sample_n

対象となるデータから指定行数（この場合は100行）のデータをランダムサンプリングします。

nycflights13::flights %>% 
  dplyr::sample_n(100)                   # 100個のデータをランダムサンプリング

sample_frac

対象となるデータから指定比率（1を100%とするのでこの場合は0.1%）でデータをランダムサンプリングします。

nycflights13::flights %>% 
  dplyr::sample_frac(0.001)              # 0.1%のデータをランダムサンプリング

filter

ランダムサンプリングした100行のデータからアメリカン航空（AA）のフライトデータを抜き出すには以下のように指定します。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%               # 100個のデータをランダムサンプリング
  dplyr::filter(carrier == "AA")         # 航空会社がAAと一致するデータのみ抽出

select

ランダムサンプリングした100行のデータからアメリカン航空（AA）のフライトデータを抜き出し、year, month, day, dep_time, carrier, origin, destのみを表示するには以下のように指定します。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%               # 100個のデータをランダムサンプリング
  dplyr::filter(carrier == "AA") %>%     # 航空会社がAAと一致するデータのみ抽出
  dplyr::select(year, month, day, dep_time, carrier, origin, dest)

rename

year, month, day, dep_time, carrier, origin, destを年月日、出発時間、航空会社、出発地、目的地に変更するには以下のように指定します。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%               # 100個のデータをランダムサンプリング
  dplyr::filter(carrier == "AA") %>%     # 航空会社がAAと一致するデータのみ抽出
  dplyr::select(year, month, day, dep_time, carrier, origin, dest) %>% 
  dplyr::rename('年' = year, '月' = month, '日' = day, '出発時間' = dep_time,
                '航空会社' = carrier, '出発地' = origin, '目的地' = dest)

selectによるrename

dplyr::select関数でも名前を変更すことは可能です。以下のように項目を指定する際に名前も指定することで選択と同時に名前を変更することが可能です。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%               # 100個のデータをランダムサンプリング
  dplyr::filter(carrier == "AA") %>%     # 航空会社がAAと一致するデータのみ抽出
  dplyr::select('年' = year, '月' = month, '日' = day, '出発時間' = dep_time,
                '航空会社' = carrier, '出発地' = origin, '目的地' = dest)

Select Helpers

dplyr::select/rename関数で項目（列）を選択する際には以下のような補助関数群が使えます。詳しくはヘルプなどで確認してください。

# 前方一致
starts_with(match, ignore.case = TRUE, vars = current_vars())
# 後方一致
ends_with(match, ignore.case = TRUE, vars = current_vars())
# 部分一致
contains(match, ignore.case = TRUE, vars = current_vars())
# 正規表現
matches(match, ignore.case = TRUE, vars = current_vars())
# 通し番号
num_range(prefix, range, width = NULL, vars = current_vars())
# ベクトル指定
one_of(..., vars = current_vars())
# （残り）全て
everything(vars = current_vars())

mutate

ここではarr_delay（到着遅れ時間）からdep_delay（出発遅れ時間）を引いて実遅延時間をdplyr::mutate関数を用いて計算し、dep_time, arr_tiem, carrier, origin, dest, delayのみを表示させてみます。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%                # 100個のデータをランダムサンプリング
  dplyr::mutate(delay = arr_delay - dep_delay) %>%
                                          # 実遅延時間を計算する
  dplyr::select(dep_time, arr_time, carrier, origin, dest, delay)

Scoped Variants

dplyr::mutate関数にはmutateファミリーとも言える3つの関数があります。

後述のdplyr::summarize関数にも同様に以下の3つの関数があります。

なお、dplyr::mutate_each/summarize_each関数は廃止される予定ですので使わない様にしてください。 　

summarise_if

数値項目（列）に対して平均値と標準偏差を求めてみましょう。対象が数値項目ですので、ここではdplyr::summarise_if関数を用いてみます。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%                # 100個のデータをランダムサンプリング
  dplyr::mutate(delay = arr_delay - dep_delay) %>%
                                          # 実遅延時間を計算する
  dplyr::select(-year, -month, -day) %>%  # 年月日を除く
  dplyr::summarise_if(is.numeric, funs(mean(., na.rm = TRUE),
                                       sd(., na.rm = TRUE)))

summarize_at

例えば目的地毎の平均遅延時間を計算したいとします。この場合、まず、実遅延時間を計算し、目的に毎にデータをグループ化します。最後にdplyr::summarize_at関数を用いて遅延時間の平均値を求めます。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%                # 100個のデータをランダムサンプリング
  dplyr::mutate(delay = arr_delay - dep_delay) %>%
                                          # 実遅延時間を計算する
  group_by(dest) %>%                      # 目的地毎にグループ化
  dplyr::summarise_at(vars(delay), funs(mean(., na.rm = TRUE)))

group_by

グループ化は複数の項目（列）に対して適用することも可能です。目的地と航空会社の2項目でグループ化し、各グループに対する平均遅延時間を計算してみましょう。このような計算はクロス集計ともいいます。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%                # 100個のデータをランダムサンプリング
  dplyr::mutate(delay = arr_delay - dep_delay) %>%
                                          # 実遅延時間を計算する
  group_by(dest, carrier) %>%             # 目的地と航空会社でグループ化
  dplyr::summarise_at(vars(delay), funs(mean(., na.rm = TRUE)))

spread

carrier（航空会社）をキー（列）にしてdest（目的地）毎の雑然データ形式にするには以下のように指定します。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%                # 100個のデータをランダムサンプリング
  dplyr::mutate(delay = arr_delay - dep_delay) %>%
                                          # 実遅延時間を計算する
  group_by(dest, carrier) %>%             # 目的地と航空会社でグループ化
  dplyr::summarise_at(vars(delay), funs(round(mean(., na.rm = TRUE), 0))) %>% 
                                          # 平均遅延時間を計算
  tidyr::spread(key = carrier, value = delay)

left_join

データセットの項で説明したように航空会社名はairlineデータセットに空港名はairportデータセットにありますので、これらのデータセットを結合して名前を取り込みます。

nycflights13::flights %>% 
  dplyr::sample_n(100) %>%                # 100個のデータをランダムサンプリング
  dplyr::mutate(delay = arr_delay - dep_delay) %>%
                                          # 実遅延時間を計算する
  dplyr::select(dep_time, arr_time, carrier, origin, dest, delay) %>% 
                                          # 対象項目を減らす
  dplyr::left_join(nycflights13::airlines) %>% 
                                          # 航空会社データと結合
  dplyr::left_join(nycflights13::airports, by = c("dest" = "faa")) %>%
                                          # 空港データと結合
  dplyr::select(carrier_name = name.x, dest_name = name.y, delay) %>% 
                                          # 項目名を変更・選択
  dplyr::group_by(dest_name, carrier_name) %>% 
                                          # 目的地名と航空会社名でグループ化
  dplyr::summarise_at(vars(delay), funs(round(mean(., na.rm = TRUE), 1))) %>% 
                                          # 平均遅延時間を計算
  tidyr::spread(key = carrier_name, value = delay)

## Joining, by = "carrier"

CC BY-NC-SA 4.0 , Sampo Suzuki [2019-05-10(JST)]