PENGUINS VERİSİ İLE DPLYR’YE GİRİŞ

R
dplyr
tidyverse
palmerpenguins
dplyr ile Veri Cambazlığı
Yazar

Mehmet Göktuğ ÖZTÜRK

Yayınlanma Tarihi

1 Haz 2026

Kaynak: Allison Horst

Merhabalar, blogun yeni yazısına hoş geldiniz. Takıldığınız ve anlamadığınız yerler olursa lütfen yorum yapmaya çekinmeyiniz. Ayrıca katkılarınızı ve eleştirilerinizi de bekliyorum. Keyifli okumalar.

Bir önceki yazıda penguins verisi ile base R’a bir giriş yapmış, birçok temel veri işini base R ile yapmayı anlatmıştım. Bu yazıda ise aynı işlemleri {tidyverse}’nin meşhur paketi {dplyr}’yi kullanarak yapacağız. Veri görselleştirme için ise ggplot2 paketini kullanacağız. Bu sefer yazı daha kısa olacak. R kullanmaya yeni başlayanların, tidyverse öğrenmeden önce dilin temel kavramlarını öğrenmelerinin önemli olduğunu düşünüyorum. Bu sebeple öncelikle bir önceki yazıya ve o yazıda önerdiğim linklere bakmanızı öneririm.

Daha önce de çok kez tekrar ettiğim gibi, tidyverse, veri bilimi için geliştirilmiş çok sayıda işlevsel paket barındıran bir paket koleksiyonu. dplyr ve daha genel olarak tidyverse, R dünyasının en çok kullandığı ve aynı zamanda üzerine en çok tartıştığı paketlerden. Bu konudaki görüşlerimi R İLE TOPOGRAFIK VERİ İNDİRME - DEM VERİSİ İNDİRME VE GÖRSELLEŞTİRME yazısında belirtmiştim. Son dönemde base R ağırlıklı bir R kullanımını tercih etsem de, gerektiğinde data.table ve tidyverse de kullanıyorum. “Kadim” base R vs. tidyverse ya da tidyverse vs. data.table savaşını alevlendirmeye de niyetim yok. :) Parsimoni ilkesi gereği basiti ve minimali seçmeyi, yaptığım analizlerin, yazdığım programların arkasında neler döndüğünü bilmeyi tercih ediyorum ancak bu, tidyverse ya da data.table’yi değersiz kılmıyor. İlginizi çekebileceğini düşündüğüm şu iki linki bırakıyor ve ardından yazıya başlıyorum; Less Is More, tinyverse.

Kaynak: Allison Horst

1. GİRİŞ

Adettendir, önce paketleri R’a yükleyelim ve ardından veri setine bakarak başlayalım.

# Eger henuz kurmadiysanız, asagidaki kodu yorumdan cikartip calistirabilirsiniz
# install.packages("dplyr")
# install.packages("ggplot2")
library(dplyr)
library(ggplot2)

library(tidyverse) ile tüm tidyverse paketlerini yükleyebilirdik fakat ayrı ayrı paketleri yüklemek hem daha minimal hem de gerçekte hangi paketi kullandığımızı daha iyi anlayabiliyoruz. Örneğin yıllarca tidyverse kullanmama rağmen drop_na() gibi bazı tidyr fonksiyonlarının dplyr ile geldiğini sanıyormuşum. Bu gibi karışıklıklardan korunmak için paketleri ihtiyaç duydukça tek tek yüklemek daha iyi bir pratik.

penguins
   species    island bill_len bill_dep flipper_len body_mass    sex year
1   Adelie Torgersen     39.1     18.7         181      3750   male 2007
2   Adelie Torgersen     39.5     17.4         186      3800 female 2007
3   Adelie Torgersen     40.3     18.0         195      3250 female 2007
4   Adelie Torgersen       NA       NA          NA        NA   <NA> 2007
5   Adelie Torgersen     36.7     19.3         193      3450 female 2007
6   Adelie Torgersen     39.3     20.6         190      3650   male 2007
7   Adelie Torgersen     38.9     17.8         181      3625 female 2007
8   Adelie Torgersen     39.2     19.6         195      4675   male 2007
9   Adelie Torgersen     34.1     18.1         193      3475   <NA> 2007
10  Adelie Torgersen     42.0     20.2         190      4250   <NA> 2007
11  Adelie Torgersen     37.8     17.1         186      3300   <NA> 2007
12  Adelie Torgersen     37.8     17.3         180      3700   <NA> 2007
13  Adelie Torgersen     41.1     17.6         182      3200 female 2007
14  Adelie Torgersen     38.6     21.2         191      3800   male 2007
15  Adelie Torgersen     34.6     21.1         198      4400   male 2007
16  Adelie Torgersen     36.6     17.8         185      3700 female 2007
17  Adelie Torgersen     38.7     19.0         195      3450 female 2007
18  Adelie Torgersen     42.5     20.7         197      4500   male 2007
19  Adelie Torgersen     34.4     18.4         184      3325 female 2007
20  Adelie Torgersen     46.0     21.5         194      4200   male 2007
21  Adelie    Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie    Biscoe     37.7     18.7         180      3600   male 2007
23  Adelie    Biscoe     35.9     19.2         189      3800 female 2007
24  Adelie    Biscoe     38.2     18.1         185      3950   male 2007
25  Adelie    Biscoe     38.8     17.2         180      3800   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Gördüğünüz gibi birçok satır ve sütundan oluşan bir veri tablosu. Öncesinde R konsolunun kaç tane değer yazdıracağını ayarlamadıysanız veriyi bu şekilde çağırmak, tüm veri tablosunu konsola yazdıracaktır. Bu durum, büyük veri tablolarında istenmeyen bir durum. Bundan kaçınmak için önceki yazıda bahsettiğim gibi head() ve tail() fonksiyonlarını kullanabilirsiniz ancak ben bu sefer veriyi, bir tür data.frame yapısı olan tibble’ye dönüştüreceğim. tidyverse ile çalışırken tibble kullanmak daha rahat hissettiriyor.

peng <- as_tibble(penguins)
peng
# A tibble: 344 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>        <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Torgersen     39.1     18.7         181      3750 male    2007
 2 Adelie  Torgersen     39.5     17.4         186      3800 female  2007
 3 Adelie  Torgersen     40.3     18           195      3250 female  2007
 4 Adelie  Torgersen     NA       NA            NA        NA <NA>    2007
 5 Adelie  Torgersen     36.7     19.3         193      3450 female  2007
 6 Adelie  Torgersen     39.3     20.6         190      3650 male    2007
 7 Adelie  Torgersen     38.9     17.8         181      3625 female  2007
 8 Adelie  Torgersen     39.2     19.6         195      4675 male    2007
 9 Adelie  Torgersen     34.1     18.1         193      3475 <NA>    2007
10 Adelie  Torgersen     42       20.2         190      4250 <NA>    2007
# ℹ 334 more rows

Gördüğünüz gibi data.frame’nin kaç değişken ve gözlemden oluştuğundan, sütunlardaki veri tiplerine kadar birçok bilgi ekrana basılıyor ve veri, daha kompakt bir hâlde görüntülenebiliyor. Ancak bir konuda da uyarmam gerekiyor. tibble veri yapısı, klasik data.frame’den farklı davranışlara sahip. Bu sebeple tidyverse fonksiyonları dışında tibble kullanırken dikkatli olmanızı, mümkünse data.frame kullanmanızı tavsiye ediyorum.

Şimdi verinin yapısına daha ayrıntılı bakmak için glimpse() fonksiyonunu kullanalım. Bu fonksiyon, base R’daki str() ile aynı işleve sahip.

glimpse(peng)
Rows: 344
Columns: 8
$ species     <fct> Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Ad…
$ island      <fct> Torgersen, Torgersen, Torgersen, Torgersen, Torgersen, Tor…
$ bill_len    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep    <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len <int> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass   <int> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex         <fct> male, female, female, NA, female, male, female, male, NA, …
$ year        <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

Gördüğünüz gibi 344 gözlem ve 8 değişkenden oluşan bir veri tablosu.

Şimdi basit olarak nasıl satır ve sütun seçeceğimize bakalım. Sütun seçmek için select() fonksiyonunu, indeksine göre satır seçmek için ise slice() fonksiyonunu kullacağız.

İlk 6 satırı seçelim.

slice(peng, 1:6)
# A tibble: 6 × 8
  species island    bill_len bill_dep flipper_len body_mass sex     year
  <fct>   <fct>        <dbl>    <dbl>       <int>     <int> <fct>  <int>
1 Adelie  Torgersen     39.1     18.7         181      3750 male    2007
2 Adelie  Torgersen     39.5     17.4         186      3800 female  2007
3 Adelie  Torgersen     40.3     18           195      3250 female  2007
4 Adelie  Torgersen     NA       NA            NA        NA <NA>    2007
5 Adelie  Torgersen     36.7     19.3         193      3450 female  2007
6 Adelie  Torgersen     39.3     20.6         190      3650 male    2007

Şimdi de ilk iki sütunu ve ilk 10 satırı seçelim.

select(slice(peng, 1:10), 1:2)
# A tibble: 10 × 2
   species island   
   <fct>   <fct>    
 1 Adelie  Torgersen
 2 Adelie  Torgersen
 3 Adelie  Torgersen
 4 Adelie  Torgersen
 5 Adelie  Torgersen
 6 Adelie  Torgersen
 7 Adelie  Torgersen
 8 Adelie  Torgersen
 9 Adelie  Torgersen
10 Adelie  Torgersen

[] kullanımından daha karmaşık görünüyor. Özellikle de iç içe fonksiyonla yazıldığı zaman. Ancak bir yol daha var. tidyverse’nin fiillere dayanan felsefesini pipe operatörüyle birleştirinca asıl gücü ortaya çıkıyor. İlk olarak tidyverse ile gelen ve ardından base R’a eklenen pipe - |> operatörü ile veri işleme fonksiyonlarını birbirine bağlayabiliriz. Bu, en fazla birkaç satırdan oluşan pipeline’ler kurulduğu sürece daha okunaklı. Debugging’i zorlaştırsa da kısa ve iyi yazılmış pipeline’ler ile veri analizi daha kolay hâle geliyor.

peng |>
    slice(1:10) |>
    select(1:2)
# A tibble: 10 × 2
   species island   
   <fct>   <fct>    
 1 Adelie  Torgersen
 2 Adelie  Torgersen
 3 Adelie  Torgersen
 4 Adelie  Torgersen
 5 Adelie  Torgersen
 6 Adelie  Torgersen
 7 Adelie  Torgersen
 8 Adelie  Torgersen
 9 Adelie  Torgersen
10 Adelie  Torgersen

Çok uzun olmayan pipe’leri tek satır hâlinde de yazabiliriz. Tek satırda 80 karakteri geçmemeyi kural hâline getirirseniz kodlarınız da daha okunaklı olacaktır.

peng |> slice(1:10) |> select(species, island)
# A tibble: 10 × 2
   species island   
   <fct>   <fct>    
 1 Adelie  Torgersen
 2 Adelie  Torgersen
 3 Adelie  Torgersen
 4 Adelie  Torgersen
 5 Adelie  Torgersen
 6 Adelie  Torgersen
 7 Adelie  Torgersen
 8 Adelie  Torgersen
 9 Adelie  Torgersen
10 Adelie  Torgersen

Gördüğünüz gibi sütun isimlerini kullanırken ne tırnak içerisinde yazdık, ne de c() ile bir vektör oluşturduk. İşte dplyr burada bir sihir yapıyor. Bir tür metaprogramming hilesi. Buna Non-Standard Evaluation (NSE) deniliyor. Ya da tidyverse’nin geliştirdiği versiyonuyla tidy evaluation. Veri analizi yaparken işleri oldukça kolaylaştıran bu sihir, programlama yaparken dikkatli olmayı gerektiriyor.

Şimdi de species değişkeni için kaç adet eşsiz (unique) değer olduğuna bakalım. Diğer kategorik değişkenler için de aynı yöntemi kullanabilirsiniz.

peng |> distinct(species)
# A tibble: 3 × 1
  species  
  <fct>    
1 Adelie   
2 Gentoo   
3 Chinstrap

base R’daki unique() fonksiyonuyla benzer işleve sahip distinct() fonksiyonunu kullandık. Bu fonksiyon, eşsiz değerleri bir tibble olarak döndürdü.

Şimdi de bu eşsiz değerlerin sıklık tablosuna bakalım.

peng |> count(species)
# A tibble: 3 × 2
  species       n
  <fct>     <int>
1 Adelie      152
2 Chinstrap    68
3 Gentoo      124
peng |> count(island)
# A tibble: 3 × 2
  island        n
  <fct>     <int>
1 Biscoe      168
2 Dream       124
3 Torgersen    52

Tek tek faktör değişkenlerimizin sıklık tablosuna baktığımıza göre şimdi de, iki farklı değişken kullanarak bakabiliriz.

Hangi adada hangi türden kaç tane penguen mevcut?

peng |> count(species, island)
# A tibble: 5 × 3
  species   island        n
  <fct>     <fct>     <int>
1 Adelie    Biscoe       44
2 Adelie    Dream        56
3 Adelie    Torgersen    52
4 Chinstrap Dream        68
5 Gentoo    Biscoe      124

Gördüğünüz gibi iki değişkeni de kullanarak bunu öğrenebiliyoruz.

2. VERİ CAMBAZLIĞI

Şu ana kadar bir önceki yazının işleyişini takip ederek, temel kavramlara değindik.

Şimdi bir veri analizi - veri bilimi iş akışının en mühim kısımlarından olan veri cambazlığını nasıl yapabileceğimize bakacağız. Bunun için Hadley Wickham’ın R for Data Science - ilk baskının TR çevirisi kitabında anlattığı şekliyle sütun, satır ve grup işlemlerini yapacağız. Gerçek dünya verileriyle uğraştığımızda bu kısım, bir veri bilimi iş akışının genellikle büyük çoğunluğunu oluşturuyor.

R4DS, {tidyverse} temelleri için oldukça sağlam bir kitap! Ayrıca Grant R. McDermott’un Data science for economists dersinin notlarını da öneririm. Bu ders notları sayesinde çok şey öğrendim.

Bu bölümde yine palmerpenguins datasını kullanacağız ama bu sefer ham olan versiyonunu. Verinin ham hâlini kullanarak penguins’teki son hâline ulaşmaya çalışacağız. Bu veriye erişmek için penguins_raw yazabilirsiniz.

penguins_raw
   studyName Sample Number                             Species Region    Island
1    PAL0708             1 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
2    PAL0708             2 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
3    PAL0708             3 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
4    PAL0708             4 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
5    PAL0708             5 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
6    PAL0708             6 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
7    PAL0708             7 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
8    PAL0708             8 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
9    PAL0708             9 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
10   PAL0708            10 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
11   PAL0708            11 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
                Stage Individual ID Clutch Completion   Date Egg
1  Adult, 1 Egg Stage          N1A1               Yes 2007-11-11
2  Adult, 1 Egg Stage          N1A2               Yes 2007-11-11
3  Adult, 1 Egg Stage          N2A1               Yes 2007-11-16
4  Adult, 1 Egg Stage          N2A2               Yes 2007-11-16
5  Adult, 1 Egg Stage          N3A1               Yes 2007-11-16
6  Adult, 1 Egg Stage          N3A2               Yes 2007-11-16
7  Adult, 1 Egg Stage          N4A1                No 2007-11-15
8  Adult, 1 Egg Stage          N4A2                No 2007-11-15
9  Adult, 1 Egg Stage          N5A1               Yes 2007-11-09
10 Adult, 1 Egg Stage          N5A2               Yes 2007-11-09
11 Adult, 1 Egg Stage          N6A1               Yes 2007-11-09
   Culmen Length (mm) Culmen Depth (mm) Flipper Length (mm) Body Mass (g)
1                39.1              18.7                 181          3750
2                39.5              17.4                 186          3800
3                40.3              18.0                 195          3250
4                  NA                NA                  NA            NA
5                36.7              19.3                 193          3450
6                39.3              20.6                 190          3650
7                38.9              17.8                 181          3625
8                39.2              19.6                 195          4675
9                34.1              18.1                 193          3475
10               42.0              20.2                 190          4250
11               37.8              17.1                 186          3300
      Sex Delta 15 N (o/oo) Delta 13 C (o/oo)
1    MALE                NA                NA
2  FEMALE           8.94956         -24.69454
3  FEMALE           8.36821         -25.33302
4    <NA>                NA                NA
5  FEMALE           8.76651         -25.32426
6    MALE           8.66496         -25.29805
7  FEMALE           9.18718         -25.21799
8    MALE           9.46060         -24.89958
9    <NA>                NA                NA
10   <NA>           9.13362         -25.09368
11   <NA>           8.63243         -25.21315
                                Comments
1         Not enough blood for isotopes.
2                                   <NA>
3                                   <NA>
4                     Adult not sampled.
5                                   <NA>
6                                   <NA>
7  Nest never observed with full clutch.
8  Nest never observed with full clutch.
9              No blood sample obtained.
10  No blood sample obtained for sexing.
11  No blood sample obtained for sexing.
 [ reached 'max' / getOption("max.print") -- omitted 333 rows ]

Öncelikle tibble’ye çevirelim.

raw <- as_tibble(penguins_raw)
raw
# A tibble: 344 × 17
   studyName `Sample Number` Species         Region Island Stage `Individual ID`
   <chr>               <dbl> <chr>           <chr>  <chr>  <chr> <chr>          
 1 PAL0708                 1 Adelie Penguin… Anvers Torge… Adul… N1A1           
 2 PAL0708                 2 Adelie Penguin… Anvers Torge… Adul… N1A2           
 3 PAL0708                 3 Adelie Penguin… Anvers Torge… Adul… N2A1           
 4 PAL0708                 4 Adelie Penguin… Anvers Torge… Adul… N2A2           
 5 PAL0708                 5 Adelie Penguin… Anvers Torge… Adul… N3A1           
 6 PAL0708                 6 Adelie Penguin… Anvers Torge… Adul… N3A2           
 7 PAL0708                 7 Adelie Penguin… Anvers Torge… Adul… N4A1           
 8 PAL0708                 8 Adelie Penguin… Anvers Torge… Adul… N4A2           
 9 PAL0708                 9 Adelie Penguin… Anvers Torge… Adul… N5A1           
10 PAL0708                10 Adelie Penguin… Anvers Torge… Adul… N5A2           
# ℹ 334 more rows
# ℹ 10 more variables: `Clutch Completion` <chr>, `Date Egg` <date>,
#   `Culmen Length (mm)` <dbl>, `Culmen Depth (mm)` <dbl>,
#   `Flipper Length (mm)` <dbl>, `Body Mass (g)` <dbl>, Sex <chr>,
#   `Delta 15 N (o/oo)` <dbl>, `Delta 13 C (o/oo)` <dbl>, Comments <chr>

Şimdi veriye hızlıca göz atalım.

glimpse(raw)
Rows: 344
Columns: 17
$ studyName             <chr> "PAL0708", "PAL0708", "PAL0708", "PAL0708", "PAL…
$ `Sample Number`       <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 1…
$ Species               <chr> "Adelie Penguin (Pygoscelis adeliae)", "Adelie P…
$ Region                <chr> "Anvers", "Anvers", "Anvers", "Anvers", "Anvers"…
$ Island                <chr> "Torgersen", "Torgersen", "Torgersen", "Torgerse…
$ Stage                 <chr> "Adult, 1 Egg Stage", "Adult, 1 Egg Stage", "Adu…
$ `Individual ID`       <chr> "N1A1", "N1A2", "N2A1", "N2A2", "N3A1", "N3A2", …
$ `Clutch Completion`   <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "Yes", "No", …
$ `Date Egg`            <date> 2007-11-11, 2007-11-11, 2007-11-16, 2007-11-16,…
$ `Culmen Length (mm)`  <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34…
$ `Culmen Depth (mm)`   <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18…
$ `Flipper Length (mm)` <dbl> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190,…
$ `Body Mass (g)`       <dbl> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 34…
$ Sex                   <chr> "MALE", "FEMALE", "FEMALE", NA, "FEMALE", "MALE"…
$ `Delta 15 N (o/oo)`   <dbl> NA, 8.94956, 8.36821, NA, 8.76651, 8.66496, 9.18…
$ `Delta 13 C (o/oo)`   <dbl> NA, -24.69454, -25.33302, NA, -25.32426, -25.298…
$ Comments              <chr> "Not enough blood for isotopes.", NA, NA, "Adult…
summary(raw)
  studyName         Sample Number      Species             Region         
 Length:344         Min.   :  1.00   Length:344         Length:344        
 Class :character   1st Qu.: 29.00   Class :character   Class :character  
 Mode  :character   Median : 58.00   Mode  :character   Mode  :character  
                    Mean   : 63.15                                        
                    3rd Qu.: 95.25                                        
                    Max.   :152.00                                        
                                                                          
    Island             Stage           Individual ID      Clutch Completion 
 Length:344         Length:344         Length:344         Length:344        
 Class :character   Class :character   Class :character   Class :character  
 Mode  :character   Mode  :character   Mode  :character   Mode  :character  
                                                                            
                                                                            
                                                                            
                                                                            
    Date Egg          Culmen Length (mm) Culmen Depth (mm) Flipper Length (mm)
 Min.   :2007-11-09   Min.   :32.10      Min.   :13.10     Min.   :172.0      
 1st Qu.:2007-11-28   1st Qu.:39.23      1st Qu.:15.60     1st Qu.:190.0      
 Median :2008-11-09   Median :44.45      Median :17.30     Median :197.0      
 Mean   :2008-11-27   Mean   :43.92      Mean   :17.15     Mean   :200.9      
 3rd Qu.:2009-11-16   3rd Qu.:48.50      3rd Qu.:18.70     3rd Qu.:213.0      
 Max.   :2009-12-01   Max.   :59.60      Max.   :21.50     Max.   :231.0      
                      NA's   :2          NA's   :2         NA's   :2          
 Body Mass (g)      Sex            Delta 15 N (o/oo) Delta 13 C (o/oo)
 Min.   :2700   Length:344         Min.   : 7.632    Min.   :-27.02   
 1st Qu.:3550   Class :character   1st Qu.: 8.300    1st Qu.:-26.32   
 Median :4050   Mode  :character   Median : 8.652    Median :-25.83   
 Mean   :4202                      Mean   : 8.733    Mean   :-25.69   
 3rd Qu.:4750                      3rd Qu.: 9.172    3rd Qu.:-25.06   
 Max.   :6300                      Max.   :10.025    Max.   :-23.79   
 NA's   :2                         NA's   :14        NA's   :13       
   Comments        
 Length:344        
 Class :character  
 Mode  :character

Kaynak: Allison Horst

SÜTUN İŞLEMLERİ

Bu kısımda temel olarak select(), mutate(), rename() ve relocate() fonksiyonunu kullanacağız.

penguins verisi 8 değişkenden oluşuyordu ancak penguins_raw verisi 17 değişkenden oluşuyor.

Öncelikle penguins’te olan değişkenlerin bizim için önemli olduğunu varsayalım ve onları seçelim.

dat <- raw |> 
    select(c("Species", "Island", "Date Egg", "Culmen Length (mm)", 
             "Culmen Depth (mm)", "Flipper Length (mm)", 
             "Body Mass (g)", "Sex"))
dat
# A tibble: 344 × 8
   Species            Island `Date Egg` `Culmen Length (mm)` `Culmen Depth (mm)`
   <chr>              <chr>  <date>                    <dbl>               <dbl>
 1 Adelie Penguin (P… Torge… 2007-11-11                 39.1                18.7
 2 Adelie Penguin (P… Torge… 2007-11-11                 39.5                17.4
 3 Adelie Penguin (P… Torge… 2007-11-16                 40.3                18  
 4 Adelie Penguin (P… Torge… 2007-11-16                 NA                  NA  
 5 Adelie Penguin (P… Torge… 2007-11-16                 36.7                19.3
 6 Adelie Penguin (P… Torge… 2007-11-16                 39.3                20.6
 7 Adelie Penguin (P… Torge… 2007-11-15                 38.9                17.8
 8 Adelie Penguin (P… Torge… 2007-11-15                 39.2                19.6
 9 Adelie Penguin (P… Torge… 2007-11-09                 34.1                18.1
10 Adelie Penguin (P… Torge… 2007-11-09                 42                  20.2
# ℹ 334 more rows
# ℹ 3 more variables: `Flipper Length (mm)` <dbl>, `Body Mass (g)` <dbl>,
#   Sex <chr>

Gördüğünüz gibi seçeceğimiz sütunun isimlerini tırnak içerisinde, bir vektör olarak da verebiliriz. Hatta Culmen Length (mm) gibi boşluk, parantez gibi karakterler içeren isimleri bu şekilde vermek daha sağlıklı.

glimpse(dat)
Rows: 344
Columns: 8
$ Species               <chr> "Adelie Penguin (Pygoscelis adeliae)", "Adelie P…
$ Island                <chr> "Torgersen", "Torgersen", "Torgersen", "Torgerse…
$ `Date Egg`            <date> 2007-11-11, 2007-11-11, 2007-11-16, 2007-11-16,…
$ `Culmen Length (mm)`  <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34…
$ `Culmen Depth (mm)`   <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18…
$ `Flipper Length (mm)` <dbl> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190,…
$ `Body Mass (g)`       <dbl> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 34…
$ Sex                   <chr> "MALE", "FEMALE", "FEMALE", NA, "FEMALE", "MALE"…

Şimdi de sütun isimlerini değiştirelim.

camelCase kullanılan isimler, büyük harfle başlayan isimler, birimler, boşluklar derken standart olmayan birçok şey var. Buradaki isimleri, orijinal veriye sadık kalarak değiştireceğiz.

Biraz adlandırma stillerinden bahsetmek gerekirse; ben, zaman zaman tidy style guide’da belirtildiği gibi snake_case kullanmayı tercih ediyorum. Zaman zamansa camelCase. Bunun tek bir doğrusu yok, önemli olan okunaklı, tutarlı ve kolay hata ayıklanabilen kodlar yazmak. R için çok sayıda style guide mevcut. Şuradaki linkleri incelemenizi öneririm; Google, tidy, bioconductor, Norm Matloff.

dat |> 
    setNames(c("species", "island", "year", "bill_len", "bill_dep", 
               "flipper_len", "body_mass", "sex"))
# A tibble: 344 × 8
   species       island year       bill_len bill_dep flipper_len body_mass sex  
   <chr>         <chr>  <date>        <dbl>    <dbl>       <dbl>     <dbl> <chr>
 1 Adelie Pengu… Torge… 2007-11-11     39.1     18.7         181      3750 MALE 
 2 Adelie Pengu… Torge… 2007-11-11     39.5     17.4         186      3800 FEMA…
 3 Adelie Pengu… Torge… 2007-11-16     40.3     18           195      3250 FEMA…
 4 Adelie Pengu… Torge… 2007-11-16     NA       NA            NA        NA <NA> 
 5 Adelie Pengu… Torge… 2007-11-16     36.7     19.3         193      3450 FEMA…
 6 Adelie Pengu… Torge… 2007-11-16     39.3     20.6         190      3650 MALE 
 7 Adelie Pengu… Torge… 2007-11-15     38.9     17.8         181      3625 FEMA…
 8 Adelie Pengu… Torge… 2007-11-15     39.2     19.6         195      4675 MALE 
 9 Adelie Pengu… Torge… 2007-11-09     34.1     18.1         193      3475 <NA> 
10 Adelie Pengu… Torge… 2007-11-09     42       20.2         190      4250 <NA> 
# ℹ 334 more rows

Sütun isimlerini, base R’dan gelen setNames() fonksiyonuyla değiştirebileceğimiz gibi, rename() fonksiyonunu kullanarak da değiştirebiliriz. Ardından pipe ile bağlayarak sütunları penguins verisindeki sırayla sıralayalım.

dat <- dat |> 
    rename(species=Species, 
           island=Island, 
           year=`Date Egg`, 
           bill_len=`Culmen Length (mm)`, 
           bill_dep=`Culmen Depth (mm)`, 
           flipper_len=`Flipper Length (mm)`, 
           body_mass=`Body Mass (g)`, 
           sex=Sex) |> 
    relocate(year, .after=sex)
dat
# A tibble: 344 × 8
   species       island bill_len bill_dep flipper_len body_mass sex   year      
   <chr>         <chr>     <dbl>    <dbl>       <dbl>     <dbl> <chr> <date>    
 1 Adelie Pengu… Torge…     39.1     18.7         181      3750 MALE  2007-11-11
 2 Adelie Pengu… Torge…     39.5     17.4         186      3800 FEMA… 2007-11-11
 3 Adelie Pengu… Torge…     40.3     18           195      3250 FEMA… 2007-11-16
 4 Adelie Pengu… Torge…     NA       NA            NA        NA <NA>  2007-11-16
 5 Adelie Pengu… Torge…     36.7     19.3         193      3450 FEMA… 2007-11-16
 6 Adelie Pengu… Torge…     39.3     20.6         190      3650 MALE  2007-11-16
 7 Adelie Pengu… Torge…     38.9     17.8         181      3625 FEMA… 2007-11-15
 8 Adelie Pengu… Torge…     39.2     19.6         195      4675 MALE  2007-11-15
 9 Adelie Pengu… Torge…     34.1     18.1         193      3475 <NA>  2007-11-09
10 Adelie Pengu… Torge…     42       20.2         190      4250 <NA>  2007-11-09
# ℹ 334 more rows

Gördüğünüz gibi isimler ve sütunların sırası penguins verisiyle aynı hâle geldi.

Bu iş de tamamdır!

Şimdi de görevimizi biraz daha zorlaştıralım. Her sütunun içindeki değerleri düzenleyeceğiz. Dikkat ettiyseniz penguins verisinde çok daha düzenli bir hâldeydi.

İlk olarak yılla başlayalım. Tarihi yıla çevirmemiz lazım.

İlk olarak klasik $ operatörüyle erişelim.

dat$year
  [1] "2007-11-11" "2007-11-11" "2007-11-16" "2007-11-16" "2007-11-16"
  [6] "2007-11-16" "2007-11-15" "2007-11-15" "2007-11-09" "2007-11-09"
 [11] "2007-11-09" "2007-11-09" "2007-11-15" "2007-11-15" "2007-11-16"
 [16] "2007-11-16" "2007-11-12" "2007-11-12" "2007-11-16" "2007-11-16"
 [21] "2007-11-12" "2007-11-12" "2007-11-12" "2007-11-12" "2007-11-10"
 [26] "2007-11-10" "2007-11-12" "2007-11-12" "2007-11-10" "2007-11-10"
 [31] "2007-11-09" "2007-11-09" "2007-11-09" "2007-11-09" "2007-11-16"
 [36] "2007-11-16" "2007-11-16" "2007-11-16" "2007-11-13" "2007-11-13"
 [41] "2007-11-16" "2007-11-16" "2007-11-19" "2007-11-19" "2007-11-16"
 [46] "2007-11-16" "2007-11-13" "2007-11-13" "2007-11-13" "2007-11-13"
 [51] "2008-11-06" "2008-11-06" "2008-11-09" "2008-11-09" "2008-11-09"
 [56] "2008-11-09" "2008-11-15" "2008-11-15" "2008-11-15" "2008-11-15"
 [61] "2008-11-13" "2008-11-13" "2008-11-13" "2008-11-13" "2008-11-13"
 [66] "2008-11-13" "2008-11-06" "2008-11-06" "2008-11-11" "2008-11-11"
 [71] "2008-11-14" "2008-11-14" "2008-11-11" "2008-11-11" "2008-11-08"
 [76] "2008-11-08" "2008-11-06" "2008-11-06" "2008-11-09" "2008-11-09"
 [81] "2008-11-02" "2008-11-02" "2008-11-07" "2008-11-07" "2008-11-17"
 [86] "2008-11-17" "2008-11-08" "2008-11-08" "2008-11-08" "2008-11-08"
 [91] "2008-11-14" "2008-11-14" "2008-11-05" "2008-11-05" "2008-11-17"
 [96] "2008-11-17" "2008-11-08" "2008-11-08" "2008-11-10" "2008-11-10"
[101] "2009-11-09" "2009-11-09" "2009-11-15" "2009-11-15" "2009-11-15"
[106] "2009-11-15" "2009-11-15" "2009-11-15" "2009-11-20" "2009-11-20"
[111] "2009-11-12" "2009-11-12" "2009-11-15" "2009-11-15" "2009-11-17"
[116] "2009-11-17" "2009-11-18" "2009-11-18" "2009-11-22" "2009-11-22"
[121] "2009-11-17" "2009-11-17" "2009-11-16" "2009-11-16" "2009-11-18"
[126] "2009-11-18" "2009-11-21" "2009-11-21" "2009-11-18" "2009-11-18"
[131] "2009-11-23" "2009-11-23" "2009-11-10" "2009-11-10" "2009-11-13"
[136] "2009-11-13" "2009-11-16" "2009-11-16" "2009-11-16" "2009-11-16"
[141] "2009-11-14" "2009-11-14" "2009-11-16" "2009-11-16" "2009-11-16"
[146] "2009-11-16" "2009-11-13" "2009-11-13" "2009-11-17" "2009-11-17"
[151] "2009-11-17" "2009-11-17" "2007-11-27" "2007-11-27" "2007-11-27"
[156] "2007-11-27" "2007-11-18" "2007-11-18" "2007-11-27" "2007-11-27"
[161] "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-29"
[166] "2007-11-29" "2007-12-03" "2007-12-03" "2007-11-27" "2007-11-27"
[171] "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27"
[176] "2007-11-27" "2007-11-29" "2007-11-29" "2007-11-29" "2007-11-29"
[181] "2007-11-29" "2007-11-29" "2007-11-29" "2007-11-29" "2007-12-03"
[186] "2007-12-03" "2008-11-13" "2008-11-13" "2008-11-02" "2008-11-02"
[191] "2008-11-09" "2008-11-09" "2008-11-04" "2008-11-04" "2008-11-04"
[196] "2008-11-04" "2008-11-03" "2008-11-03" "2008-11-09" "2008-11-09"
 [ reached 'max' / getOption("max.print") -- omitted 144 entries ]

Gördüğünüz yıl vektöründen ay ve günü silmemiz gerekiyor. Bunu tarihle oynayarak da yapabiliriz, karakter vektörüne çevirip, yıldan sonrasını silerek de. Normal şartlarda ikincisi daha kolay olabilir ama şu an hâlihazırda verimiz Date tipinde olduğu için direkt yılı seçebiliriz. Tarihlerle uğraşmak ilk başlayanlar için biraz zor olabilir. format() fonksiyonunu kullanacağız, "%Y" ile yılı seçeceğiz. Onu da değiştirdiğimiz sütuna tekrardan atayacağız.

Bunun için mutate() fonksiyonunu kullanacağız.

dat |> mutate(year=format(year, "%Y"))
# A tibble: 344 × 8
   species            island bill_len bill_dep flipper_len body_mass sex   year 
   <chr>              <chr>     <dbl>    <dbl>       <dbl>     <dbl> <chr> <chr>
 1 Adelie Penguin (P… Torge…     39.1     18.7         181      3750 MALE  2007 
 2 Adelie Penguin (P… Torge…     39.5     17.4         186      3800 FEMA… 2007 
 3 Adelie Penguin (P… Torge…     40.3     18           195      3250 FEMA… 2007 
 4 Adelie Penguin (P… Torge…     NA       NA            NA        NA <NA>  2007 
 5 Adelie Penguin (P… Torge…     36.7     19.3         193      3450 FEMA… 2007 
 6 Adelie Penguin (P… Torge…     39.3     20.6         190      3650 MALE  2007 
 7 Adelie Penguin (P… Torge…     38.9     17.8         181      3625 FEMA… 2007 
 8 Adelie Penguin (P… Torge…     39.2     19.6         195      4675 MALE  2007 
 9 Adelie Penguin (P… Torge…     34.1     18.1         193      3475 <NA>  2007 
10 Adelie Penguin (P… Torge…     42       20.2         190      4250 <NA>  2007 
# ℹ 334 more rows

Gördüğünüz gibi yıllar tamam! Sırada diğer değişkenler var.

İlk olarak tür isimlerini kısaltmamız lazım. En zor işlerden birisi bu! Özellikle de ilk başlayanlar için. sub() ve gsub() fonksiyonu, karakter vektöründeki seçtiğimiz kısmı, istediğimiz karakterle değiştirir. sub() sadece ilk esleşmeyi değiştirdiği için onu kullanacağız. " .*" ile boşluk sonrasındaki tüm karakterleri seçiyoruz ve "" ile replace ediyoruz. Yani siliyoruz. Çünkü "" içinde hiçbir şey yok. Bu da bize tür isimlerinin boşluktan önceki kısmını veriyor tıpkı penguins verisinde olduğu gibi.

Bir önceki kod bloğunda yıl değişkenini düzenlemiş ama herhangi bir nesneye atamamıştık. Şimdi tüm işlemleri bir arada yapalım.

dat <- dat |> 
    mutate(year=format(year, "%Y"), 
           species=sub(" .*", "", species), 
           sex=tolower(sex))
dat
# A tibble: 344 × 8
   species island    bill_len bill_dep flipper_len body_mass sex    year 
   <chr>   <chr>        <dbl>    <dbl>       <dbl>     <dbl> <chr>  <chr>
 1 Adelie  Torgersen     39.1     18.7         181      3750 male   2007 
 2 Adelie  Torgersen     39.5     17.4         186      3800 female 2007 
 3 Adelie  Torgersen     40.3     18           195      3250 female 2007 
 4 Adelie  Torgersen     NA       NA            NA        NA <NA>   2007 
 5 Adelie  Torgersen     36.7     19.3         193      3450 female 2007 
 6 Adelie  Torgersen     39.3     20.6         190      3650 male   2007 
 7 Adelie  Torgersen     38.9     17.8         181      3625 female 2007 
 8 Adelie  Torgersen     39.2     19.6         195      4675 male   2007 
 9 Adelie  Torgersen     34.1     18.1         193      3475 <NA>   2007 
10 Adelie  Torgersen     42       20.2         190      4250 <NA>   2007 
# ℹ 334 more rows

Bu işlemler için tidyverse içindeki lubridate ve stringr paketlerini de kullanabiliriz ama amacım temel veri manipülasyonu işlemlerini göstermek olduğundan bu yazıda dplyr dışında paket kullanmak istemiyorum.

Şu an penguins verisiyle aynı veriye sahibiz!

identical(penguins, as.data.frame(dat))
[1] FALSE

Aaa! Değilmişiz! Fark ne acaba?

glimpse(penguins)
Rows: 344
Columns: 8
$ species     <fct> Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Ad…
$ island      <fct> Torgersen, Torgersen, Torgersen, Torgersen, Torgersen, Tor…
$ bill_len    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep    <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len <int> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass   <int> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex         <fct> male, female, female, NA, female, male, female, male, NA, …
$ year        <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…
glimpse(as.data.frame(dat))
Rows: 344
Columns: 8
$ species     <chr> "Adelie", "Adelie", "Adelie", "Adelie", "Adelie", "Adelie"…
$ island      <chr> "Torgersen", "Torgersen", "Torgersen", "Torgersen", "Torge…
$ bill_len    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep    <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len <dbl> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass   <dbl> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex         <chr> "male", "female", "female", NA, "female", "male", "female"…
$ year        <chr> "2007", "2007", "2007", "2007", "2007", "2007", "2007", "2…

Gördüğünüz gibi sütun tipleri birbirinden farklı. Onları da değiştirelim.

dat <- dat |> 
    mutate(species=as.factor(species), 
           island=as.factor(island),
           flipper_len=as.integer(flipper_len), 
           body_mass=as.integer(body_mass), 
           sex=as.factor(sex), 
           year=as.integer(year))
glimpse(dat)
Rows: 344
Columns: 8
$ species     <fct> Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Ad…
$ island      <fct> Torgersen, Torgersen, Torgersen, Torgersen, Torgersen, Tor…
$ bill_len    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep    <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len <int> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass   <int> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex         <fct> male, female, female, NA, female, male, female, male, NA, …
$ year        <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

Değişmesi gereken tüm sütunları tek tek değiştirdik.

identical(penguins, as.data.frame(dat))
[1] TRUE

Gördüğünüz gibi artık verilerimiz eş! Hedefimize ulaştık, dağınık bir veriyi düzenli bir hâle getirdik.

SATIR İŞLEMLERİ

Bu kısımda temel olarak filter(), arrange() ve distinct() fonksiyonunu kullanacağız.

penguins_raw verisini, penguins verisiyle eş bir hâle getirdiğimize göre hedefimize ulaştık ama bu yazının amacına ulaşması için satır ve grup işlemlerini de görmemiz gerekiyor. Sütunlarını düzenlediğimiz dat nesnesi üzerinde biraz oynayalım.

Şimdi yalnızca Biscoe adasındaki penguenleri incelediğimizi varsayalım. Verimizi Biscoe adasına göre filtreleyeceğiz.

pengBiscoe <- dat |> filter(island == "Biscoe")

Gördüğünüz gibi Biscoe adasındaki penguenleri seçtik ve pengBiscoe isimli bir nesneye atadık.

summary(pengBiscoe)
      species          island       bill_len        bill_dep    
 Adelie   : 44   Biscoe   :168   Min.   :34.50   Min.   :13.10  
 Chinstrap:  0   Dream    :  0   1st Qu.:42.00   1st Qu.:14.50  
 Gentoo   :124   Torgersen:  0   Median :45.80   Median :15.50  
                                 Mean   :45.26   Mean   :15.87  
                                 3rd Qu.:48.70   3rd Qu.:17.00  
                                 Max.   :59.60   Max.   :21.10  
                                 NA's   :1       NA's   :1      
  flipper_len      body_mass        sex          year     
 Min.   :172.0   Min.   :2850   female:80   Min.   :2007  
 1st Qu.:199.5   1st Qu.:4200   male  :83   1st Qu.:2007  
 Median :214.0   Median :4775   NA's  : 5   Median :2008  
 Mean   :209.7   Mean   :4716               Mean   :2008  
 3rd Qu.:220.0   3rd Qu.:5325               3rd Qu.:2009  
 Max.   :231.0   Max.   :6300               Max.   :2009  
 NA's   :1       NA's   :1

Verinin özet istatistiklerine göz attığımızda bazı NA (Not Available - eksik değer) değerlerin olduğunu görüyoruz. Bu değerleri istemediğimizi ve onlardan kurtulmak istediğimizi varsayalım. Bunun için yine filtreleme yapabiliriz. is.na() ile NA olanların TRUE dönmesini sağladık ve ardından filtreledik.

pengBiscoe |> filter(is.na(sex))
# A tibble: 5 × 8
  species island bill_len bill_dep flipper_len body_mass sex    year
  <fct>   <fct>     <dbl>    <dbl>       <int>     <int> <fct> <int>
1 Gentoo  Biscoe     44.5     14.3         216      4100 <NA>   2007
2 Gentoo  Biscoe     46.2     14.4         214      4650 <NA>   2008
3 Gentoo  Biscoe     47.3     13.8         216      4725 <NA>   2009
4 Gentoo  Biscoe     44.5     15.7         217      4875 <NA>   2009
5 Gentoo  Biscoe     NA       NA            NA        NA <NA>   2009

NA değerleri seçmiş olduk ancak biz NA değerleri seçmek değil, silmek istiyorduk. Burada ! operatörünü kullanacağız. Bu operatörümüz, bize “o” olmayan sonucu döndürecek.

pengBiscoe <- pengBiscoe |> filter(!is.na(sex))
pengBiscoe
# A tibble: 163 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>     <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Biscoe     37.8     18.3         174      3400 female  2007
 2 Adelie  Biscoe     37.7     18.7         180      3600 male    2007
 3 Adelie  Biscoe     35.9     19.2         189      3800 female  2007
 4 Adelie  Biscoe     38.2     18.1         185      3950 male    2007
 5 Adelie  Biscoe     38.8     17.2         180      3800 male    2007
 6 Adelie  Biscoe     35.3     18.9         187      3800 female  2007
 7 Adelie  Biscoe     40.6     18.6         183      3550 male    2007
 8 Adelie  Biscoe     40.5     17.9         187      3200 female  2007
 9 Adelie  Biscoe     37.9     18.6         172      3150 female  2007
10 Adelie  Biscoe     40.5     18.9         180      3950 male    2007
# ℹ 153 more rows

Bu işlemi dplyr 1.2.0 versiyonu ile gelen filter_out() fonksiyonuyla da yapabiliriz.

pengBiscoe |> filter_out(is.na(sex))
# A tibble: 163 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>     <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Biscoe     37.8     18.3         174      3400 female  2007
 2 Adelie  Biscoe     37.7     18.7         180      3600 male    2007
 3 Adelie  Biscoe     35.9     19.2         189      3800 female  2007
 4 Adelie  Biscoe     38.2     18.1         185      3950 male    2007
 5 Adelie  Biscoe     38.8     17.2         180      3800 male    2007
 6 Adelie  Biscoe     35.3     18.9         187      3800 female  2007
 7 Adelie  Biscoe     40.6     18.6         183      3550 male    2007
 8 Adelie  Biscoe     40.5     17.9         187      3200 female  2007
 9 Adelie  Biscoe     37.9     18.6         172      3150 female  2007
10 Adelie  Biscoe     40.5     18.9         180      3950 male    2007
# ℹ 153 more rows

Evet şu an NA değerlere sahip olmayan sex değişkenine göre bir filtreleme yaptık.

Veriye tekrardan göz atalım.

summary(pengBiscoe)
      species          island       bill_len        bill_dep    
 Adelie   : 44   Biscoe   :163   Min.   :34.50   Min.   :13.10  
 Chinstrap:  0   Dream    :  0   1st Qu.:41.85   1st Qu.:14.50  
 Gentoo   :119   Torgersen:  0   Median :45.80   Median :15.60  
                                 Mean   :45.25   Mean   :15.91  
                                 3rd Qu.:48.75   3rd Qu.:17.00  
                                 Max.   :59.60   Max.   :21.10  
  flipper_len      body_mass        sex          year     
 Min.   :172.0   Min.   :2850   female:80   Min.   :2007  
 1st Qu.:198.5   1st Qu.:4200   male  :83   1st Qu.:2007  
 Median :213.0   Median :4800               Median :2008  
 Mean   :209.6   Mean   :4719               Mean   :2008  
 3rd Qu.:220.0   3rd Qu.:5350               3rd Qu.:2009  
 Max.   :231.0   Max.   :6300               Max.   :2009

Tüm NA değerlerden kurtulmuşuz. Çünkü bill_len, bill_dep, flipper_len ve body_mass değişkenlerindeki tek NA değeri 272. satırdaydı ve bu satırdaki sex değeri de NA olduğu için o gidince hepsi gitmiş.

Şimdi 48 mm’den daha küçük bill_len ve 5000 g’den daha büyük body_mass değerlerine göre filtrelememiz gerektiğini düşünelim. Eğer birden fazla değişkene göre filtreleme yapmamız gerekiyorsa ve için & operatörünü, veya için ise | operatörünü kullanıyoruz. filter() fonksiyonunda ve için , de kullanabiliriz.

hs <- pengBiscoe |> # hs: heavy-short penguenler
  filter(bill_len < 48 & body_mass > 5000)
hs
# A tibble: 17 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>     <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Gentoo  Biscoe     47.6     14.5         215      5400 male    2007
 2 Gentoo  Biscoe     46.7     15.3         219      5200 male    2007
 3 Gentoo  Biscoe     46.8     15.4         215      5150 male    2007
 4 Gentoo  Biscoe     46.3     15.8         215      5050 male    2007
 5 Gentoo  Biscoe     46.1     15.1         215      5100 male    2007
 6 Gentoo  Biscoe     47.8     15           215      5650 male    2007
 7 Gentoo  Biscoe     47.3     15.3         222      5250 male    2007
 8 Gentoo  Biscoe     45.1     14.5         207      5050 female  2007
 9 Gentoo  Biscoe     44.4     17.3         219      5250 male    2008
10 Gentoo  Biscoe     44.9     13.3         213      5100 female  2008
11 Gentoo  Biscoe     45.2     15.8         215      5300 male    2008
12 Gentoo  Biscoe     45       15.4         220      5050 male    2008
13 Gentoo  Biscoe     46.2     14.9         221      5300 male    2008
14 Gentoo  Biscoe     46.5     14.8         217      5200 female  2008
15 Gentoo  Biscoe     45.2     16.4         223      5950 male    2008
16 Gentoo  Biscoe     46.8     16.1         215      5500 male    2009
17 Gentoo  Biscoe     45.2     14.8         212      5200 female  2009

Gördüğünüz gibi filtreledik. Yalnızca Biscoe adasındaki Gentoo türü penguenlerin bir kısmı bu boyutlara sahipmiş.

Filtrelediğimiz veriyi bir grafikte görelim. Ama öncesinde ilk yazıdaki gibi alt alta iki farklı grafik çizmek için patchwork paketini kurmamız ve R’a yüklememiz gerekiyor. Bu, en kolay yöntem.

library(patchwork)

p1 <- ggplot(data=pengBiscoe, aes(bill_len, body_mass)) +
  geom_point() +
  annotate("rect",        # diktortgen ekledik
           xmin=min(hs$bill_len) - 0.2,
           xmax=max(hs$bill_len) + 0.2,
           ymin=min(hs$body_mass) - 20,
           ymax=max(hs$body_mass) + 50,
           color="red",   # cerceve rengi
           fill=NA,       # icini bos biraktik
           linewidth=1) + # cizgi kalinligi (eski adi: size)
  labs(x="Bill Length [mm]",
       y="Body Mass [g]")

p2 <- ggplot(data=hs, aes(bill_len, body_mass)) +
  geom_point() +
  labs(x="Bill Length [mm]",
       y="Body Mass [g]")

p1 / p2

Grafik, filtrelediğimiz değerleri daha iyi görmenizi sağlamıştır diye düşünüyorum.

Şimdi de tekrardan pengBiscoe verisini kullanarak 2008 ve 2009 yıllarındaki verileri filtreleyelim. Bunun için yine birden fazla yol var ancak biz bu sefer %in% operatörünü kullanacağız. R’da %in% operatörü, birden fazla değerle filtreleme yapıldığında kullanılıyor.

pengBiscoe |> filter(year %in% c(2008, 2009))
# A tibble: 120 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>     <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Biscoe     39.6     17.7         186      3500 female  2008
 2 Adelie  Biscoe     40.1     18.9         188      4300 male    2008
 3 Adelie  Biscoe     35       17.9         190      3450 female  2008
 4 Adelie  Biscoe     42       19.5         200      4050 male    2008
 5 Adelie  Biscoe     34.5     18.1         187      2900 female  2008
 6 Adelie  Biscoe     41.4     18.6         191      3700 male    2008
 7 Adelie  Biscoe     39       17.5         186      3550 female  2008
 8 Adelie  Biscoe     40.6     18.8         193      3800 male    2008
 9 Adelie  Biscoe     36.5     16.6         181      2850 female  2008
10 Adelie  Biscoe     37.6     19.1         194      3750 male    2008
# ℹ 110 more rows

Bu iş de tamam!

Sırada bir başka satır işlemi olan sıralama var.

Mesela filtrelemeden önceki verimiz olan dat verisinin bill_len sütunuyla arrange() fonksiyonunu kullanalım.

dat |> arrange(bill_len)
# A tibble: 344 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>        <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Dream         32.1     15.5         188      3050 female  2009
 2 Adelie  Dream         33.1     16.1         178      2900 female  2008
 3 Adelie  Torgersen     33.5     19           190      3600 female  2008
 4 Adelie  Dream         34       17.1         185      3400 female  2008
 5 Adelie  Torgersen     34.1     18.1         193      3475 <NA>    2007
 6 Adelie  Torgersen     34.4     18.4         184      3325 female  2007
 7 Adelie  Biscoe        34.5     18.1         187      2900 female  2008
 8 Adelie  Torgersen     34.6     21.1         198      4400 male    2007
 9 Adelie  Torgersen     34.6     17.2         189      3200 female  2008
10 Adelie  Biscoe        35       17.9         190      3450 female  2008
# ℹ 334 more rows

Eğer azalan bir sıralama istiyorsak değişkeni desc() fonksiyonu içinde yazmalı ya da değişkenin başına - eklemeliyiz.

dat |> arrange(desc(bill_len))
# A tibble: 344 × 8
   species   island bill_len bill_dep flipper_len body_mass sex     year
   <fct>     <fct>     <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Gentoo    Biscoe     59.6     17           230      6050 male    2007
 2 Chinstrap Dream      58       17.8         181      3700 female  2007
 3 Gentoo    Biscoe     55.9     17           228      5600 male    2009
 4 Chinstrap Dream      55.8     19.8         207      4000 male    2009
 5 Gentoo    Biscoe     55.1     16           230      5850 male    2009
 6 Gentoo    Biscoe     54.3     15.7         231      5650 male    2008
 7 Chinstrap Dream      54.2     20.8         201      4300 male    2008
 8 Chinstrap Dream      53.5     19.9         205      4500 male    2008
 9 Gentoo    Biscoe     53.4     15.8         219      5500 male    2009
10 Chinstrap Dream      52.8     20           205      4550 male    2008
# ℹ 334 more rows
dat |> arrange(-bill_len)
# A tibble: 344 × 8
   species   island bill_len bill_dep flipper_len body_mass sex     year
   <fct>     <fct>     <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Gentoo    Biscoe     59.6     17           230      6050 male    2007
 2 Chinstrap Dream      58       17.8         181      3700 female  2007
 3 Gentoo    Biscoe     55.9     17           228      5600 male    2009
 4 Chinstrap Dream      55.8     19.8         207      4000 male    2009
 5 Gentoo    Biscoe     55.1     16           230      5850 male    2009
 6 Gentoo    Biscoe     54.3     15.7         231      5650 male    2008
 7 Chinstrap Dream      54.2     20.8         201      4300 male    2008
 8 Chinstrap Dream      53.5     19.9         205      4500 male    2008
 9 Gentoo    Biscoe     53.4     15.8         219      5500 male    2009
10 Chinstrap Dream      52.8     20           205      4550 male    2008
# ℹ 334 more rows

Gördüğünüz gibi büyükten küçüğe bir şekilde sıraladık.

Çoğu zaman sıralamaları birden fazla değişkenle yapmak isteyebiliriz. Bu durumda da diğer değişken isimlerini eklememiz gerekiyor.

Öncelikle yıla göre, sonrasında da gaga uzunluğuna göre büyükten küçüğe sıralayalım.

dat |> arrange(-year, -bill_len)
# A tibble: 344 × 8
   species   island bill_len bill_dep flipper_len body_mass sex    year
   <fct>     <fct>     <dbl>    <dbl>       <int>     <int> <fct> <int>
 1 Gentoo    Biscoe     55.9     17           228      5600 male   2009
 2 Chinstrap Dream      55.8     19.8         207      4000 male   2009
 3 Gentoo    Biscoe     55.1     16           230      5850 male   2009
 4 Gentoo    Biscoe     53.4     15.8         219      5500 male   2009
 5 Gentoo    Biscoe     52.5     15.6         221      5450 male   2009
 6 Gentoo    Biscoe     52.2     17.1         228      5400 male   2009
 7 Chinstrap Dream      52.2     18.8         197      3450 male   2009
 8 Gentoo    Biscoe     52.1     17           230      5550 male   2009
 9 Chinstrap Dream      51.9     19.5         206      3950 male   2009
10 Gentoo    Biscoe     51.5     16.3         230      5500 male   2009
# ℹ 334 more rows

Son satır işlemi olarak da unique olan değerleri seçmeyi - silmeyi göreceğiz. Verimiz bunun için yeterince uygun değil ama bir uygulama yapalım. Eğer bir data.frame’de tekrar eden değerlerle ya da eşsiz değerlerle bir filtreleme yapmak istiyorsanız distinct() fonksiyonunu kullanabilirsiniz.

Mesela verimizi, yalnızca eşsiz olan vücut kütlesi değerleri döndürmek istiyorsak aşağıdaki gibi filtreleyebiliriz.

dat |> distinct(body_mass)
# A tibble: 95 × 1
   body_mass
       <int>
 1      3750
 2      3800
 3      3250
 4        NA
 5      3450
 6      3650
 7      3625
 8      4675
 9      3475
10      4250
# ℹ 85 more rows

Eğer tüm değişkenleri korumak istersek .keep.all argümanını kullanabiliriz.

dat |> distinct(body_mass, .keep_all=TRUE)
# A tibble: 95 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>        <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Torgersen     39.1     18.7         181      3750 male    2007
 2 Adelie  Torgersen     39.5     17.4         186      3800 female  2007
 3 Adelie  Torgersen     40.3     18           195      3250 female  2007
 4 Adelie  Torgersen     NA       NA            NA        NA <NA>    2007
 5 Adelie  Torgersen     36.7     19.3         193      3450 female  2007
 6 Adelie  Torgersen     39.3     20.6         190      3650 male    2007
 7 Adelie  Torgersen     38.9     17.8         181      3625 female  2007
 8 Adelie  Torgersen     39.2     19.6         195      4675 male    2007
 9 Adelie  Torgersen     34.1     18.1         193      3475 <NA>    2007
10 Adelie  Torgersen     42       20.2         190      4250 <NA>    2007
# ℹ 85 more rows

Tekrar eden değerleri döndürmek istediğimizde ise bir önceki yazıda bahsettiğim duplicated() fonksiyonunu filter() içinde kullanabilriz.

dat |> filter(duplicated(body_mass))
# A tibble: 249 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
   <fct>   <fct>        <dbl>    <dbl>       <int>     <int> <fct>  <int>
 1 Adelie  Torgersen     38.6     21.2         191      3800 male    2007
 2 Adelie  Torgersen     36.6     17.8         185      3700 female  2007
 3 Adelie  Torgersen     38.7     19           195      3450 female  2007
 4 Adelie  Biscoe        35.9     19.2         189      3800 female  2007
 5 Adelie  Biscoe        38.8     17.2         180      3800 male    2007
 6 Adelie  Biscoe        35.3     18.9         187      3800 female  2007
 7 Adelie  Biscoe        40.5     17.9         187      3200 female  2007
 8 Adelie  Biscoe        40.5     18.9         180      3950 male    2007
 9 Adelie  Dream         39.5     16.7         178      3250 female  2007
10 Adelie  Dream         39.5     17.8         188      3300 female  2007
# ℹ 239 more rows

GRUP İŞLEMLERİ

Şimdi gelelim dplyr’nin parladığı yere. Bu bölümde grup işlemlerini göreceğiz. Grup işlemleri özet istatistik tabloları oluşturmak için oldukça kullanışlı bir yöntem. Bu konuya aşina olmayanlar için Excel’deki (kendilerini hiç sevmem :)) pivot table’a oldukça benzediğini söyleyebilirim.

Basit bir örnekle başlayalım. Diyelim ki ortalama bill_len’i hesaplamak istiyoruz.

mean(dat$bill_len, na.rm=TRUE) # na.rm=TRUE kullanarak ortalama hesaplarken NA degerleri yok sayiyoruz.
[1] 43.92193

Bunun için mean() fonksiyonunu kullanmamız yeterli.

Ancak her bir grubun ortalamasını hesaplamak istiyorsak bunun için en iyi yöntem data |> group_by() |> summarize() fonksiyonlarını kullanmak olacaktır. Bu yöntem oldukça güçlü ancak bir kez grupladığımız veri, ungroup() yapmadığımız sürece grupluymuş gibi çalışabilir. Özellikle de birden çok grup olduğunda. Bu da hatalara yol açabilir. Bu sebeple bu kullanıma bir alternatif olarak geliştirilmiş data |> summarize(by = ) yaklaşımı daha temiz.

Her bir tür için ortamala gaga uzunluğunu öğrenmek istediğimizi varsayalım.

dat |>
    group_by(species) |>
    summarize(mean_bill_len=mean(bill_len, na.rm=TRUE))
# A tibble: 3 × 2
  species   mean_bill_len
  <fct>             <dbl>
1 Adelie             38.8
2 Chinstrap          48.8
3 Gentoo             47.5

Gördüğünüz gibi hesapladık. Alternatif ve daha çok sevdiğim yöntem ise şu şekilde:

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              .by = species)
# A tibble: 3 × 2
  species   mean_bill_len
  <fct>             <dbl>
1 Adelie             38.8
2 Gentoo             47.5
3 Chinstrap          48.8

Diyelim ki hem ada hem de türler için ortalama hesaplamak istiyoruz.

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              .by = c(species, island))
# A tibble: 5 × 3
  species   island    mean_bill_len
  <fct>     <fct>             <dbl>
1 Adelie    Torgersen          39.0
2 Adelie    Biscoe             39.0
3 Adelie    Dream              38.5
4 Gentoo    Biscoe             47.5
5 Chinstrap Dream              48.8

Eğer tek bir gruba ve birden çok fonksiyona göre özet istatistik çıkartacaksanız aşağıdaki gibi yapabilirsiniz.

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              median_bill_len = median(bill_len, na.rm=TRUE),
              .by = species)
# A tibble: 3 × 3
  species   mean_bill_len median_bill_len
  <fct>             <dbl>           <dbl>
1 Adelie             38.8            38.8
2 Gentoo             47.5            47.3
3 Chinstrap          48.8            49.6

Eğer birden fazla grup için birden fazla özet istatistik hesaplamak istiyorsanız da aşağıdaki gibi yapabilirsiniz.

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              median_bill_len = median(bill_len, na.rm=TRUE),
              .by = c(species, island))
# A tibble: 5 × 4
  species   island    mean_bill_len median_bill_len
  <fct>     <fct>             <dbl>           <dbl>
1 Adelie    Torgersen          39.0            38.9
2 Adelie    Biscoe             39.0            38.7
3 Adelie    Dream              38.5            38.6
4 Gentoo    Biscoe             47.5            47.3
5 Chinstrap Dream              48.8            49.6

Girişte de bahsettiğim gibi dplyr’nin parladığı yer burası. base R ile de zor değil, tapply bu konuda çok daha esnek ve güçlü ancak dplyr, karmaşık gruplamalarda işleri kolaylaştırıyor.

3. BİRAZ DA GRAFİK

Birçok temel şey gördüğümüze göre şimdi verimizi görselleştirmeye başlayabiliriz. En heyecanlı kısımlardan birisi bu çünkü emeğinizin karşılığını aldığınızı somut bir göstergesi. Burada ggplot2 paketini kullanacağız. Basit grafikler, esneklik ve hız için base R kullanışlı ancak işler karmaşıklaştıkça ggplot2 daha kullanışlı hâle geliyor. ggplot2, otomatik lejant çizmesi, birçok varsayılan tema barındırması, ek paketler ve öğrenmek için çok sayıda kaynağa sahip olması gibi özelliklerle, R’daki en önemli veri görselleştirme paketi.

ggplot2 paketi ile, grafik özelliklerini katman katman belirtebiliyoruz. Öncelikle ggplot() fonksiyonuyla katmanlar ekleyebileceğimiz bir koordinat sistemi oluşturuyoruz ve ardından geom_point() ile nokta katmanı ekliyoruz.

Ayrıntılı bir rehber için R for Data Science kitabının veri görselleştirme bölümüne bakabilirsiniz.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len)) +
    geom_point()

Eksen başlıklarını değiştirelim.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Noktaların rengini kırmızı yapalım.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len)) +
    geom_point(colour="red") +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Şimdi de renkleri species değişkenine göre belirleyelim.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Burada da nokta şekillerini de species değişkenine göre değiştiriyoruz.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, 
                          colour=species, shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Şimdi de temayı değiştirelim.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species, 
                          shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]", colour="Species",
         shape="Species") +
    theme_bw(base_size=16)

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species, 
                          shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]", colour="Species",
         shape="Species") +
    theme_minimal(base_size=16)

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species, 
                          shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]", colour="Species",
         shape="Species") +
    theme_classic(base_size=16)

Son olarak da basit bir histogram çizip, verimizin dağılımına bakalım.

ggplot(data=penguins, aes(bill_dep)) + 
    geom_histogram() +
    labs(x="Bill Depth [mm]", 
         y="Count",
         title="Histogram of Bill Depth") +
    theme_bw(base_size=16)

En ufak bir sorunuz bile olsa lütfen sormaktan çekinmeyin.

Bilimle ve huzurla kalınız!