Welkom in het tidyverse

Waarom tidyverse?

• handig voor beginners

• consistente benadering voor alles

• krachtige mogelijkhede met een minimum aan 'effort'

• geeft vertrouwen om R verder te exploreren

Tibble

In R werken we normaal met een dataframe.

Binnen het tidyverse ecosysteem werken we met een variant: een tibble

Een tibble is eigenlijk een dataframe volgens het tidy data principe

RIASEC

## # A tibble: 6,578 × 100
##       R1    R2    R3    R4    R5    R6    R7    R8    I1    I2    I3    I4    I5
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1     1     1     1     1     1     1     1     1     2     4     2     2     1
##  2     1     1     1     1     1     1     1     1     4     2     3     2     3
##  3     5     3     1     1     1     1     2     2     4     4     4     2     4
##  4     1     2     1     2     2     3     2     2     4     5     4     4     4
##  5     1     1     5     1     1     2     1     1     4     4     4     4     4
##  6     3     1     1     2     1     2     2     3     3     4     4     2     1
##  7     1     1     1     1     1     1     1     1     3     4     3     1     1
##  8     5     1     1     4     5     1     3     3     3     2     4     4     4
##  9     1     1     1     1     1     1     1     1     3     4     2     3     2
## 10     5     4     2     4     2     3     3     3     5     5     2     5     2
## # … with 6,568 more rows, and 87 more variables: I6 <dbl>, I7 <dbl>, I8 <dbl>,
## #   A1 <dbl>, A2 <dbl>, A3 <dbl>, A4 <dbl>, A5 <dbl>, A6 <dbl>, A7 <dbl>,
## #   A8 <dbl>, S1 <dbl>, S2 <dbl>, S3 <dbl>, S4 <dbl>, S5 <dbl>, S6 <dbl>,
## #   S7 <dbl>, S8 <dbl>, E1 <dbl>, E2 <dbl>, E3 <dbl>, E4 <dbl>, E5 <dbl>,
## #   E6 <dbl>, E7 <dbl>, E8 <dbl>, C1 <dbl>, C2 <dbl>, C3 <dbl>, C4 <dbl>,
## #   C5 <dbl>, C6 <dbl>, C7 <dbl>, C8 <dbl>, introelapse <dbl>,
## #   testelapse <dbl>, surveyelapse <dbl>, TIPI1 <dbl>, TIPI2 <dbl>, …

Wat is tidy data?

Artwork by @allison_horst

Wat is tidy data?

Artwork by @allison_horst

Wat is tidy data?

Artwork by @allison_horst

dplyr ...

is HET pakket om te werken met tidy data !

WERKWOORDEN staan centraal:

• filter()
• mutate()
• select()
• group_by() + summarise()
• arrange()
• rename()
• relocate()
• join()

https://raw.githubusercontent.com/rstudio/cheatsheets/master/data-transformation.pdf

De %>% operator (een 'pipe')

mean(c(1,2,3,4))

Getallen <- c(1,2,3,4)
mean(Getallen)

c(1,2,3,4) %>% 
  mean( )

filter()

Artwork by @allison_horst

filter() toegepast

Met de RIASEC data:

We selecteren enkel observaties van mannen uit GB

RIASEC_UK_Male <- RIASEC %>%
  filter(country == "GB" & gender == 1)

== staat voor is gelijk aan (let op de 2 = tekens!)

We cleanen de data en weerhouden enkel observaties waarvoor de leeftijd lager is dan 110 en gender niet de onmogelijke code 0 heeft

RIASEC_clean <- RIASEC %>%
  filter(age < 110 $ gender != 0)

!= staat voor is niet gelijk aan

mutate()

Artwork by @allison_horst

mutate() toegepast

Met de RIASEC data:

We berekenen scores voor de 6 kerndimensies van het RIASEC model en overschrijven de RIASEC dataset (zo hebben we de kolommen toegevoegd aan de dataset)

RIASEC <- RIASEC %>%
  mutate(
    Realistic = (R1 + R2 + R3 + R4 + R5 + R6 + R7 + R8)/8,
    Investigative = (I1 + I2 + I3 + I4 + I5 + I6 + I7 + I8)/8,
    Artistic = (A1 + A2 + A3 + A4 + A5 + A6 + A7 + A8)/8,
    Social = (S1 + S2 + S3 + S4 + S5 + S6 + S7 + S8)/8,
    Enterprising = (E1 + E2 + E3 + E4 + E5 + E6 + E7 + E8)/8,
    Conventional = (C1 + C2 + C3 + C4 + C5 + C6 + C7 + C8)/8
  )

mutate() toegepast

Met de RIASEC data:

We zetten de variabele land om in een factor

RIASEC <- RIASEC %>%
  mutate(
    country_factor = as.factor(country)
  )
str(RIASEC$country_factor)

##  Factor w/ 3 levels "BE","GB","NL": 3 2 2 2 2 2 1 1 2 2 ...

select() toegepast

Aangeven welke variabelen je wenst te selecteren.

Enkele voorbeelden met de RIASEC data:

We selecteren enkel country, age, gender en dan tonen we de structuur via str()

RIASEC %>%
  select(
    country, age, gender
  ) %>%
  str()

## tibble [6,578 × 3] (S3: tbl_df/tbl/data.frame)
##  $ country: chr [1:6578] "NL" "GB" "GB" "GB" ...
##  $ age    : num [1:6578] 46 21 20 41 22 34 28 20 52 30 ...
##  $ gender : num [1:6578] 2 2 1 2 1 2 2 1 2 1 ...

select() toegepast

We selecteren enkel country, age, gender, en de nieuw berekende variabelen (Realistic tot en met Conventional) en dan tonen we de structuur via str()

RIASEC %>%
  select(
    country, age, gender, Realistic:Conventional
  ) %>%
  str()

## tibble [6,578 × 9] (S3: tbl_df/tbl/data.frame)
##  $ country      : chr [1:6578] "NL" "GB" "GB" "GB" ...
##  $ age          : num [1:6578] 46 21 20 41 22 34 28 20 52 30 ...
##  $ gender       : num [1:6578] 2 2 1 2 1 2 2 1 2 1 ...
##  $ Realistic    : num [1:6578] 1 1 2 1.88 1.62 ...
##  $ Investigative: num [1:6578] 2.25 2.5 3.5 3.88 4 ...
##  $ Artistic     : num [1:6578] 3.88 4.12 1.62 4 2.62 ...
##  $ Social       : num [1:6578] 3.62 3.38 1.5 4.25 1 ...
##  $ Enterprising : num [1:6578] 1.25 1.5 1.38 2.38 1.75 ...
##  $ Conventional : num [1:6578] 1 1 3.5 1.25 1.5 ...

Power combinatie 1: group_by() + summarize( )

• group_by() zet een tibble om naar een 'gegroepeerde tibble' waarbij alle bewerkingen op groepsniveau gebeuren

• summarize() om per groep zaken te berekenen

Per land berekenen we de gemiddelde leeftijd en de standaardafwijking

RIASEC %>%
  group_by(
    country
  ) %>%
  summarize(
    mean_age = mean(age),
    sd_age   = sd(age)
  )

## # A tibble: 3 × 3
##   country mean_age sd_age
##   <chr>      <dbl>  <dbl>
## 1 BE          28.8   10.6
## 2 GB          34.3   18.9
## 3 NL          29.2   11.9

Power combinatie 1: group_by() + summarize( )

Per combinatie van land en gender berekenen we de gemiddelde leeftijd en de standaardafwijking

RIASEC %>%
  group_by(
    country, gender
  ) %>%
  summarize(
    mean_age = mean(age),
    sd_age   = sd(age)
  )

## # A tibble: 11 × 4
## # Groups:   country [3]
##    country gender mean_age sd_age
##    <chr>    <dbl>    <dbl>  <dbl>
##  1 BE           0     24    NA   
##  2 BE           1     30.8  11.7 
##  3 BE           2     27.8   9.77
##  4 BE           3     21.7   4.73
##  5 GB           0     45    19.5 
##  6 GB           1     36.5  14.0 
##  7 GB           2     32.8  13.3 
##  8 GB           3     49.3 151.  
##  9 NL           1     31.3  12.6 
## 10 NL           2     28.0  11.2 
## 11 NL           3     19.1   3.85

Power combinatie 2: mutate() + case_when( )

Artwork by @allison_horst

Power combinatie 2: mutate() + case_when( )

RIASEC %>%
  mutate(
    age_group = case_when(
      age < 19 ~ 'minderjarig',
      age >= 18 & age < 67 ~ 'actieve bevolking',
      age >= 67 ~ 'gepensioneerd'
    )
  ) %>% 
  select(
    age, 
    age_group
    ) %>%
  head(5)

## # A tibble: 5 × 2
##     age age_group        
##   <dbl> <chr>            
## 1    46 actieve bevolking
## 2    21 actieve bevolking
## 3    20 actieve bevolking
## 4    41 actieve bevolking
## 5    22 actieve bevolking

Condities definiëren

• x == y $\to$ 'x is gelijk aan y'

• x != y $\to$ 'x is NIET gelijk aan y'

• x < y $\to$ 'x is kleiner dan y'

• x <= y $\to$ 'x is kleiner dan of gelijk aan y'

• x > y $\to$ 'x is groter dan y'

• x >= y $\to$ 'x is groter dan of gelijk aan y'

Boleaanse operatoren

Handig om weten is dat je condities kan combineren!

• & $\to$ 'en' $\to$ bv: gender == 1 & age <=18

• | $\to$ 'of' $\to$ bv: gender == 1 | gender == 2

• ! $\to$ 'niet' $\to$ bv: gender == 1 & !age <=18

Interactieve tutorial over dplyr()

Wil je wat referentiemateriaal en een plek om je skills te oefenen? Deze tutorial (gemaakt met het pakket learnr) is een echte aanrader!

https://allisonhorst.shinyapps.io/dplyr-learnr/#section-welcome