R'de Veri Yeniden Şekillendirme Eğitimi

R'de Veri Yeniden Şekillendirme, veriyi gereksinimlerinize göre kullanmak için satır ve sütunları kendi istediğiniz biçimde düzenlemeye benzer; çoğunlukla veriler, R'de veri çerçevesi (data frame) formatında alınır ve 'rbind()', 'cbind()' gibi işlevlerle işlenir.

Bu süreçte veriyi satır ve sütunlar hâlinde yeniden şekillendirir veya yeniden düzenlersiniz. Yeniden şekillendirme, veriyi daha ileri işlem için ihtiyaç duyduğunuz belirli bir düzende organize etmektir.

Verinizi Oluşturma

Rastgele sayı üreteci oluşturalım ve veri çerçevesinde birleştirmek üzere sütunlar hazırlayalım. Ayrıca, daha sonra kullanmak için id ekleyelim. 'set.seed(123)', rastgele sayıların üretiminde kullanılır ve bunu kullanan herkesin makinesinde aynı örneğin yeniden üretilmesini sağlar. Üç değişken, colm1, colm2, colm3 oluşturulur. 'sample()' yardımıyla 1 ile 15 arasından değerler üretilir ve aynı değer tekrarlanabilir. Ayrıca, tablo biçiminde veriyi depolamak için bir veri çerçevesi kullanılır ve benzersiz bir sayı olan id de eklenir.

set.seed(123)
N <- 15
colm1  <- sample(1:15, N, replace=TRUE)
colm2  <- sample(1:15, N, replace=TRUE)
colm3  <- sample(1:15, N, replace=TRUE)
df_Temp <- data.frame(colm1, colm2,colm3)
df_Temp$id<-seq(nrow(df_Temp))
df_Temp

Yukarıdaki kod, 'colm1', 'colm2', 'colm3' adlı üç sütunun ve 1'den 15'e kadar id'lerin bulunduğu aşağıdaki çıktıyı verir. İlgili sütunlardaki değerler 1 ile 15 arasında doldurulmuştur; bazı sayılar tekrar ederken bazıları hiç görünmeyebilir.

 colm1   colm2   colm3  id
  15      11     14     1
  15      5      3      2
  3       3      4      3
  14      11     14     4
  3       9      1      5
  10      12     11     6
  2       9      7      7
  6       9      5      8
  11      13     12     9
  5       3      15     10
  4       8      10     11
  14      10     13     12
  6       7      7      13
  9       10     9      14
 10       9      9      15 

cbind işlevi

Kullanım: vektörleri, matrisleri ve veri çerçevelerini sütunlara göre birleştirmek için kullanılır.
Parametreler: cbind(v1,v2): v1,v2 vektör, matris veya veri çerçevesi olabilir

Bağlama işleminin nasıl çalıştığını bir örnekle görelim.

id, 'df_Temp[,4]' ile seçilebilir; 'df_Temp[,2]' ise df_Temp'in 'colm2' sütununu seçer ve aşağıda 'cbind()' için parametre görevi görerek 'cbindexample' değişkenine kaydedilir. Ayrıca, sütun adları 'colnames()' yardımıyla değiştirilebilir; bu işlev, değişkeni vektör girişi c ile kabul edip yeni bir değere, yani 'newid', 'new_colm2' olarak atar.

cbindexample<-cbind(df_Temp[,4],df_Temp[,2])
colnames(cbindexample)<- c('newid','new_colm2')
cbindexample

Yukarıdaki kod, id ve column2'yi 'cbind' işleviyle bağlayarak yeni bir veri çerçevesi oluşturabileceğinizi gösteren aşağıdaki çıktıyı verir. Ayrıca, sütun adı 'new_colm2' olarak değiştirilmiş, 'id' ise 'newid' olarak güncellenmiştir.

newid   new_colm2
1         11
2         5
3         3
4         11
5         9
6         12
7         9
8         9
9         13
10         3
11         8
12         10
13         7
14         10
15         9

rbind işlevi:

Kullanım: rbind, vektörleri, matrisleri veya veri çerçevelerini satırlara göre birleştirmek için kullanılır.
Parametreler: rbind(v1,v2): v1,v2 vektör, matris veya veri çerçevesi olabilir.

'new_vector' adlı yeni bir vektör oluşturalım ve 'rbind' kullanarak iki sütunlu yeni 'cbindexample' ile birleştirelim; her ikisi birleştirilip 'rbindexample' içine kaydedilir.

new_vector<- c(16,15)
rbindexample<- rbind(cbindexample,new_vector)
rbindexample

Yukarıdaki kod, aşağıdaki çıktıyı verir; yeni satırda 'newid' ve 'new_colm2' sütunlarına karşılık sırasıyla 16 ve 15 değerleri eklenmiştir.

newid    new_colm2
1        11
2        5
3        3
4        11
5        9
6        12
7        9
8        9
9        13
10       3
11       8
12       10
13       7
14       10
15       9
16       15

Melt İşlevi:

Kullanım: Melt işlevi, bir nesneyi eritilmiş hâle dönüştürmek için kullanılır; yani birden çok veri sütununu tek bir veri sütununa dönüştürür.
Parametreler: melt(data,…,na.rm=FALSE/TRUE, value.name=”value” ),
Data: Eritilecek girdi.
...: İleriye veya geriye iletilen girdi.
Na.rm: Açıkça belirtilmiş eksik değerleri örtük eksik değerlere dönüştürmek için kullanılır.
Value.name: değerleri değişkenlerde saklamak için
Aşağıdaki kodda, id değişkenini kullanarak veriyi sütun adı ve değer ile tek bir sütunda nasıl 'eriteceğinize' bakalım:

'reshape2' adlı kitaplığı 'library()' ile içe aktaralım ve 'dfTemp' içindeki colm1, colm2, colm3 sütunlarını 'id' değişkenine göre tek bir yerde 'variable' altında birleştirmek için melt kullanalım.

library(reshape2)
molted=melt(df_Temp,id.vars=c("id"))
molted

id    variable value
1    colm1    15
2    colm1     15
3    colm1     3
4    colm1     14
5    colm1     3
6    colm1     10
7    colm1     2
8    colm1     6
9    colm1     11
10    colm1     5
11    colm1     4
12    colm1     14
13    colm1     6
14    colm1     9
15    colm1     10
1    colm2     11
2    colm2     5
3    colm2     3
4    colm2     11
5    colm2     9
6    colm2     12
7    colm2     9
8    colm2     9
9    colm2     13
10    colm2     3
11    colm2     8
12    colm2     10
13    colm2     7
14    colm2     10
15    colm2     9
1    colm3     14
2    colm3     3
3    colm3     4
4    colm3     14
5    colm3     1
6    colm3     11
7    colm3     7
8    colm3     5
9    colm3     12
10    colm3     15
11    colm3     10
12    colm3     13
13    colm3     7
14    colm3     9
15    colm3     9

Yukarıdaki çıktı, colm1, colm2, colm3 verilerini id değişkenine göre erittiğinizde, bunların 'variable' adlı tek bir sütunda birleştiğini ve sütun değerlerinin 'value' içinde yer aldığını gösterir.

Dcast işlevi:

Kullanım: Eritilmiş bir veri kümeniz olduğunda, bu işlevle eritilmiş veri kümesini özgün biçimine dönüştürebilirsiniz.
Parametreler: dcast(data,id_variable~value),
data: özgün hâline dönüştürülmesi gereken eritilmiş veri.
Id_variable: Diğer sütunların verisini tek bir sütunda eritmek için kullanılan tekil veya çoklu sütun(lar).
~: Bu işaretten sonra, eritilmiş veri kümesindeki değerleri veya yeni eritilmiş sütunu kullanırız.

Aşağıdaki kodda, 'reshape2' 'library()' ile içe aktarılır; 'dcast()' ilk parametre olarak 'molt()' işlevinin uygulandığı veriyi alır ve id ile '~' işareti kullanılarak yeni eritilmiş sütunun oluşmasını sağlar.

library(reshape2)
dcast(molted,id~variable)

id    colm1    colm2    colm3
1        15        11        14
2        15        5         3
3        3        3         4
4        14        11       14
5        3        9         1
6        10        12        11
7        2         9         7
8        6        9         5
9       11        13        12
10       5        3        15
11       4        8        10
12       14        10        13
13       6        7        7
14       9        10        9
15      10        9        9

Gördüğünüz gibi, 'molt()' işlevinden sonra veri tekrar özgün veri kümesine dönüştürülmüştür. Üç sütun ve bu sütunlara ait değerler ile ayrıca ayrı bir sütunda id bulunmaktadır.

Transpose (devrik) işlevi:

Kullanım: Satırları sütuna, sütunları satıra dönüştürmek için kullanılır.
Parametreler: t(data); data, devriği alınacak veri çerçevesidir.

Transpose işlevini kullanarak satırı sütuna ve tersini değiştirelim. Bunu 't(df_Temp)' yazarak kolayca yapabilirsiniz.

trans <- t(df_Temp)
trans

Yukarıdaki kod aşağıdaki çıktıyı verir:

colm1    15    15    3    14    3    10    2    6    11    5    4    14    6    9    10
colm2    11    5    3    11    9    12    9    9    13    3    8    10    7    10    9
colm3    14    3    4    14    1    11    7    5    12    15    10    13    7    9    9
id    1    2    3    4    5    6    7    8    9    10    11    12    13    14    15

Görüldüğü gibi, 15 satır ve dört sütundan oluşan veri çerçevesi, verinin devriği alınarak 15 sütun ve 3 satıra dönüştürülmüştür.

Tebrikler

Tebrikler, bu eğitimi sonuna kadar tamamladınız!

Bu eğitimde, R'nin 'rbind()', 'cbind()' gibi farklı işlevlerini, ayrıca 'Melt()', 'Dcast()' ve son olarak transpose işlevini ele aldınız.

R hakkında daha fazla bilgi edinmek isterseniz, DataCamp'in Introduction to R kursunu alın ve R Paketleri: Yeni Başlayanlar için Eğitim yazımıza göz atın.

Kaynakça:
Melt işlevleri