Cách subset dữ liệu trong R: Chọn, lọc và trích xuất dữ liệu

Chọn hàng từ một cột cụ thể

Một hành vi cần lưu ý là việc đơn giản hóa xảy ra khi bạn chọn một cột duy nhất. Chọn ba hàng đầu tiên chỉ của cột payment sẽ đơn giản hóa kết quả thành một vector.

debt[1:3, 2]

100 200 150

Số 2 ở đây ám chỉ cột thứ hai của debt, tức payment. Vì ta chọn một cột duy nhất, R loại bỏ cấu trúc data frame và trả về một vector số đơn thuần.

Định dạng dataframe

Để giữ nguyên dưới dạng dataframe, chỉ cần thêm drop = FALSE như dưới đây: 

debt[1:3, 2, drop = FALSE]

    payment
1       100
2       200
3       150

Chọn một cột cụ thể

Bạn cũng có thể chọn một cột bằng toán tử $ với cú pháp dataframe$column. Ví dụ sau trích xuất cột payment từ debt. R trả kết quả dưới dạng vector thay vì data frame.

debt$payment

100 200 150 50 75 100

Sử dụng hàm subset()

Khi cần tạo các subset phức tạp hơn hoặc subset dựa trên điều kiện, bước tiếp theo là dùng hàm subset(). Ví dụ, nếu bạn muốn xem các khoản nợ của người tên Dan. Bạn có thể dùng dấu ngoặc để chọn các khoản nợ của họ và cộng lại, nhưng đó không phải là cách làm vững chắc, đặc biệt khi tập dữ liệu có thể thay đổi.

# Cách này hoạt động, nhưng không cung cấp nhiều thông tin
debt[1:3, ]

subset() trên biến phân loại

Một cách tốt hơn là dùng hàm subset() để chọn các hàng mà cột name bằng Dan. Lưu ý cần dùng dấu bằng kép (==), gọi là toán tử quan hệ.

# Hoạt động, nhưng không nhiều thông tin và không vững chắc
debt[1:3, ]

# Cung cấp thông tin rõ ràng hơn nhiều!
subset(debt, name == "Dan")

      name     payment
1      Dan         100
2      Dan         200
3      Dan         150

Kết quả chỉ chứa ba hàng nơi name bằng "Dan". Lưu ý rằng số thứ tự hàng gốc (1, 2, 3) được giữ nguyên, giúp bạn lần ngược kết quả về data frame nguồn.

subset() trên biến số

Ta cũng có thể subset theo các cột số. Nếu muốn xem các hàng có khoản thanh toán bằng $100, bạn làm như sau:

subset(debt, payment == 100)

      name  payment
1      Dan      100
6      Rob      100

Hai hàng khớp điều kiện: hàng 1 (Dan) và hàng 6 (Rob) đều có khoản thanh toán đúng bằng $100. Điều này cho thấy subset() quét mọi hàng bất kể tên là gì, trả về tất cả bản ghi phù hợp.

Truy cập và subset các dataframe

Nếu bạn chỉ cần các dòng tiền từ công ty A thì sao? Ở đây, hàm subset() lọc các hàng từ một data frame khác, cash:

subset(cash, company == "A")

      company  cash_flow  year
1           A       1000     1
2           A       4000     3
3           A        550     4

Hãy nhớ:

• Đối số đầu tiên bạn truyền vào subset() là tên dataframe của bạn, cash.

• Lưu ý rằng bạn không nên đặt company trong dấu ngoặc kép!

• == là toán tử bằng. Nó kiểm tra nơi hai giá trị bằng nhau và trả về một vector logic.

Ví dụ tương tác về phương thức subset()

Trong ví dụ sau, chúng ta dùng subset() để chọn các hàng của cash tương ứng với công ty B, rồi lọc các dòng tiền đáo hạn trong 1 năm.

# Các hàng về công ty B
subset(cash, company == "B")

# Các hàng có dòng tiền đáo hạn trong 1 năm
subset(cash, year == 1)

Khi chạy đoạn mã trên, bạn sẽ nhận được kết quả sau:

  company cash_flow year
4       B      1500    1
5       B      1100    2
6       B       750    4
7       B      6000    5

  company cash_flow year
1       A      1000    1
4       B      1500    1

Tự mình thử trong khóa Introduction to R for Finance của chúng tôi.

Nội dung này được trích từ khóa học Introduction to R for Finance của DataCamp do Lore Dirick biên soạn.

Subsetting với dplyr

Gói tidyverse là dplyr cung cấp một lựa chọn hiện đại để subset data frame. Hàm filter() chọn hàng và select() chọn cột, cả hai dùng cú pháp pipe để xâu chuỗi các thao tác.

library(dplyr)

# Lọc các hàng có name là "Dan"
debt %>% filter(name == "Dan")

# Chỉ chọn cột payment (giữ ở dạng data frame)
debt %>% select(payment)

# Kết hợp: lọc hàng và chọn cột trong một pipeline
debt %>%
  filter(payment >= 100) %>%
  select(name, payment)

Không giống subset(), các hàm dplyr hoạt động ổn định bên trong các hàm khác và xử lý nhóm, join, và tổng hợp trong cùng một pipeline. Nếu bạn xây dựng quy trình phân tích dữ liệu thay vì chạy các truy vấn đơn lẻ, dplyr là công cụ tiêu chuẩn.

So sánh các phương pháp subsetting

Hãy so sánh các phương pháp subsetting khác nhau trong R bằng bảng sau:

Kết luận

R cung cấp cho bạn nhiều cách để subset dữ liệu: ký pháp dấu ngoặc [] cho quyền kiểm soát đầy đủ, subset() cho lọc tương tác dễ đọc, và dplyr::filter() cho các pipeline dữ liệu. Dấu ngoặc hoạt động trên mọi đối tượng R, subset() dễ đọc khi khám phá đơn lẻ, và dplyr mở rộng tốt khi bạn xâu chuỗi nhiều thao tác.

Để tìm hiểu sâu hơn về thao tác dữ liệu trong R, tôi khuyến nghị khóa Data Manipulation with dplyr hoặc khóa Introduction to the Tidyverse trên DataCamp.