-
Notifications
You must be signed in to change notification settings - Fork 5
/
05-purrr.Rmd
483 lines (366 loc) · 21.6 KB
/
05-purrr.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
---
output: html_document
editor_options:
chunk_output_type: console
---
# Работа со списками {#lists}
```{r, message=FALSE}
library(tidyverse)
```
## Что такое списки?
Мы обсуждали в разделе \@ref{list} тип данных *список*, и все особенности их синтаксиса:
```{r}
x <- list(m = "a", n = c(2, 4), o = c("blue", "green", "red"))
x
x$m
x[1]
x[[2]]
x[[2]][2]
```
Списки вне R обычно хранят в файлах типа `.json` (по-английски говорят с ударением на первый слог, а вот по-русски прижился вариант с ударением на второй слог: джейсо́н) или `.xml`.
### Превращение JSON в список и обратно
Самое важное, что нужно знать, про `.json`, это то, что там могут хранится:
* пары ключ и значение, заключенные в фигурные скобки `{"ключ":"значение"}`
* упорядочные множества значений, заключенные в квадратные скобки `["значение_1","значение_2",...]`
* некоторые другие типы данных
Чтение и запись `.json` файлов осуществляется при помощи пакета `jsonlite` (не входит в `tidyverse`). Для примера скачаем датасет 30 героев Игры престолов, который Дж. Р. Р. Мартин достал с ресурса [An API of Ice And Fire](https://anapioficeandfire.com/).
```{r}
got_chars <- jsonlite::read_json("https://raw.githubusercontent.com/agricolamz/DS_for_DH/master/data/got_chars.json")
got_chars[1]
```
Так как `jsonlite` конфликтует в одной функции с `tidyverse`, я не загружаю библиотеку полностью при помощи команды `library(jsonlite)`, а обращаюсь к функциям пакета при помощи выражения `jsonlite::...()`. Пакет `jsonlite` позволяет записывать `.json` файлы при помощи функции `write_json()`:
```{r, eval=FALSE}
jsonlite::write_json(got_chars, "got_chars.json", auto_unbox = TRUE)
# аргумент auto_unbox позволяет сохранять структуру, которую мы видим в R
```
### Превращение `.xml` в список и обратно
Самое важное, что нужно знать, про `.xml`, это то, что этот формат представляет собой набор некоторых сущностей, которые кодируются при помощи двух тегов: открывающего `<...>` и закрывающего `</...>`.
```
<blablabla>Hello, world!</blablabla>
```
Набор сущностей может быть любым, а главное, нет фиксированного набора сущностей --- пользователи могут сочинять свои стандарты, используя `.xml`. Кроме того, у сущностей, могут быть свои атрибуты, которые перечисляются в открывающем теге:
```
<ingredient amount="3" unit="стакан">Мука</ingredient>
<ingredient amount="0.25" unit="грамм">Дрожжи</ingredient>
<ingredient amount="1.5" unit="стакан">Тёплая вода</ingredient>
```
Чтение и запись `.xml` файла осущетсвляется при помощи функций `read_xml()` и `write_xml()` из пакета `xml2`:
```{r}
library("xml2")
xml_example <- read_xml('<body>
<ingredient amount="3" unit="стакан">Мука</ingredient>
<ingredient amount="0.25" unit="грамм">Дрожжи</ingredient>
<ingredient amount="1.5" unit="стакан">Тёплая вода</ingredient>
</body>')
xml_example
```
```{r, eval = FALSE}
write_xml(xml_example, "path/to/the/file.xml")
```
Чтобы избавиться от тегов и превратить прочитанное в список используется команда
```{r}
xml_example <- as_list(xml_example)
xml_example
```
Теперь полученная переменная уже является списком:
```{r}
xml_example$body[[2]]
```
Здесь также нужно отметить, некоторое важное отличие `.xml` и `.json`, которое видно в рассматриваемом примере: атрибуты, которые прописываются в открывающем теге, передаются и в список в R. Функция `attributes()` возвращает список атрибутов и их значений:
```{r}
xml_example$body[[2]] %>%
attributes()
```
Если нужен конкретный аттрибут, то нужно использовать функцию `attr()`:
```{r}
xml_example$body[[2]] %>%
attr("amount")
```
Также на данном примере видна самая большая проблема при работе с `.xml`: в нашем списке есть три узла под названием `ingredient`, так что хоть эти узлы и имеют имя, к ним все равно нужно обращаться по индексу.
### Просмотр списков в R
Просмоторщик списков встроен в RStudio. Его можно увидеть, если ткнуть в объект в R или написать команду `View(got_chars)`. Альтернативой может стать функция `jsonedit()` из пакета `listviewer`. Кроме того, что-то можно попробовать выяснить, используя функцию `str()`.
```{r}
str(got_chars[1])
str(got_chars[1], max.level = 2)
str(xml_example)
```
## Пакет `purrr`
В `tidyverse` встроен пакет `purrr`, который среди прочего позволяет работать со списками. Существует [cheat sheet по `purrr`](https://github.com/rstudio/cheatsheets/raw/master/purrr.pdf).
### Функция `map()` и `map...()`
Можно выводить значения в списке на основе имени:
```{r}
got_chars %>%
map("name")
```
Можно выводить значения в списке на основе индекса:
```{r}
got_chars %>%
map(3)
```
Достаточно полезно знать о функции `unlist()`, которая "убивает" все сложную структуру:
```{r}
got_chars %>%
map("name") %>%
unlist()
```
Для этого есть и отдельные функции, которые позволяют превратить все в вектор заданного типа:
```{r}
got_chars %>%
map_chr("name")
got_chars %>%
map_int("id")
got_chars %>%
map_lgl("alive")
```
Можно даже создать новый датафрейм:
```{r}
got_chars %>%
tibble(name = map_chr(., "name"), # точка обозначает, в какой аргумент должно все пайпиться
id = map_dbl(., "id"),
alive = map_lgl(., "alive"))
```
У этого метода есть один недостаток: если среди значений есть значени `null`, то функции `map_...()` их пропускают. В результате получаются векторы разной длины и датафрейм не получается. Чтобы избежать этой проблемы все функции `map_...()` имеют аргумент `.null`, в который можно записать значение, которое появится в пустых ячейках, например, `.null = ---
output: html_document
editor_options:
chunk_output_type: console
---
# Работа со списками {#lists}
```{r, message=FALSE}
library(tidyverse)
```
## Что такое списки?
Мы обсуждали в разделе \@ref{list} тип данных *список*, и все особенности их синтаксиса:
```{r}
x <- list(m = "a", n = c(2, 4), o = c("blue", "green", "red"))
x
x$m
x[1]
x[[2]]
x[[2]][2]
```
Списки вне R обычно хранят в файлах типа `.json` (по-английски говорят с ударением на первый слог, а вот по-русски прижился вариант с ударением на второй слог: джейсо́н) или `.xml`.
### Превращение JSON в список и обратно
Самое важное, что нужно знать, про `.json`, это то, что там могут хранится:
* пары ключ и значение, заключенные в фигурные скобки `{"ключ":"значение"}`
* упорядочные множества значений, заключенные в квадратные скобки `["значение_1","значение_2",...]`
* некоторые другие типы данных
Чтение и запись `.json` файлов осуществляется при помощи пакета `jsonlite` (не входит в `tidyverse`). Для примера скачаем датасет 30 героев Игры престолов, который Дж. Р. Р. Мартин достал с ресурса [An API of Ice And Fire](https://anapioficeandfire.com/).
```{r}
got_chars <- jsonlite::read_json("https://raw.githubusercontent.com/agricolamz/DS_for_DH/master/data/got_chars.json")
got_chars[1]
```
Так как `jsonlite` конфликтует в одной функции с `tidyverse`, я не загружаю библиотеку полностью при помощи команды `library(jsonlite)`, а обращаюсь к функциям пакета при помощи выражения `jsonlite::...()`. Пакет `jsonlite` позволяет записывать `.json` файлы при помощи функции `write_json()`:
```{r, eval=FALSE}
jsonlite::write_json(got_chars, "got_chars.json", auto_unbox = TRUE)
# аргумент auto_unbox позволяет сохранять структуру, которую мы видим в R
```
### Превращение `.xml` в список и обратно
Самое важное, что нужно знать, про `.xml`, это то, что этот формат представляет собой набор некоторых сущностей, которые кодируются при помощи двух тегов: открывающего `<...>` и закрывающего `</...>`.
```
<blablabla>Hello, world!</blablabla>
```
Набор сущностей может быть любым, а главное, нет фиксированного набора сущностей --- пользователи могут сочинять свои стандарты, используя `.xml`. Кроме того, у сущностей, могут быть свои атрибуты, которые перечисляются в открывающем теге:
```
<ingredient amount="3" unit="стакан">Мука</ingredient>
<ingredient amount="0.25" unit="грамм">Дрожжи</ingredient>
<ingredient amount="1.5" unit="стакан">Тёплая вода</ingredient>
```
Чтение и запись `.xml` файла осущетсвляется при помощи функций `read_xml()` и `write_xml()` из пакета `xml2`:
```{r}
library("xml2")
xml_example <- read_xml('<body>
<ingredient amount="3" unit="стакан">Мука</ingredient>
<ingredient amount="0.25" unit="грамм">Дрожжи</ingredient>
<ingredient amount="1.5" unit="стакан">Тёплая вода</ingredient>
</body>')
xml_example
```
```{r, eval = FALSE}
write_xml(xml_example, "path/to/the/file.xml")
```
Чтобы избавиться от тегов и превратить прочитанное в список используется команда
```{r}
xml_example <- as_list(xml_example)
xml_example
```
Теперь полученная переменная уже является списком:
```{r}
xml_example$body[[2]]
```
Здесь также нужно отметить, некоторое важное отличие `.xml` и `.json`, которое видно в рассматриваемом примере: атрибуты, которые прописываются в открывающем теге, передаются и в список в R. Функция `attributes()` возвращает список атрибутов и их значений:
```{r}
xml_example$body[[2]] %>%
attributes()
```
Если нужен конкретный аттрибут, то нужно использовать функцию `attr()`:
```{r}
xml_example$body[[2]] %>%
attr("amount")
```
Также на данном примере видна самая большая проблема при работе с `.xml`: в нашем списке есть три узла под названием `ingredient`, так что хоть эти узлы и имеют имя, к ним все равно нужно обращаться по индексу.
### Просмотр списков в R
Просмоторщик списков встроен в RStudio. Его можно увидеть, если ткнуть в объект в R или написать команду `View(got_chars)`. Альтернативой может стать функция `jsonedit()` из пакета `listviewer`. Кроме того, что-то можно попробовать выяснить, используя функцию `str()`.
```{r}
str(got_chars[1])
str(got_chars[1], max.level = 2)
str(xml_example)
```
## Пакет `purrr`
В `tidyverse` встроен пакет `purrr`, который среди прочего позволяет работать со списками. Существует [cheat sheet по `purrr`](https://github.com/rstudio/cheatsheets/raw/master/purrr.pdf).
### Функция `map()` и `map...()`
Можно выводить значения в списке на основе имени:
```{r}
got_chars %>%
map("name")
```
Можно выводить значения в списке на основе индекса:
```{r}
got_chars %>%
map(3)
```
Достаточно полезно знать о функции `unlist()`, которая "убивает" все сложную структуру:
```{r}
got_chars %>%
map("name") %>%
unlist()
```
Для этого есть и отдельные функции, которые позволяют превратить все в вектор заданного типа:
```{r}
got_chars %>%
map_chr("name")
got_chars %>%
map_int("id")
got_chars %>%
map_lgl("alive")
```
Можно даже создать новый датафрейм:
```{r}
got_chars %>%
tibble(name = map_chr(., "name"), # точка обозначает, в какой аргумент должно все пайпиться
id = map_dbl(., "id"),
alive = map_lgl(., "alive"))
```
У этого метода есть один недостаток: если среди значений есть значени `null`, то функции `map_...()` их пропускают. В результате получаются векторы разной длины и датафрейм не получается. Чтобы избежать этой проблемы все функции `map_...()` имеют аргумент `.null`, в который можно записать значение, которое появится в пустых ячейках, например, `.null = NA`.
Также существует способ создание датафреймов на основе вектора значений при помощи функции `enframe()`:
```{r}
got_chars %>%
map_chr("name") %>%
enframe()
```
```{block, type = "rmdtask"}
Скачайте [частотный словарь русского языка [Шаров, Ляшевская 2011]](https://raw.githubusercontent.com/agricolamz/DS_for_DH/master/data/freq_dict_2011.csv), разбейте столбец `lemma` на буквы при помощи функции `str_split(dict$lemma, "")`, а на основе полученного списка постройте график, на котором изображено, сколько раз встретилась какая буква:
```
```{r, echo=FALSE, cache=TRUE, message=FALSE}
dict <- read_tsv("https://raw.githubusercontent.com/agricolamz/DS_for_DH/master/data/freq_dict_2011.csv")
str_split(dict$lemma, "") %>%
unlist() %>%
enframe() %>%
mutate(value = str_to_lower(value)) %>%
filter(str_detect(value, "\\w")) %>%
count(value, sort = TRUE) %>%
ggplot(aes(fct_reorder(value, n), n, label = n))+
geom_col()+
coord_flip()+
labs(x = "", y = "", caption = "данные из [Ляшевская, Шаров 2011]")
```
Также можно использовать комбинацию функции `map()` и `attr_getter()` чтобы доставать все значения аттрибутов:
```{r}
xml_example$body %>%
map(attr_getter("amount"))
```
### Фильтрация списков
Если в списке есть логические выражения, их можно использовать как фильтры. Например, вот так мы оставим только живых героев:
```{r}
got_chars %>%
keep("alive") %>%
map_chr("name")
```
А так -- только мертвых:
```{r}
got_chars %>%
discard("alive") %>%
map_chr("name")
```
Также есть особый фильтр `head_while()` и `tail_while()`, который выделяет единицы (с начала и конца) до первого `FALSE`.
```{r}
got_chars %>%
head_while("alive") %>%
map_chr("name")
got_chars %>%
tail_while("alive") %>%
map_chr("name")
```
Если все еще не понятно, взгляните на нашу таблицу:
```{r}
got_chars %>%
tibble(name = map_chr(., "name"), # точка обозначает, в какой аргумент должно все пайпиться
alive = map_lgl(., "alive"))
```
### Операции со списками
Рассмотрим простой пример:
```{r}
my_l <- list(a = 1:3, b = c("a", "b"), c = list("z", c(8, 9)))
my_l
```
Как уже говорилось выше, функция `unlist()` линеаризует списки, превращая их в векторы:
```{r}
my_l %>%
unlist()
```
Получился поименнованный вектор, если этого недостаточно, можно уничтожить и имена при помощи функции `unname()`:
```{r}
my_l %>%
unlist() %>%
unname()
```
Функция `flatten` позволяет уничтожить **лишь один, верхний,**, уровень иерархии:
```{r}
my_l %>%
flatten()
```
Как видно из этого примера, первый элемент списка `my_l` превратился в три первых элемента списка, а вот подсписок `c = list("z", c(8, 9))` превратился в элемент `z` и вектор `c(8, 9)`.
Существуют также функции `append()` и `prepend()`, которые позволяют добавлять новый посписок после (или до) старого:
```{r}
list(c(1, 2), c("a", "b", "c")) %>%
append(list(new = c(TRUE, FALSE)))
list(c(1, 2), c("a", "b", "c")) %>%
prepend(list(new = c(TRUE, FALSE)))
```
Существует также функции `cross()` и `cross2()`, которые позволяют получить уникальные комбинации объектов из двух списков:
```{r}
list(c("a", "b"), 1:3) %>%
cross() %>%
str()
list("a", "b") %>%
cross2(1:3) %>%
str()
```
```{block, type = "rmdtask"}
[Скачайте пьесу "Ревизор"](https://raw.githubusercontent.com/dracor-org/rusdracor/master/tei/gogol-revizor.xml), размеченную в [TEI формате](https://tei-c.org/Guidelines/P5/) и постройте представленный ниже график, на котором изображено количество реплик для каждого персонажа. Превратив данные в список, лучше начинать работать с переменной `revizor\$TEI\$text\$body`:
```
```{r cache=TRUE, echo=FALSE}
library(tidyverse)
library(xml2)
revizor <- read_xml("https://raw.githubusercontent.com/dracor-org/rusdracor/master/tei/gogol-revizor.xml")
revizor <- as_list(revizor)
revizor$TEI$text$body %>%
flatten() %>%
flatten() %>%
map(attr_getter("who")) %>%
unlist() %>%
str_split(" ") %>%
unlist() %>%
enframe() %>%
count(value, sort = TRUE) %>%
ggplot(aes(fct_reorder(value, n), n))+
geom_col()+
coord_flip()+
labs(x = "", y = "", caption = "данные из RusDraCor",
title = 'Количество реплик в "Ревизоре" Н. Гоголя')
```