Datenstrukturen

Last updated on 2024-09-17 | Edit this page

Overview

Questions

Welche “Datenarten” gibt es?
Wie organisiere ich tabellarische Daten?
Was ist “tidy”?

Objectives

Standarddatentypen in R
data.frame und tibble
“tidy” Konzept

Für die Verarbeitung von tabellarischen Daten werden in R i.d.R. data.frames verwendet. Das tidyverse package liefert eine erweiterte Version des data.frames, das tibble, welches etwas transparenter in seiner Verwendung ist. In einem tibble (oder data.frame) entspricht jede Zeile einem Datensatz (oder einer Beobachtung) und jede Spalte einer Variable (oder einem Merkmal) dieses Datensatzes. Damit haben alle Daten in der gleichen Spalte den gleichen Datentyp, z.B. “Zahl” (numeric), “Kommazahl” (double), “Ganzzahl” (integer), “Text” (character), “Datum” (date), etc. Im Folgenden wird der Beispieldatensatz storms aus dem dplyr package gezeigt.

R

dplyr::storms

OUTPUT

# A tibble: 19,537 × 13
   name   year month   day  hour   lat  long status      category  wind pressure
   <chr> <dbl> <dbl> <int> <dbl> <dbl> <dbl> <fct>          <dbl> <int>    <int>
 1 Amy    1975     6    27     0  27.5 -79   tropical d…       NA    25     1013
 2 Amy    1975     6    27     6  28.5 -79   tropical d…       NA    25     1013
 3 Amy    1975     6    27    12  29.5 -79   tropical d…       NA    25     1013
 4 Amy    1975     6    27    18  30.5 -79   tropical d…       NA    25     1013
 5 Amy    1975     6    28     0  31.5 -78.8 tropical d…       NA    25     1012
 6 Amy    1975     6    28     6  32.4 -78.7 tropical d…       NA    25     1012
 7 Amy    1975     6    28    12  33.3 -78   tropical d…       NA    25     1011
 8 Amy    1975     6    28    18  34   -77   tropical d…       NA    30     1006
 9 Amy    1975     6    29     0  34.4 -75.8 tropical s…       NA    35     1004
10 Amy    1975     6    29     6  34   -74.8 tropical s…       NA    40     1002
# ℹ 19,527 more rows
# ℹ 2 more variables: tropicalstorm_force_diameter <int>,
#   hurricane_force_diameter <int>

Bei der Verwendung von tibbles sind unter den Spaltennamen die Datentypen der Spalten abgekürzt dargestellt.

data.frames oder tibbles können auch aus anderen Datenstrukturen erstellt werden, z.B. aus vectors, lists oder matrices. Kleinere Datensätze können auch direkt als tibble erstellt werden, indem die Daten in die Funktion tibble() eingegeben werden.

R

marriages <- 
  tibble(
    name = c("Alice", "Bob", "Charlie","Diana"),
    age = c(25, 30, 35, 12),
    married = c(TRUE, FALSE, TRUE, FALSE)
  )

Ziel der Datenverarbeitung ist es, die Daten so zu transformieren, dass sie für die Analyse und Visualisierung geeignet sind und ein Format wie oben gezeigt vorweisen. Wenn das der Fall ist, sprich

jede Zeile entspricht einem Datensatz und
jede Spalte entspricht einer Variable,

wird der Datensatz als “tidy” bezeichnet, was im Folgenden visualisiert wird.

Spaltenzugriff

Betrachten sie den Datensatz marriages von oben.

Wie können Sie nur die Spalte name aus dem Datensatz extrahieren?

Antwort

R

# base R
marriages$name                  # mit "$" ohne Anführungszeichen (Standardfall)
marriages$`name`                # mit "$" und "backtick" quotes für Variablennamen mit Sonderzeichen
marriages[["name"]]             # WICHTIG: Doppelte eckige Klammern und Name in quotes, siehe unten !
marriages[[1]]                  # mit doppelter eckiger Klammer und Spaltenindex (nicht empfohlen, sicherer via Namen)
# tidyverse dplyr package 
dplyr::pull(marriages, name)    # ohne "dplyr::" wenn dplyr geladen ist (library(dplyr))
# oder in einer pipe, was später diskutiert wird
marriages %>% dplyr::pull(name)

Achtung: - EINFACHE eckige Klammern marriages["name"] geben ein data.frame zurück (REDUZIEREN die aktuelle Datenstruktur), während - DOPPELTE eckige Klammern marriages[["name"]] den vector der Spalte name zurückgeben (also das benannte Element EXTRAHIEREN)!

Datentypen

Welche Datentypen haben die Spalten des Datensatzes?

Antwort

name: character
age: numeric also generell “Zahlen”
- entspricht i.d.R. double ist eine Unterart von numeric, die auch Kommazahlen enthält.
- integer wäre auch möglich, aber numeric ist der Standarddatentyp für Zahlen in R.
- wenn wir explizit Ganzzahlen definieren wollen, müssen diese mit einem “L” versehen werden, z.B. 25L, oder die Spalte explizit als integer definier/umgewandelt werden, z.B. as.integer(c(25, 30, 35)).
married: logical

Aufbau

Wieviele Beobachtungen und Variablen hat der Datensatz?

Antwort

Beobachtungen: 4 = Anzahl Zeilen (oder Länge der Spalten)
Variablen: 3 = Anzahl Spalten

Um zu verdeutlichen, worin der Unterschied zwischen data.frame und tibble besteht, führen sie folgende Code in einer R-Session aus:

R

# Erstellen eines data.frame
data.frame( "das sind daten" = c(1, 2, 3), "das sind auch daten" = c(4, 5, 6) )
# Erstellen eines äquivalenten tibbles
tibble::tibble( "das sind daten" = c(1, 2, 3), "das sind auch daten" = c(4, 5, 6) )

Unterschiede

Was fällt ihnen auf?

Antwort

OUTPUT

  das.sind.daten das.sind.auch.daten
1              1                   4
2              2                   5
3              3                   6

OUTPUT

# A tibble: 3 × 2
  `das sind daten` `das sind auch daten`
             <dbl>                 <dbl>
1                1                     4
2                2                     5
3                3                     6

Spaltennamen in data.frame werden automatisch bereinigt, damit sie den normalen Konventionen für Variablennamen entsprechen, z.B. Leerzeichen werden durch Punkte ersetzt.
tibble zeigt die Spaltennamen so an, wie sie eingegeben wurden, und unterstützen auch Sonderzeichen in den Spaltennamen.
- beachten Sie, dass Sonderzeichen in Spaltennamen in R nicht empfohlen werden, da sie zu Problemen führen können.
- ausserdem müssen solche Spaltennamen später in der Verwendung in backtick “`” quotes gesetzt werden, siehe oben
ausserdem (hier nicht zu sehen) zeigt tibble nur die ersten 10 Zeilen an, während data.frame alle Zeilen anzeigt.
zudem werden die Datentypen für jede Spalte in tibble angezeigt, was bei data.frame nicht der Fall ist.

Key Points

Spalten in einem tibble werden auch Variablen (des Datensatzes) genannt.
- Eine Spalte ist ein vector, d.h. es können nur Werte des gleichen Datentyps enthalten sein.
Zeilen in einem tibble werden auch Beobachtungen (des Datensatzes) genannt.
Ein Datensatz ist “tidy”,
- wenn jede Zeile einem Datensatz und jede Spalte einer Variable entspricht.
- Vereinfacht: wenn man beim Visualisieren der Daten nur jeweils eine Zeile pro Datenpunkt benötigt und keine doppelt verwendet wird.

Dieses Dokument wurde mit Unterstützung von GitHub Copilot erstellt, einem KI-gestützten Autocompletion-Tool, das auf der OpenAI GPT-3-Technologie basiert.