Rのplyrパッケージのざっくり理解

Rのplyrパッケージの使い方がすぐには理解できなかったので、自分なりにまとめてみる。

plyrパッケージにはいろいろな便利関数が含まれているようですが、今回は「xyply系」と呼ばれるモノについて考える。

plyrパッケージとは

Rでデータ処理を効率よく行うための便利なパッケージらしい。

Rが良く分かってない身としては「効率よく」と言われてもよく分からないのだが、とにかく便利らしい。

xyplyとは

入力するデータと出力するデータの形式によっけ関数名を決めているらしい。

xが入力、yが出力。

配列を入力して配列を出力するなら、配列（array）の頭文字aを取って「aaply()」となるようだ。

ddplyの例

私がちょうど今読んでいる（そしてRのコード理解に四苦八苦している）「入門 機械学習」の4章、「順位付け：優先トレイ」のコードを例に整理する。

ちなみにこの本のコードは自由に引用してオッケーとなっている。

こういう行がある。ddplyを使っています。

from.weight <- ddply(priority.train, .(From.EMail), summarise, Freq=length(Subject))

図にしてみた。

結果は「送信元メールアドレスごとの頻度」という事になる。

だいたいこんな雰囲気。

ここでややこしいのが、「summarise」という独自のオプションがあり、これを覚える必要があるという点。

もう一つ、この例だと4番目の引数の「Subject」という列名の指定に深い意味は無いという点。

SQLのgroup byとcount()を使ったような結果になるイメージかなぁ。

エクセルのvlookup()とかを使うよりはシンプルかもしれないが、なんならSQLを書きたい気分になってくるね。

ともかくRの世界ではこれがデータの前処理をするときに非常に便利という事になっているらしい。覚えておこう。

入門 機械学習