Nano Hash - криптовалюты, майнинг, программирование

Преобразование определенных ячеек фрейма данных в таблицу в R

У меня есть фрейм данных (прочитанный из файла RDS) со 140 переменными. Я выделил 3 из них. Но в подмножестве есть только одна строка с тремя переменными столбца. Я должен представить это в виде таблицы и тоже сделать гистограмму. Фрейм данных подмножества выглядит следующим образом.

HomeCondn_Good    HomeCondn_Livabl    HomeCondn_Dilapdtd
       (dbl)            (dbl)              (dbl)
1      65.9             29.7                4.3

Воспроизводимый пример выглядит следующим образом:

structure(list(HomeCondn_Good = 65.9, HomeCondn_Livabl = 29.7, 
                HomeCondn_Dilapdtd = 4.3), .Names = c("HomeCondn_Good", "HomeCondn_Livabl", 
                                                      "HomeCondn_Dilapdtd"), class = c("tbl_df", "data.frame"), row.names = c(NA, 
                                                                                                                              -1L))

Я хочу преобразовать это в таблицу в следующем формате:

   Parameter           Proportion
1 HomeCondn_Good        65.9
2 HomeCondn_Livabl      29.7
3 HomeCondn_Dilapdtd     4.3

Я попробовал изменить форму и использовал функцию плавления. (Предполагая, что «дом» - это имя объекта)

Home <- melt(Home)
names(Home)[1] <- "Parameter"
names(Home)[2] <- "Proportion"

Я получаю следующее предупреждение:

Без переменных идентификатора; используя все как переменные меры

Я реализую это в Shiny. Хотя я получаю желаемый результат в таблице, это явно влияет на другие компоненты программы, которые либо не выдают результат, либо просто не визуализируют. Может кто-нибудь помочь мне понять это, пожалуйста?

r reshape shiny melt
03.12.2015

Ответы:


1

Мы можем использовать gather из tidyr

library(tidyr)
gather(df1, Parameter, Proportion)
#              Parameter Proportion
#               (fctr)      (dbl)
#1     HomeCondn_Good       65.9
#2   HomeCondn_Livabl       29.7
#3 HomeCondn_Dilapdtd        4.3
03.12.2015
  • мои извинения, акрун .... я вставил неверный воспроизводимый код, который был после melt упражнения .... исправлено сейчас .... предупреждающее сообщение появляется, когда я пытаюсь растаять. Исходное подмножество df не имеет параметров Параметр и Пропорция, поскольку они были переименованы позже. 03.12.2015
  • @LeArNr Я просто скопировал / вставил опубликованный вами dput, он дает мне тот же результат, т.е. ожидаемый результат 03.12.2015
  • Большое спасибо, еще раз извиняюсь за путаницу ... не знаю, что вы также можете передать имена переменных в tidy ..... это работает ... возможно ли подавить сообщения (fctr) и '(dbl) `. .. 03.12.2015
  • @LeArNr Это структура по умолчанию для tbl_df. Если вы конвертируете в data.frame, он исчезнет library(dplyr);gather(df1, Parameter, Proportion) %>% as.data.frame() 03.12.2015
  • еще раз большое спасибо akrun ... не нужно удалять теги fctr и dbl ... они не отображаются блестящими. 03.12.2015
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..