
 8 Afghanistan Asia       1987      41 13867957       852
 9 Afghanistan Asia       1992      42 16317921       649
10 Afghanistan Asia       1997      42 22227415       635
# ℹ 1,694 more rows

이것은 다음과 동일하다.

gapminder |> 
  mutate(
    lifeExp = round(lifeExp),
    gdpPercap = round(gdpPercap)
  )

# A tibble: 1,704 × 6
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952      29  8425333       779
 2 Afghanistan Asia       1957      30  9240934       821
 3 Afghanistan Asia       1962      32 10267083       853
 4 Afghanistan Asia       1967      34 11537966       836
 5 Afghanistan Asia       1972      36 13079460       740
 6 Afghanistan Asia       1977      38 14880372       786
 7 Afghanistan Asia       1982      40 12881816       978
 8 Afghanistan Asia       1987      41 13867957       852
 9 Afghanistan Asia       1992      42 16317921       649
10 Afghanistan Asia       1997      42 22227415       635
# ℹ 1,694 more rows

summarize() 함수와 결합하여 선택된 변수에 특정 함수를 적용하고 그 결과의 이름을 변수명과 함수명을 사용하여 부여할 수 있다.

gapminder |> 
  group_by(year, continent) |> 
  summarize(
    across(
      c(lifeExp, gdpPercap), 
      mean, 
      .names = "mean_{.col}"
    )
  )

# A tibble: 60 × 4
# Groups:   year [12]
    year continent mean_lifeExp mean_gdpPercap
   <int> <fct>            <dbl>          <dbl>
 1  1952 Africa            39.1          1253.
 2  1952 Americas          53.3          4079.
 3  1952 Asia              46.3          5195.
 4  1952 Europe            64.4          5661.
 5  1952 Oceania           69.3         10298.
 6  1957 Africa            41.3          1385.
 7  1957 Americas          56.0          4616.
 8  1957 Asia              49.3          5788.
 9  1957 Europe            66.7          6963.
10  1957 Oceania           70.3         11599.
# ℹ 50 more rows

across() 함수에서 중요한 것은 함수 아규먼트에 함수명 그 자체만 쓸 수 있을 뿐(즉, mean), 함수명 뒤에 ()가 붙을 수 없다. 예를 들어 mean() 함수의 매우 중요한 아규먼트인 na.rm을 사용할 수 없다. 위의 예에서 두 변수 중 어느 변수에라도 결측값이 포함되어 있었다면 에러가 발생했을 것이다. 이 문제는 다음과 같은 방식으로 해결할 수 있다.

gapminder |> 
  group_by(year, continent) |> 
  summarize(
    across(
      c(lifeExp, gdpPercap), 
      function(x) median(x, na.rm = TRUE)
    )
  )

# A tibble: 60 × 4
# Groups:   year [12]
    year continent lifeExp gdpPercap
   <int> <fct>       <dbl>     <dbl>
 1  1952 Africa       38.8      987.
 2  1952 Americas     54.7     3048.
 3  1952 Asia         44.9     1207.
 4  1952 Europe       65.9     5142.
 5  1952 Oceania      69.3    10298.
 6  1957 Africa       40.6     1024.
 7  1957 Americas     56.1     3781.
 8  1957 Asia         48.3     1548.
 9  1957 Europe       67.6     6067.
10  1957 Oceania      70.3    11599.
# ℹ 50 more rows

혹은 보다 간단하게 function()을 \()로 대체할 수도 있다.

gapminder |> 
  group_by(year, continent) |> 
  summarize(
    across(
      c(lifeExp, gdpPercap), 
      \(x) median(x, na.rm = TRUE)
    )
  )

# A tibble: 60 × 4
# Groups:   year [12]
    year continent lifeExp gdpPercap
   <int> <fct>       <dbl>     <dbl>
 1  1952 Africa       38.8      987.
 2  1952 Americas     54.7     3048.
 3  1952 Asia         44.9     1207.
 4  1952 Europe       65.9     5142.
 5  1952 Oceania      69.3    10298.
 6  1957 Africa       40.6     1024.
 7  1957 Americas     56.1     3781.
 8  1957 Asia         48.3     1548.
 9  1957 Europe       67.6     6067.
10  1957 Oceania      70.3    11599.
# ℹ 50 more rows

만일 across() 함수 속에서 두 개 이상의 함수를 적용한다면 list()를 활용해야 한다. 결과에 새로 생성된 변수명이 원변수명_함수명({.col}_{.fn})의 형태를 띠고 있음에 주목하라. 사실 이것은 across() 함수 속에 .names = "{.col}_{.fn}"라고 지정한 것과 동일한 것으로, 만일 .names = "{.fn}_{.col}" 이라고 지정하면 다른 결과가 나타날 것이다.

gapminder |> 
  group_by(year, continent) |> 
  summarize(
    across(
      c(lifeExp, gdpPercap), 
      list(
        mean = \(x) mean(x, na.rm = TRUE),
        median = \(x) median(x, na.rm = TRUE)
      )
    )
  )

# A tibble: 60 × 6
# Groups:   year [12]
    year continent lifeExp_mean lifeExp_median gdpPercap_mean gdpPercap_median
   <int> <fct>            <dbl>          <dbl>          <dbl>            <dbl>
 1  1952 Africa            39.1           38.8          1253.             987.
 2  1952 Americas          53.3           54.7          4079.            3048.
 3  1952 Asia              46.3           44.9          5195.            1207.
 4  1952 Europe            64.4           65.9          5661.            5142.
 5  1952 Oceania           69.3           69.3         10298.           10298.
 6  1957 Africa            41.3           40.6          1385.            1024.
 7  1957 Americas          56.0           56.1          4616.            3781.
 8  1957 Asia              49.3           48.3          5788.            1548.
 9  1957 Europe            66.7           67.6          6963.            6067.
10  1957 Oceania           70.3           70.3         11599.           11599.
# ℹ 50 more rows

across() 함수의 파생 함수로 if_any()와 if_all()이 있다. 두 함수 모두 매우 유용하지만 여기서는 다루지 않는다.

1.3.5 `c_across()` 함수

group_by() 함수와 across() 함수가 결합하는 것과 정반대로, rowwise() 함수와 c_across() 함수를 결합하며, 행별 통계값을 산출할 수 있다. 물론 여기서 each_sd 값은 아무런 의미가 없다. 행별로 수치형 변수(year, lifeExp, pop, gdpPercap)의 표준편차를 구한 것이다.

gapminder |> 
  rowwise() |> 
  mutate(
    each_sd = sd(c_across(where(is.numeric)))
  )

# A tibble: 1,704 × 7
# Rowwise: 
   country     continent  year lifeExp      pop gdpPercap   each_sd
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>     <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.  4212207.
 2 Afghanistan Asia       1957    30.3  9240934      821.  4619999.
 3 Afghanistan Asia       1962    32.0 10267083      853.  5133067.
 4 Afghanistan Asia       1967    34.0 11537966      836.  5768510.
 5 Afghanistan Asia       1972    36.1 13079460      740.  6539272.
 6 Afghanistan Asia       1977    38.4 14880372      786.  7439719.
 7 Afghanistan Asia       1982    39.9 12881816      978.  6440408.
 8 Afghanistan Asia       1987    40.8 13867957      852.  6933499.
 9 Afghanistan Asia       1992    41.7 16317921      649.  8158513.
10 Afghanistan Asia       1997    41.8 22227415      635. 11113262.
# ℹ 1,694 more rows

단일 테이블 조작 퀴즈

대륙별로 기대수명이 가장 높은 국가 찾기

2007년을 기준으로, 각 대륙의 평균 기대수명과 기대수명이 가장 높은 국가 1개를 찾아보시오.
결과로는 5개 대륙을 행으로 갖는 데이터셋을 기대수명이 높은 순서대로 정렬하시오.
결과에는 continent, country, lifeExp, avg_lifeExp(평균기대수명) 열만 표시하시오.

gapminder |> 
  filter(year == 2007) |> 
  group_by(continent) |> 
  mutate(avg_lifeExp = mean(lifeExp)) |> 
  slice_max(lifeExp, n = 1) |> 
  arrange(desc(lifeExp)) |> 
  select(continent, country, avg_lifeExp, lifeExp)

# A tibble: 5 × 4
# Groups:   continent [5]
  continent country   avg_lifeExp lifeExp
  <fct>     <fct>           <dbl>   <dbl>
1 Asia      Japan            70.7    82.6
2 Europe    Iceland          77.6    81.8
3 Oceania   Australia        80.7    81.2
4 Americas  Canada           73.6    80.7
5 Africa    Reunion          54.8    76.4

2 다중 테이블 결합

2.1 테이블 조인

테이블 조인(join)은 두 개 데이터 프레임을 공통키(common key)를 이용해 결합함으로써 하나의 데이터 프레임을 생성하는 것을 의미한다. 서로 상이한 방식의 조인이 가능하면, dplyr 패키지는 다양한 종류의 조인 함수를 제공한다.

left_join(): 첫 번째 테이블은 그대로 둔 상태에서 두 번째 테이블을 결합함으로써 두 번째 변수의 열을 가져옴
right_join(): 두 번째 테이블은 그대로 둔 상태에서 첫 번째 테이블을 결합함으로써 첫 번째 테이블의 열을 가져옴
inner_join(): 두 테이블 모두에 존재하는 열을 취함
full_join(): 최소한 한 테이블에 존재하는 열을 모두 취함
semi_join(): 첫 번째 테이블의 행 중 두 번째 테이블에 대응하는 행이 있는 것만 취함
anti_join(): 첫 번째 테이블의 행 중 두 번째 테이블에 대응하는 행이 없는 것만 취함

이들 중 left_join()이 가장 많이 사용되기 때문에 그것에 집중한다.

2.1.1 `left_join()` 함수

실습을 위해 nycflights13 패키지의 데이터를 사용한다. 이 패키지에는 다섯 개의 데이터 프레임이 포함되어 있다. 지난 번에는 첫 번째 데이터만 사용했다.

flights: 2013년 NYC를 출발한 모든 항공기
weather: 공항별 시간별 기상 상황
planes: 항공기별 건조 정보
airports: 공항명과 위치
airlines: 항공사

그리고 이 6개의 데이터 프레임은 그림 2 처럼 공통키(common key)를 통해 서로 연결되어 있다.

그림 2: `nycflights13` 데이터(https://github.com/tidyverse/nycflights13)

flights 데이터의 변수가 너무 많기 때문에 조인을 위한 공통키를 중심으로 변수를 줄인다.

library(nycflights13)

flights2 <- flights |> 
  select(year, time_hour, origin, dest, tailnum, carrier)
flights2

# A tibble: 336,776 × 6
    year time_hour           origin dest  tailnum carrier
   <int> <dttm>              <chr>  <chr> <chr>   <chr>  
 1  2013 2013-01-01 05:00:00 EWR    IAH   N14228  UA     
 2  2013 2013-01-01 05:00:00 LGA    IAH   N24211  UA     
 3  2013 2013-01-01 05:00:00 JFK    MIA   N619AA  AA     
 4  2013 2013-01-01 05:00:00 JFK    BQN   N804JB  B6     
 5  2013 2013-01-01 06:00:00 LGA    ATL   N668DN  DL     
 6  2013 2013-01-01 05:00:00 EWR    ORD   N39463  UA     
 7  2013 2013-01-01 06:00:00 EWR    FLL   N516JB  B6     
 8  2013 2013-01-01 06:00:00 LGA    IAD   N829AS  EV     
 9  2013 2013-01-01 06:00:00 JFK    MCO   N593JB  B6     
10  2013 2013-01-01 06:00:00 LGA    ORD   N3ALAA  AA     
# ℹ 336,766 more rows

flights2 데이터를 중심으로 나머지 4개의 데이터와 조인한다.

airlines

# A tibble: 16 × 2
   carrier name                       
   <chr>   <chr>                      
 1 9E      Endeavor Air Inc.          
 2 AA      American Airlines Inc.     
 3 AS      Alaska Airlines Inc.       
 4 B6      JetBlue Airways            
 5 DL      Delta Air Lines Inc.       
 6 EV      ExpressJet Airlines Inc.   
 7 F9      Frontier Airlines Inc.     
 8 FL      AirTran Airways Corporation
 9 HA      Hawaiian Airlines Inc.     
10 MQ      Envoy Air                  
11 OO      SkyWest Airlines Inc.      
12 UA      United Air Lines Inc.      
13 US      US Airways Inc.            
14 VX      Virgin America             
15 WN      Southwest Airlines Co.     
16 YV      Mesa Airlines Inc.

flights2 |>
  left_join(airlines)

# A tibble: 336,776 × 7
    year time_hour           origin dest  tailnum carrier name                  
   <int> <dttm>              <chr>  <chr> <chr>   <chr>   <chr>                 
 1  2013 2013-01-01 05:00:00 EWR    IAH   N14228  UA      United Air Lines Inc. 
 2  2013 2013-01-01 05:00:00 LGA    IAH   N24211  UA      United Air Lines Inc. 
 3  2013 2013-01-01 05:00:00 JFK    MIA   N619AA  AA      American Airlines Inc.
 4  2013 2013-01-01 05:00:00 JFK    BQN   N804JB  B6      JetBlue Airways       
 5  2013 2013-01-01 06:00:00 LGA    ATL   N668DN  DL      Delta Air Lines Inc.  
 6  2013 2013-01-01 05:00:00 EWR    ORD   N39463  UA      United Air Lines Inc. 
 7  2013 2013-01-01 06:00:00 EWR    FLL   N516JB  B6      JetBlue Airways       
 8  2013 2013-01-01 06:00:00 LGA    IAD   N829AS  EV      ExpressJet Airlines I…
 9  2013 2013-01-01 06:00:00 JFK    MCO   N593JB  B6      JetBlue Airways       
10  2013 2013-01-01 06:00:00 LGA    ORD   N3ALAA  AA      American Airlines Inc.
# ℹ 336,766 more rows

weather

# A tibble: 26,115 × 15
   origin  year month   day  hour  temp  dewp humid wind_dir wind_speed
   <chr>  <int> <int> <int> <int> <dbl> <dbl> <dbl>    <dbl>      <dbl>
 1 EWR     2013     1     1     1  39.0  26.1  59.4      270      10.4 
 2 EWR     2013     1     1     2  39.0  27.0  61.6      250       8.06
 3 EWR     2013     1     1     3  39.0  28.0  64.4      240      11.5 
 4 EWR     2013     1     1     4  39.9  28.0  62.2      250      12.7 
 5 EWR     2013     1     1     5  39.0  28.0  64.4      260      12.7 
 6 EWR     2013     1     1     6  37.9  28.0  67.2      240      11.5 
 7 EWR     2013     1     1     7  39.0  28.0  64.4      240      15.0 
 8 EWR     2013     1     1     8  39.9  28.0  62.2      250      10.4 
 9 EWR     2013     1     1     9  39.9  28.0  62.2      260      15.0 
10 EWR     2013     1     1    10  41    28.0  59.6      260      13.8 
# ℹ 26,105 more rows
# ℹ 5 more variables: wind_gust <dbl>, precip <dbl>, pressure <dbl>,
#   visib <dbl>, time_hour <dttm>

flights2 |> 
  left_join(weather |> select(origin, time_hour, temp, wind_speed))

# A tibble: 336,776 × 8
    year time_hour           origin dest  tailnum carrier  temp wind_speed
   <int> <dttm>              <chr>  <chr> <chr>   <chr>   <dbl>      <dbl>
 1  2013 2013-01-01 05:00:00 EWR    IAH   N14228  UA       39.0       12.7
 2  2013 2013-01-01 05:00:00 LGA    IAH   N24211  UA       39.9       15.0
 3  2013 2013-01-01 05:00:00 JFK    MIA   N619AA  AA       39.0       15.0
 4  2013 2013-01-01 05:00:00 JFK    BQN   N804JB  B6       39.0       15.0
 5  2013 2013-01-01 06:00:00 LGA    ATL   N668DN  DL       39.9       16.1
 6  2013 2013-01-01 05:00:00 EWR    ORD   N39463  UA       39.0       12.7
 7  2013 2013-01-01 06:00:00 EWR    FLL   N516JB  B6       37.9       11.5
 8  2013 2013-01-01 06:00:00 LGA    IAD   N829AS  EV       39.9       16.1
 9  2013 2013-01-01 06:00:00 JFK    MCO   N593JB  B6       37.9       13.8
10  2013 2013-01-01 06:00:00 LGA    ORD   N3ALAA  AA       39.9       16.1
# ℹ 336,766 more rows

planes

# A tibble: 3,322 × 9
   tailnum  year type              manufacturer model engines seats speed engine
   <chr>   <int> <chr>             <chr>        <chr>   <int> <int> <int> <chr> 
 1 N10156   2004 Fixed wing multi… EMBRAER      EMB-…       2    55    NA Turbo…
 2 N102UW   1998 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
 3 N103US   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
 4 N104UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
 5 N10575   2002 Fixed wing multi… EMBRAER      EMB-…       2    55    NA Turbo…
 6 N105UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
 7 N107US   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
 8 N108UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
 9 N109UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
10 N110UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
# ℹ 3,312 more rows

flights2 |> 
  left_join(planes |> select(tailnum, type, engines, seats))

# A tibble: 336,776 × 9
    year time_hour           origin dest  tailnum carrier type     engines seats
   <int> <dttm>              <chr>  <chr> <chr>   <chr>   <chr>      <int> <int>
 1  2013 2013-01-01 05:00:00 EWR    IAH   N14228  UA      Fixed w…       2   149
 2  2013 2013-01-01 05:00:00 LGA    IAH   N24211  UA      Fixed w…       2   149
 3  2013 2013-01-01 05:00:00 JFK    MIA   N619AA  AA      Fixed w…       2   178
 4  2013 2013-01-01 05:00:00 JFK    BQN   N804JB  B6      Fixed w…       2   200
 5  2013 2013-01-01 06:00:00 LGA    ATL   N668DN  DL      Fixed w…       2   178
 6  2013 2013-01-01 05:00:00 EWR    ORD   N39463  UA      Fixed w…       2   191
 7  2013 2013-01-01 06:00:00 EWR    FLL   N516JB  B6      Fixed w…       2   200
 8  2013 2013-01-01 06:00:00 LGA    IAD   N829AS  EV      Fixed w…       2    55
 9  2013 2013-01-01 06:00:00 JFK    MCO   N593JB  B6      Fixed w…       2   200
10  2013 2013-01-01 06:00:00 LGA    ORD   N3ALAA  AA      <NA>          NA    NA
# ℹ 336,766 more rows

airports

# A tibble: 1,458 × 8
   faa   name                             lat    lon   alt    tz dst   tzone    
   <chr> <chr>                          <dbl>  <dbl> <dbl> <dbl> <chr> <chr>    
 1 04G   Lansdowne Airport               41.1  -80.6  1044    -5 A     America/…
 2 06A   Moton Field Municipal Airport   32.5  -85.7   264    -6 A     America/…
 3 06C   Schaumburg Regional             42.0  -88.1   801    -6 A     America/…
 4 06N   Randall Airport                 41.4  -74.4   523    -5 A     America/…
 5 09J   Jekyll Island Airport           31.1  -81.4    11    -5 A     America/…
 6 0A9   Elizabethton Municipal Airport  36.4  -82.2  1593    -5 A     America/…
 7 0G6   Williams County Airport         41.5  -84.5   730    -5 A     America/…
 8 0G7   Finger Lakes Regional Airport   42.9  -76.8   492    -5 A     America/…
 9 0P2   Shoestring Aviation Airfield    39.8  -76.6  1000    -5 U     America/…
10 0S9   Jefferson County Intl           48.1 -123.    108    -8 A     America/…
# ℹ 1,448 more rows

flights2 |> 
  left_join(airports, join_by(origin == faa))

# A tibble: 336,776 × 13
    year time_hour           origin dest  tailnum carrier name         lat   lon
   <int> <dttm>              <chr>  <chr> <chr>   <chr>   <chr>      <dbl> <dbl>
 1  2013 2013-01-01 05:00:00 EWR    IAH   N14228  UA      Newark Li…  40.7 -74.2
 2  2013 2013-01-01 05:00:00 LGA    IAH   N24211  UA      La Guardia  40.8 -73.9
 3  2013 2013-01-01 05:00:00 JFK    MIA   N619AA  AA      John F Ke…  40.6 -73.8
 4  2013 2013-01-01 05:00:00 JFK    BQN   N804JB  B6      John F Ke…  40.6 -73.8
 5  2013 2013-01-01 06:00:00 LGA    ATL   N668DN  DL      La Guardia  40.8 -73.9
 6  2013 2013-01-01 05:00:00 EWR    ORD   N39463  UA      Newark Li…  40.7 -74.2
 7  2013 2013-01-01 06:00:00 EWR    FLL   N516JB  B6      Newark Li…  40.7 -74.2
 8  2013 2013-01-01 06:00:00 LGA    IAD   N829AS  EV      La Guardia  40.8 -73.9
 9  2013 2013-01-01 06:00:00 JFK    MCO   N593JB  B6      John F Ke…  40.6 -73.8
10  2013 2013-01-01 06:00:00 LGA    ORD   N3ALAA  AA      La Guardia  40.8 -73.9
# ℹ 336,766 more rows
# ℹ 4 more variables: alt <dbl>, tz <dbl>, dst <chr>, tzone <chr>

airports의 경우만 왜 join_by()라는 아규먼트가 사용되었는데, 이 경우에는 공통키의 이름이 동일하지 않기 때문이다. 즉, flights2 데이터의 origin 컬럼과 airports 데이터의 faa가 공통키임을 지정해 주어야 하는 것이다.

2.2 테이블 병합

테이블 병합(merge)은 두 데이터 프레임을 결합해 새로운 단일한 데이터 프레임을 생성한다는 의미에서는 테이블 조인과 동일하지만, 공통키가 없으며, 행과 열 중 하나는 만드시 동일해야 한다. 가장 널리 사용되는 함수에 bind_row() 함수와 bind_col() 함수가 있다. 전자는 컬럼이 동일한 두 테이블을 상하로 연결하는 것이고, 후자는 행이 동일한 두 테이블을 좌우로 연결하는 것이다.

2.2.1 `bind_row()` 와 `bind_col()` 함수

gapminder 데이터를 25년 간격으로 세 개의 연도(1957, 1982, 2007년)로 분할한다.

gap_1957 <- gapminder |> filter(year == 1957)
gap_1982 <- gapminder |> filter(year == 1982)
gap_2007 <- gapminder |> filter(year == 2007)

이 세개의 데이터 프레임은 동일한 열 구조(동일한 변수)를 가지고 있지만, 행이 다르다. 이런 경우 bind_row() 함수를 사용하여 하나의 데이터 프레임으로 결합할 수 있다.

gapminder_merge_row <- bind_rows(
  gap_1957, gap_1982, gap_2007
)
gapminder_merge_row

# A tibble: 426 × 6
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1957    30.3  9240934      821.
 2 Albania     Europe     1957    59.3  1476505     1942.
 3 Algeria     Africa     1957    45.7 10270856     3014.
 4 Angola      Africa     1957    32.0  4561361     3828.
 5 Argentina   Americas   1957    64.4 19610538     6857.
 6 Australia   Oceania    1957    70.3  9712569    10950.
 7 Austria     Europe     1957    67.5  6965860     8843.
 8 Bahrain     Asia       1957    53.8   138655    11636.
 9 Bangladesh  Asia       1957    39.3 51365468      662.
10 Belgium     Europe     1957    69.2  8989111     9715.
# ℹ 416 more rows

이제 gapminder 데이터 프레임을 변수 세 개씩 묶어 두 개의 데이터 프레임으로 분할한다.

gap_var1 <- gapminder |> select(country, continent, year)
gap_var2 <- gapminder |> select(lifeExp, pop, gdpPercap)

이 두개의 데이터 프레임은 동일한 행 구조(동일한 관측 개체)를 가지고 있지만, 열이 다르다. 이런 경우 bind_col() 함수를 사용하여 하나의 데이터 프레임으로 결합할 수 있다.

gapminder_merge_col <- bind_cols(gap_var1, gap_var2)
gapminder_merge_col

# A tibble: 1,704 × 6
   country     continent  year lifeExp      pop gdpPercap
   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
 1 Afghanistan Asia       1952    28.8  8425333      779.
 2 Afghanistan Asia       1957    30.3  9240934      821.
 3 Afghanistan Asia       1962    32.0 10267083      853.
 4 Afghanistan Asia       1967    34.0 11537966      836.
 5 Afghanistan Asia       1972    36.1 13079460      740.
 6 Afghanistan Asia       1977    38.4 14880372      786.
 7 Afghanistan Asia       1982    39.9 12881816      978.
 8 Afghanistan Asia       1987    40.8 13867957      852.
 9 Afghanistan Asia       1992    41.7 16317921      649.
10 Afghanistan Asia       1997    41.8 22227415      635.
# ℹ 1,694 more rows

2.2.2 기타 집합 연산 함수

집합 연산(set operation) 함수란 두 데이터 프레임을 수학적 집합 연산(합집합, 교집합, 차집합, 동등성 검사)을 적용하여 새로운 데이터 프레임을 산출하는 함수를 말한다. 두 데이터 프레임은 동일한 열 구조를 가져야 하며, 행 전체를 하나의 원소로 취급한다. 여기에 해당하는 함수로, intersect(), union(), setdiff() 함수 등이 있다.

3 기타 벡터 함수

타이디버스 함수의 기본 작동 방식은 데이터 프레임을 입력으로 받아 데이터 프레임을 출력하는 것이다. 이에 반해 Base R은 기본적으로 벡터에 대한 연산에 기반하고 있다. 타이디버스의 이러한 측면은 주로 장점으로 작용한다고 볼 수 있지만, 단점으로 작용하는 경우도 적지 않다. 이를 극복하기 위해 dplyr 패키지는 몇 가지 유용한 벡터 함수를 제공하고 있다. 이러한 함수는 주로 단일 테이블 조작 함수의 내부에서 작동한다.

범주	함수	설명
값 추출	`first()`	첫 번째 값
	`last()`	마지막 값
	`nth()`	n-번째 값
값 변경	`if_else()`	단일 벡터에 대해, 이진 조건식을 통해 재코드화
	`case_match()`	단일 벡터에 대해, 조건식을 통해 재코드화
	`case_when()`	다중 벡터에 대해, 조건식을 통해 재코드화
순위 부여	`row_number()`	일련번호 부여
	`min_rank()`	동일값에 동순위를 부여하고, 그 다음 값에는 동순위 갯수를 감안한 그 다음 순위를 부여
	`dense_rank()`	동일값에 동순위를 부여하고, 그 다음 값에는 동순위 갯수에 상관없이 바로 그 다음 순위를 부여
	`percent_rank()`	백분위수(percentile)을 계산해 주는데, 해당 값보다 작은 값의 개수를 전체 개수에서 1을 뺀 값으로 나눈값을 산출
	`cume_dist()`	백분위수(percentile)을 계산해 주는데, 해당 값보다 작거나 같은 값의 개수를 전체 개수로 나눈값을 산출
	`ntile()`	값의 크기에 따라 몇 개의 그룹으로 나누고, 그룹 순위를 부여
	`consecutive_id()`	동일한 값에는 동일한 일련번호를, 새로운 값이 나타날 때에는 그 다음 일련번호를 부여
값 순서 변경	`desc()`	내림차순으로 정렬
	`lag()`	뒤로 밀어 이전 값을 가져옴. 첫번째 값이 NA
	`lead()`	앞으로 당겨서 이후 값을 가져옴. 마지막 값이 NA
결측치 처리	`coalesce()`	NA에 특정한 값을 부여
	`na_if()`	특정한 값에 NA를 부여
논리형 벡터 생성	`between()`	특정한 값이 두 값 사이에 존재하는 지의 여부 검토
	`near()`	두 값이 충분히 가까운지의 여부 검토

3.1 값 추출 함수

first() 함수는 해당 벡터의 첫 번째 셀 값을 반환한다. last() 함수는 해당 벡터의 마지막 셀 값을 반환한다. nth() 함수는 해당 벡터의 n-번째 셀 값을 반환한다. 주로 summarize() 함수와 함께 사용된다. 아래의 사례는 대륙별로 1인당 GDP가 가장 큰 국가와 가장 작은 국가를 추출한 것이다.

gapminder |> 
  filter(year == 2007) |> 
  group_by(continent) |> 
  arrange(desc(gdpPercap)) |> 
  summarize(
    country_first = first(country),
    country_last = last(country)
  ) |> 
  ungroup()

# A tibble: 5 × 3
  continent country_first country_last    
  <fct>     <fct>         <fct>           
1 Africa    Gabon         Congo, Dem. Rep.
2 Americas  United States Haiti           
3 Asia      Kuwait        Myanmar         
4 Europe    Norway        Albania         
5 Oceania   Australia     New Zealand

유사한 기능을 하는 데이터 프레임 함수로 slice_head(), slice_tail(), slice() 함수가 있다. 궁극적인 차이점은 이 함수들은 특정한 행(들)으로 구성된 데이터 프레임을 반환한다는 것이다.

3.2 값 변경 함수

if_else() 함수는 값 변경 함수 중 가장 빈번하게 사용되는 것으로, 주로 단일 벡터에 대해, 이진 조건식을 통해 해당 변수의 값을 변경하는 것이다.

gapminder |> 
  filter(year == 2007) |> 
  mutate(
    gdp_status = if_else(gdpPercap >= 20000, "high", "low")
  ) |> 
  count(gdp_status)

# A tibble: 2 × 2
  gdp_status     n
  <chr>      <int>
1 high          33
2 low          109

위의 사례는 수치형 변수를 범주형 변수로 바꾸는 것으로 보통 재코드화(recode)라고 불리는 연산이다. 두 개 이상의 범주로 분할하는 경우에도 if_else() 함수를 사용할 수 있지만, 이 경우는 case_when() 함수가 더 유용하다.

gapminder |> 
  filter(year == 2007) |> 
  mutate(
    gdp_status = case_when(
      gdpPercap < 3000 ~ "Low", 
      gdpPercap >= 3000 & gdpPercap < 20000 ~ "Medium",
      gdpPercap >= 20000 ~ "High"
    )
  ) |> 
  count(gdp_status)

# A tibble: 3 × 2
  gdp_status     n
  <chr>      <int>
1 High          33
2 Low           49
3 Medium        60

case_when() 함수는 조건식에 두 개 이상의 변수를 포함할 수 있다.

gapminder |> 
  filter(year == 2007) |> 
  mutate(
    overall_status = case_when(
      gdpPercap < 3000 & lifeExp < 50 ~ "Really Bad",
      gdpPercap >= 20000 & lifeExp > 80  ~ "Really Good",
      .default = "Medium"
    )
  ) |> 
  count(overall_status)

# A tibble: 3 × 2
  overall_status     n
  <chr>          <int>
1 Medium           113
2 Really Bad        16
3 Really Good       13

case_match() 함수는 범주의 개수를 줄이는데 유용하게 사용될 수 있다. .default 인수를 통해 부여된 조건식에 해당하지 않는 나머지 모든 케이스에 대해 어떤 값을 부여할지를 결정할 수 있다. 이와 동일한 것을 case_when() 함수로도 가능하기 때문에 모든 경우에 대해 case_when() 함수를 활용하면 된다.

gapminder |> 
  filter(year == 2007) |> 
  mutate(
    gdp_status = case_when(
      gdpPercap < 3000 ~ "Low", 
      gdpPercap >= 3000 & gdpPercap < 20000 ~ "Medium",
      gdpPercap >= 20000 ~ "High"
    )
  ) |> 
  mutate(
    gdp_status = case_match(
      gdp_status, 
      c("Low", "Medium") ~ 1,
      "High" ~ 2
    )
  ) |> 
  count(gdp_status)

# A tibble: 2 × 2
  gdp_status     n
       <dbl> <int>
1          1   109
2          2    33

3.3 순위 부여 함수

특정 벡터의 값을 기준으로 순위를 부여하고, 그 순위값으로 구성된 새로운 벡터를 생성하는 함수에 기본적으로 다음의 세 가지 방식이 있다.

row_number() 함수는 동일값이라 하더라도 값의 등장 순서에 따라 서로 다른 순위를 부여한다. 예를 들어, 다섯개의 숫자가 있고 두 번째 순위 값이 두 개라고 했을 때, 1~5의 모든 순위가 존재한다.
min_rank() 함수는 동일값에 동순위를 부여하고, 그 다음 값에는 동순위 갯수를 감안한 그 다음 순위를 부여한다. 예를 들어, 다섯개의 숫자가 있고 두 번째 순위 값이 두 개라고 했을 때, 3은 없다.
dense_rank() 함수는 동일값에 동순위를 부여하고, 그 다음 값에는 동순위 갯수에 상관없이 바로 그 다음 순위를 부여한다 예를 들어, 다섯개의 숫자가 있고 두 번째 순위 값이 두 개라고 했을 때, 5는 없다.

tbl_rank <- tibble(x = c(10, 20, 20, 30, 40))
tbl_rank |> 
  mutate(
    row_number = row_number(x),
    min_rank = min_rank(x),
    dense_rank = dense_rank(x)
  )

# A tibble: 5 × 4
      x row_number min_rank dense_rank
  <dbl>      <int>    <int>      <int>
1    10          1        1          1
2    20          2        2          2
3    20          3        2          2
4    30          4        4          3
5    40          5        5          4

이 외에 두 개의 부가적인 함수가 존재하는데, 백분위수(percentile)를 계산한다는 의미에서는 동일하지만 계산 방식이 조금 다르다.

percent_rank() 함수: 백분위수을 계산해 주는데, 해당 값보다 작은 값의 개수를 전체 개수에서 1을 뺀 값으로 나눈값을 산출한다.
cume_dist() 함수: 백분위수를 계산해 주는데, 해당 값보다 작거나 같은 값의 개수를 전체 개수로 나눈값을 산출한다.

tbl_rank <- tibble(x = c(10, 20, 20, 30, 40))
tbl_rank |> 
  mutate(
    percent_rank = percent_rank(x),
    cume_dist = cume_dist(x)
  )

# A tibble: 5 × 3
      x percent_rank cume_dist
  <dbl>        <dbl>     <dbl>
1    10         0          0.2
2    20         0.25       0.6
3    20         0.25       0.6
4    30         0.75       0.8
5    40         1          1

3.4 값 순서 변경 함수

값 순서 변경 함수 중 가장 빈번하게 사용되는 것이 desc() 함수이다. 데이터 프레임 함수인 arrange()가 기본적으로 오름차순으로 정렬하는데, desc() 함수를 쓰면 내림차순으로 정렬할 수 있다.

tbl_rank <- tibble(x = c(10, 20, 20, 30, 40))
tbl_rank |> 
  arrange(desc(x))

# A tibble: 5 × 1
      x
  <dbl>
1    40
2    30
3    20
4    20
5    10

lag()과 lead() 함수는 주어진 벡터를 행방향으로 한칸 이동한 새로운 벡터를 생성하는데 사용된다. lag() 함수는 뒤로 한칸 밀어 이전 값을 가져와서 새로운 벡터를 생성하는데, 새로 만들어진 벡터의 첫 번째 셀 값은 NA가 된다. 이에 반해 lead() 함수는 앞으로 한칸 당겨 이후 값을 가져와서 새로운 벡터를 생성하는데, 새로 만들어진 벡터의 마지막 셀 값은 NA가 된다.

tbl_rank <- tibble(x = c(10, 20, 20, 30, 40))
tbl_rank |>
  mutate(
    x_lag = lag(x), 
    x_lead = lead(x) 
  )

# A tibble: 5 × 3
      x x_lag x_lead
  <dbl> <dbl>  <dbl>
1    10    NA     20
2    20    10     20
3    20    20     30
4    30    20     40
5    40    30     NA

default 인자를 활용하면 NA의 생성을 막을 수 있다.

tbl_rank <- tibble(x = c(10, 20, 20, 30, 40))
tbl_rank |>
  mutate(
    x_lag = lag(x, default = first(x)), 
    x_lead = lead(x, default = last(x)) 
  )

# A tibble: 5 × 3
      x x_lag x_lead
  <dbl> <dbl>  <dbl>
1    10    10     20
2    20    10     20
3    20    20     30
4    30    20     40
5    40    30     40

3.5 결측치 처리 함수

결측치 처리 함수는 벡터의 NA값과 관련된 함수이다. coalesce() 함수는 NA에 특정한 값을 부여하는데 반해, na_if() 함수는 특정한 값에 NA를 부여하는 함수이다.

tbl_na <- tibble(x = c(1, 2, NA, 4, NA, 7))
tbl_na |> 
  mutate(
    x_coalesce = coalesce(x, 0), 
    x_na_if = na_if(x, 7)
  )

# A tibble: 6 × 3
      x x_coalesce x_na_if
  <dbl>      <dbl>   <dbl>
1     1          1       1
2     2          2       2
3    NA          0      NA
4     4          4       4
5    NA          0      NA
6     7          7      NA

3.6 논리형 벡터 생성 함수

논리형 벡터 생성 함수는 조건의 부합 여부에 따라 TRUE와 FALSU로 구성된 새로운 벡터를 생성하는 함수를 의미한다. Base R에는 다음과 같은 논리형 벡터 생성 함수가 빈번하게 사용된다.

is.na(): 결측치 여부
is.numeric(): 수치형 여부
is.integer(): 정수형 여부
is.character(): 문자형 여부
is.logical(): 논리형 여부
is.factor(): 팩터 여부

여기에 덧붙여 dplyr은 흥미로운 논리형 벡터 생성 함수를 제공한다.

between(): 특정한 값이 주어진 두 값 사이에 위치하는 지의 여부 검토
near(): 특정한 값이 기준이 되는 값과 충분이 유사한지의 여부 검토

gapminder |> 
  filter(
    year == 2007, 
    between(gdpPercap, 20000, 30000)
  )

# A tibble: 13 × 6
   country        continent  year lifeExp      pop gdpPercap
   <fct>          <fct>     <int>   <dbl>    <int>     <dbl>
 1 Bahrain        Asia       2007    75.6   708573    29796.
 2 Czech Republic Europe     2007    76.5 10228744    22833.
 3 Greece         Europe     2007    79.5 10706290    27538.
 4 Israel         Asia       2007    80.7  6426679    25523.
 5 Italy          Europe     2007    80.5 58147733    28570.
 6 Korea, Rep.    Asia       2007    78.6 49044790    23348.
 7 New Zealand    Oceania    2007    80.2  4115771    25185.
 8 Oman           Asia       2007    75.6  3204897    22316.
 9 Portugal       Europe     2007    78.1 10642836    20510.
10 Saudi Arabia   Asia       2007    72.8 27601038    21655.
11 Slovenia       Europe     2007    77.9  2009245    25768.
12 Spain          Europe     2007    80.9 40448191    28821.
13 Taiwan         Asia       2007    78.4 23174294    28718.

near() 함수는 많이 사용되지는 않지만, 부등소수점 수(floating point number)의 정확도로 인해 발생하는 상동성 평가의 문제점을 극복하기 위한 함수이다. 아래의 예시를 보자. 두 값은 명백히 1과 2이다.

x <- c(1 / 49 * 49, sqrt(2) ^ 2)
x

[1] 1 2

그러나 다음의 상동성 평가 문제가 발생한다.

x == c(1, 2)

[1] FALSE FALSE

이것은 부등소수점 수의 정확도로 발생하는 문제이다.

print(x, digits = 16)

[1] 0.9999999999999999 2.0000000000000004

near() 함수는 이러한 미세한 차이를 무시할 수 있게 해주어 상동성 평가 문제를 해결한다.

near(x, c(1, 2))

[1] TRUE TRUE

개요

1 단일 테이블 조작

1.1 행 함수

1.1.1 filter() 함수

1.1.2 slice() 함수

1.1.3 arrange() 함수

1.1.4 distinct() 함수

1.2 열 함수

1.2.1 select() 함수

1.2.2 mutate() 함수

1.2.3 rename() 함수

1.2.4 relocate() 함수

1.2.5 pull() 함수