How to select all columns in dplyr

Problem

We want to select all variables in a data frame using dplyr.

Solution

select(iris, everything())
# Using the pipe operator %>%
iris %>% select(everything())

Notes

The function select( ) subsets columns based on their names and other features. We can use the function everything( ) a selection helper to select all variables.

Results

Source: local data frame [150 x 5]

   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1           5.1         3.5          1.4         0.2  setosa
2           4.9         3.0          1.4         0.2  setosa
3           4.7         3.2          1.3         0.2  setosa
4           4.6         3.1          1.5         0.2  setosa
5           5.0         3.6          1.4         0.2  setosa
6           5.4         3.9          1.7         0.4  setosa
7           4.6         3.4          1.4         0.3  setosa
8           5.0         3.4          1.5         0.2  setosa
9           4.4         2.9          1.4         0.2  setosa
10          4.9         3.1          1.5         0.1  setosa
..          ...         ...          ...         ...     ...

References

• dplyr manual
• stackoverflow

How to make barplot bars with the same bar width in R

Problem

We have three barplots with a different number of bars in each of them, and we want them to have the same bar width.

par(mfrow=c(1,3));
par(mar=c(9,6,4,2)+0.1);
barcenter1<- barplot(c(1,2,3,4,5));
mtext("Average Emergent", side=2, line=4);
par(mar=c(9,2,4,2)+0.1);
barcenter2<- barplot(c(1,2,3));
par(mar=c(9,2,4,2)+0.1);
barcenter3<- barplot(c(1,2,3,4,5,6,7));

Solution

• First try

Using the arguments xlim = c(0, 1), width = 0.1 the problem is partially corrected. However, you can notice that the bar width is not exactly the same.

width - optional vector of bar widths. Re-cycled to length the number of bars drawn. Specifying a single value will have no visible effect unless xlim is specified.

par(mfrow = c(1, 3))
par(mar = c(9, 6, 4, 2) + 0.1)
barcenter1 <- barplot(c(1, 2, 3, 4, 5), xlim = c(0, 1), width = 0.1)
mtext("Average Emergent", side = 2, line = 4)
par(mar = c(9, 2, 4, 2) + 0.1)
barcenter2 <- barplot(c(1, 2, 3), xlim = c(0, 1), width = 0.1)
par(mar = c(9, 2, 4, 2) + 0.1)
barcenter1 <- barplot(c(1, 2, 3, 4, 5, 6, 7), xlim = c(0, 1), width = 0.1)


• Second try/li>

  We add zeros as placeholders.

  par(mfrow = c(1, 1)) # Reiniciamos los parámetros gráficos
  df <- data.frame(barcenter1 = c(1, 2, 3, 4, 5, 0, 0), 
                   barcenter2 = c(1, 2, 3, 0, 0, 0, 0), 
                   barcenter3 = c(1, 2, 3, 4, 5, 6, 7))
  barplot(as.matrix(df), beside = TRUE)
  

  
  With ggplot2:

  df <- data.frame(x = c(1, 2, 3, 4, 5, 1, 2, 3, 1, 2, 3, 4, 5, 6, 7), 
                   y = c(rep("bar1", 5), rep("bar2", 3), rep("bar3", 7)))                                                                                         
  library(ggplot2)
  ggplot(data = df, aes(x = x, y = x)) + 
    geom_bar(stat = "identity") + 
    facet_grid(~y) 
  

  

Alternative

If instead of three separate barplots we'd like to plot them with an empty space between them, we plot a single barplot with two NAs as delimiters. Si en lugar de tres gráficos propiamente dichos queremos mostrarlos sin que haya separación por las barras en blanco entre ellas, creamos un gráfico único con espacio con dos separaciones por NAs.

x <- c(1, 2, 3, 4, 5, NA, 1, 2, 3, NA, 1, 2, 3, 4, 5, 6, 7)
barplot(x)

References

• Stackoverflow
• Set or Query Graphical Parameters

Crear una nueva columna incremental basándonos en otra en R

Problema

Partimos del siguiente data frame:

  Name Grade
1 John     C
2 John    C+
3 John     C
4 John     B
5 John     A
6 John    A+
7  Kat     B
8  Kat     C
9  Kat     B

Queremos añadir una nueva columna, months, que comience con 3 y continúe con sus múltiplos.

Datos originales

df <- structure(list(Name = c("John", "John", "John", "John", "John", 
"John", "Kat", "Kat", "Kat"), Grade = c("C", "C+", "C", "B", 
"A", "A+", "B", "C", "B")), .Names = c("Name", "Grade"), class = "data.frame", row.names = c(NA, 
-9L))

Solución

• Paquete base

Usando seq con ave, y 1:nrow(df) en lugar de ff$Name para evitar un vector de tipo carácter como resultado.

df$months <- ave(1:nrow(df), df$Name, FUN = seq)*3

 Name Grade months
1 John     C      3
2 John    C+      6
3 John     C      9
4 John     B     12
5 John     A     15
6 John    A+     18
7  Kat     B      3
8  Kat     C      6
9  Kat     B      9

• dplyr

library(dplyr)
df %>% group_by(Name) %>% mutate(Months=3*seq(n()))

• data.table

library(data.table)
setDT(df)[, Months := 3* seq_len(.N) , by = Name]

Referencias

• Stackoverflow

Seleccionar un porcentaje de filas un data frame en R

Problema

Queremos seleccionar un porcentajes de filas de un data frame.

Soluciones

Utilizamos el conjunto de datos ToothGrowth, que cuenta con 60 filas. Lo partiremos en dos, la primera con un 70% de las filas (42) y la segunda con un 30% (18 filas). Aunque en este ejemplo no es necesario, empleamos la función round, para que en el caso de que por ejemplo el número de filas sea 6,6 devuelva 7 filas en lugar de 6.

head y tal

head(ToothGrowth, round(nrow(ToothGrowth)*0.7))
tail(ToothGrowth, round(nrow(ToothGrowth)*0.3))

Filtrando con índices

porcentaje = round(0.7*nrow(ToothGrowth))
ToothGrowth[1:porcentaje,]
ToothGrowth[-(1:porcentaje),]

Usando dplyr

porcentaje = round(0.7*nrow(ToothGrowth))
library(dplyr)
slice(ToothGrowth, 1:porcentaje)
slice(ToothGrowth, -(1:porcentaje))

Resultado

Source: local data frame [42 x 3]

    len supp dose
1   4.2   VC  0.5
2  11.5   VC  0.5
3   7.3   VC  0.5
4   5.8   VC  0.5
5   6.4   VC  0.5
6  10.0   VC  0.5
7  11.2   VC  0.5
8  11.2   VC  0.5
9   5.2   VC  0.5
10  7.0   VC  0.5
..  ...  ...  ...

Source: local data frame [18 x 3]

    len supp dose
1  23.6   OJ    1
2  26.4   OJ    1
3  20.0   OJ    1
4  25.2   OJ    1
5  25.8   OJ    1
6  21.2   OJ    1
7  14.5   OJ    1
8  27.3   OJ    1
9  25.5   OJ    2
10 26.4   OJ    2
11 22.4   OJ    2
12 24.5   OJ    2
13 24.8   OJ    2
14 30.9   OJ    2
15 26.4   OJ    2
16 27.3   OJ    2
17 29.4   OJ    2
18 23.0   OJ    2

Entradas relacionadas

• Muestra aleatoria de filas por grupos en R
• Muestra aleatoria de filas de un data frame en R
• ¿Cómo seleccionar todas las columnas de un data frame con dplyr?
• Seleccionar sólo las columnas que contengan NA en R

Referencias

• ToothGrowth
• dplyr manual
• stackoverflow

¿Cómo seleccionar todas las columnas de un data frame con dplyr?

Problema

Queremos seleccionar todas las columnas de un data frame con el paquete dplyr.

Respondemos a una duda planteada en stackoverflow. Otra cuestión sería por qué razón querríamos hacer algo así en lugar simplemente utilizar todo el data frame tecleando su nombre.

Soluciones

select(iris, everything())
# Usando el operador %>%
iris %>% select(everything())

rename(iris)

Notas

select( ) selecciona solamente aquellas variables que indiquemos; rename( ) selecciona todas las variables. Si empleamos select, introducimos everything( ) que es una de las funciones especiales que solamente funcionan dentro de select.

Resultado

Source: local data frame [150 x 5]

   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1           5.1         3.5          1.4         0.2  setosa
2           4.9         3.0          1.4         0.2  setosa
3           4.7         3.2          1.3         0.2  setosa
4           4.6         3.1          1.5         0.2  setosa
5           5.0         3.6          1.4         0.2  setosa
6           5.4         3.9          1.7         0.4  setosa
7           4.6         3.4          1.4         0.3  setosa
8           5.0         3.4          1.5         0.2  setosa
9           4.4         2.9          1.4         0.2  setosa
10          4.9         3.1          1.5         0.1  setosa
..          ...         ...          ...         ...     ...

Referencias

• dplyr manual
• stackoverflow

Seleccionar sólo las columnas que contengan NA en R

Problema

De un data frame deseamos seleccionar aquellas columnas que contengan algún valor NA.

i3 <- c(1, 1, 1, 1, 2, 2)
i2 <- c(NA, 1, 1, 1, 2, 2)
i1 <- c(1, NA, 2, 4, 5, 3)
newdat1 <- data.frame(i3, i2, i1)
newdat1

  i3 i2 i1
1  1 NA  1
2  1  1 NA
3  1  1  2
4  1  1  4
5  2  2  5
6  2  2  3

Soluciones

De mayor a menor eficiencia.

sapply

newdat1[, sapply(newdat1, anyNA), drop = FALSE]

  i2 i1
1 NA  1
2  1 NA
3  1  2
4  1  4
5  2  5
6  2  3

colSums

newdat1[,is.na(colSums(newdat1))]

complete.cases

Mi alternativa propuesta. Transponemos el data frame y con complete.cases obtenemos un índice lógico (TRUE, FALSE, FALSE) con las columnas tienen algún NA. Como son aquellas que deseamos con incluir, con el operador ! invertimos el vector lógico anterior (FALSE, TRUE, TRUE) quedándonos con la segunda y tercera columnas.

newdat1[!complete.cases(t(newdat1))]

apply

apply(newdat1, 2, function(x) sum(is.na(x)) == 0 )

Referencias

• stackoverflow incluyendo comparativa de las diferentes soluciones

Calcular el porcentaje del total de la columna en R

Problema

Queremos calcular el porcentaje del total de la columna de un data frame en R. En nuestro ejemplo una columna con: 7/397, 23/397 y así sucesivamente.

    x freq
1 Jan    7
2 Feb   23
3 Mar   86
4 Apr  281

Código para crear el data frame anterior:

df <- read.table(text = "x    freq
                        Jan   7
                        Feb   23
                        Mar   86
                        Apr   281", 
                        header =TRUE)

Solución

Empleamos la función prop.table para crear esa columna.

df$prob <- prop.table(df$freq)
# En porcentajes con dos decimales:
df$prob <- round(prop.table(df$freq), 4)*100

    x freq       prob
1 Jan    7 0.01763224
2 Feb   23 0.05793451
3 Mar   86 0.21662469
4 Apr  281 0.70780856

Si deseamos el porcentaje de un mes específico:

prop.table(df$freq)[df$x == "Feb"] 

 [1] 0.05793451

Alternativas

• Paquete base

df$prob <- df$freq/sum(df$freq)

• dplyr

library(dplyr)
df %>% mutate(prob = prop.table(freq))
# O también
df %>% mutate(prob = freq / sum(freq))

Un mes específico:

df %>% filter(x == "Feb")

    x freq       prob
1 Feb   23 0.05793451

Referencias

• Tablas de proporciones en R
• Tablas de contingencia en R
• Transformar tabla de contingencia en tabla de de frecuencias
• Stack overflow