巨人的肩膀與 plyr R軟體套件
瞎忙了一陣子，驚覺許久未動筆撰寫閒話家常了，雖然每天都會操作或閱讀一些 R 相關文件，但總覺不能脫稿太久。回想起常在課堂上對學生或學員們說：「 R 海無涯，為勤是岸。」不但是鼓勵學員，也算是一種自我惕勵。但這樣說來，好像學 R 是件令人可懼的事，其實讀者們不用太擔心！因為 R 玩家中有許多強大的巨人會引領我們向前航行。比如說今天的主角<br />plyr 套 件 ，就 是由多 產的 美國 Rice 大學統 計系助理 教授，紐西蘭裔的 Hadley Wickham(http://had.co.nz/)所開發的，他是資料視覺化(data visualization)的專家，也是知名的資料整理(data manipulation)套件 reshape 與繪圖套件 ggplot2 的主要開發者。
plyr 的讀音同英文的老虎鉗(pliers)去掉字尾 s，顧名思義它是運用分割-應用-組合(split-apply-combine)的策略於資料分析的工作上，也就是說將一大的問題，切割為可管控的子集，個別進行問題解決後，再重新組合起來。舉例來說，先建一個包含三個數值變數與兩個因子的72 筆資料，
> library(plyr)
> dd <- data.frame(matrix(round(rnorm(216), 2), 72, 3), c(rep("A", 24), rep("B", 24), rep("C", 24)), c(rep("J", 36), rep("K", 36)))
> colnames(dd) <- c("v1", "v2", "v3", "dim1", "dim2")
> head(dd)
v1 v2 v3 dim1 dim2
1 0.32 -0.55 2.52 A J
2 -1.13 1.27 -0.19 A J
3 0.40 1.51 -0.30 A J
4 0.40 0.65 1.37 A J
5 -0.93 0.67 -0.09 A J
6 -0.05 0.17 0.71 A J
plyr 套件中的 ddply 函數可以不用撰寫迴圈，迅速地計算出兩因子 dim1 與 dim2 各種可能組合下，數值變數 v1 的平均數。
> ddply(dd, c("dim1", "dim2"), function(df) mean(df$v1))
dim1 dim2 V1
1 A J -0.05333333
2 B J -0.15416667
3 B K 0.14666667
4 C K 0.17041667
其實它的功能如同 SQL 中的某些指令，或是可看成 EXCEL 的樞紐分析。這對彈性強大的 R來說不是一件新鮮事，R 玩家常掛在嘴邊的一句話就是：「幾乎沒有 R 完成不了的資料分析工作！」上述計算的另一種 ddply 函數寫法如下：
> ddply(dd, c("dim1", "dim2"), summarise, V1 = mean(v1))
dim1 dim2 V1
1 A J -0.05333333
2 B J -0.15416667
3 B K 0.14666667
4 C K 0.17041667
ddply 的頭兩個英文字母分別代表函數的輸入為資料框(data frame)，輸出結果亦為資料框。當然，plyr 套件還有其它的函數，ldply 表輸入為串列(list)，輸出為資料框；alply 表輸入為陣列(array)，輸出為串列；d_ply 則不傳回任何物件，通常此函數輸出到圖形裝置或檔案，更多的資訊請參考 plyr 手冊或下面的參考資料。
參考資料：Wickham, H. (2011), “The split-apply-combine strategy for data analysis”, Journal of Statistical Software, Vol. 40, Issue 1, pp. 1-29.
|
撰文者： |
