Jak czyścić i przetwarzać dane?

Program R jest wyposażony w olbrzymią liczbę funkcji do przetwarzania danych. I w tym przypadku słowo olbrzymią nie jest nadużyciem, tych funkcji są dosłownie tysiące.

Niektóre dane wymagają bardzo specjalistycznego przetwarzania (np. pliki dźwiękowe, zdjęcia, obrazy video), ale w przypadku przetwarzania obowiązuje zasada 80/20 (tzw. zasada Pareta, od nazwiska Vilfreda Pareta), która w tym przypadku oznacza, że aby efektywnie wykonywać większość (nie wszystkie, ale np. 80% wszystkich możliwych) przetwarzań wystarczy znać jedynie część z wszystkich funkcji.

Hadley Wickham przygotował dwa pakiety, dplyr i tidyr które w sumie udostępniają jedynie kilka funkcji, jednak te funkcje można na tyle elastycznie łączyć, że w sumie pozwalają one na wykonanie większości typowych operacji na danych.

Funkcje w tych pakietach nazwał czasownikami a proces analizy danych przyrównał do konstrukcji zdania. Podstawowymi czasownikami są

• filter() - wybieranie wierszy,
• select() - wybieranie kolumn,
• arrange() - sortowanie wierszy,
• group_by() - określanie grup,
• summarise() - liczenie agregatów,
• gather() / spread() - przechodzenie pomiędzy postaciami wąską a szeroką w danych.

Te podstawowe czasowniki są opisane w kolejnych podrozdziałach.

Więcej funkcji pozwalających na eksploracje danych przedstawionych jest w ściągawce opracowanej przez RStudio.