Ordinamento dei dati

Ordinare i dati è una attività semplice e sovente necessaria per la quale R offre molte soluzioni.

Qui vediamo le funzioni di ordinamento contenute nel pacchetto base di R - il pacchetto di funzioni statistiche e grafiche che viene installato con il programma R - e le funzioni contenute nei due pacchetti aggiuntivi dplyr e data.table, che sono quelle più frequentemente utilizzate. I due pacchetti aggiuntivi devono ovviamente essere scaricati e installati dal CRAN.

Per proseguire è necessario:

→ effettuare il download del file di dati peso_altezza.csv

→ salvare il file nella cartella C:\Rdati\

Per il file di dati trovate link e modalità di download alla pagina Dati, ma potete anche semplicemente copiare i dati riportati qui sotto aggiungendo un ↵ Invio al termine dell'ultima riga e salvarli in C:\Rdati\ in un file di testo denominato peso_altezza.csv (assicuratevi che il file sia effettivamente salvato in formato testo e con l'estensione .csv).

id;sesso;anni;peso_kg;altezza_m

MT;M;69;76;1,78

GF;F;56;63;

MC;F;53;71;1,60

SB;M;28;73;1,78

FE;F;61;54;1,54

AB;M;46;92;1,84

RF;F;31;81;1,56

Iniziamo con la funzione order() contenuta nel pacchetto base precisando subito che con questa funzione la tabella originaria viene sì mostrata nell'ordine desiderato ma non viene modificata, e il nuovo ordine si applica salvando i dati ordinati in una tabella che:

→  può avere lo stesso nome della tabella originaria, nel qual caso questa viene sovrascritta e quindi risulterà effettivamente modificata;

→ può avere un nuovo nome, nel qual caso la tabella originaria resta immodificata, come facciamo qui (noi che vogliamo essere prudenti). 

Vediamo la cosa con questo semplice script, incollatelo nella Console di R e premete ↵ Invio:

# ORDINAMENTO DATI 

#

mydata <- read.table("c:/Rdati/peso_altezza.csv", header=TRUE, sep=";", dec=",") # importa i dati 

mydata # mostra la tabella originaria

#

mydata[order(mydata$id),] # ordina e mostra la tabella ordinata

#

mydata # la tabella originaria resta immodificata

#

newdata <- mydata[order(mydata$id),] # ordina e salva in una nuova tabella

#

newdata # mostra la nuova tabella

#

Ecco quindi cosa accade, questa è la tabella originaria mydata importata:

> mydata # mostra la tabella originaria

  id sesso anni peso_kg altezza_m

1 MT     M   69      76      1.78

2 GF     F   56      63        NA

3 MC     F   53      71      1.60

4 SB     M   28      73      1.78

5 FE     F   61      54      1.54

6 AB     M   46      92      1.84

7 RF     F   31      81      1.56

Con la funzione order() la tabella mydata viene ordinata in ordine crescente in base alla variabile id e viene mostrata nella Console di R:

> mydata[order(mydata$id),] # ordina e mostra la tabella ordinata

  id sesso anni peso_kg altezza_m

6 AB     M   46      92      1.84

5 FE     F   61      54      1.54

2 GF     F   56      63        NA

3 MC     F   53      71      1.60

1 MT     M   69      76      1.78

7 RF     F   31      81      1.56

4 SB     M   28      73      1.78

Tuttavia se verifichiamo la tabella originaria mydata richiamandone il nome vediamo che non è stata modificata:

> mydata # la tabella originaria resta immodificata

  id sesso anni peso_kg altezza_m

1 MT     M   69      76      1.78

2 GF     F   56      63        NA

3 MC     F   53      71      1.60

4 SB     M   28      73      1.78

5 FE     F   61      54      1.54

6 AB     M   46      92      1.84

7 RF     F   31      81      1.56

Per ottenere una tabella con i dati ordinati si ordina nuovamente la tabella mydata salvando il risultato (<-) in una nuova tabella che denominiamo newdata:

> newdata <- mydata[order(mydata$id),] # ordina e salva in una nuova tabella

Se ora verifichiamo il contenuto della nuova tabella newdata richiamandone il nome, vediamo che contiene i dati ordinati:

> newdata # mostra la nuova tabella

  id sesso anni peso_kg altezza_m

6 AB     M   46      92      1.84

5 FE     F   61      54      1.54

2 GF     F   56      63        NA

3 MC     F   53      71      1.60

1 MT     M   69      76      1.78

7 RF     F   31      81      1.56

4 SB     M   28      73      1.78

Una volta chiarito questo punto, molto importante dal punto di vista pratico, possiamo precedere con gli script. Copiate il primo, incollatelo nella Console di R e premete ↵ Invio:

# ORDINAMENTO ordina per nome della tabella$variabile

#

mydata <- read.table("c:/Rdati/peso_altezza.csv", header=TRUE, sep=";", dec=",") # importa i dati 

mydata # mostra la tabella originaria

#

mydata[order(mydata$peso_kg),] # ordina il peso in ordine crescente

#

mydata[order(-mydata$peso_kg),] # ordina il peso in ordine decrescente

#

mydata[order(mydata$sesso, -mydata$peso_kg),] # ordina il sesso in ordine crescente, il peso in ordine decrescente

#

mydata[order(mydata$id),] # ordina id in ordine crescente

#

mydata[order(-mydata$id),] # ordina id in ordine decrescente

#

mydata[order(-xtfrm(mydata$id)),] # ordina id in ordine decrescente

#

mydata[order(-xtfrm(mydata$sesso), mydata$peso_kg),] # ordina il sesso in ordine decrescente, il peso in ordine crescente

#

mydata[order(mydata$altezza_m, na.last=TRUE),] # ordina l'altezza in ordine crescente, NA in coda

#

mydata[order(mydata$altezza_m, na.last=FALSE),] # ordina l'altezza in ordine crescente, NA in testa

#   

mydata[order(-mydata$altezza_m, na.last=NA),] # ordina l'altezza in ordine decrescente, esclude NA

#  

mydata # la tabella originaria resta immodificata

#

I commenti riportati in ciascuna riga di codice sono di per sè esplicativi.

La cosa interessante accade quando si tenta di ordinare la variabile mydata$id in ordine decrescente con mydata[order(-mydata$id),], questo infatti è il risultato:

> mydata[order(-mydata$id),] # ordina id in ordine decrescente

Errore in -mydata$id : argomento non valido per l'operatore unario

L'errore è legato al fatto che R non ammette davanti a una variabile di tipo testo il segno meno (-) e viene corretto nella riga successiva con la funzione xtfrm() che nell'help è definita come "A generic auxiliary function that produces a numeric vector which will sort in the same order as x".

Questo è il risultato della nuova sintassi che corregge l'errore che impediva l'ordinamento in senso decrescente della variabile testo:

> mydata[order(-xtfrm(mydata$id)),] # ordina id in ordine decrescente

  id sesso anni peso_kg altezza_m

4 SB     M   28      73      1.78

7 RF     F   31      81      1.56

1 MT     M   69      76      1.78

3 MC     F   53      71      1.60

2 GF     F   56      63        NA

5 FE     F   61      54      1.54

6 AB     M   46      92      1.84

Come potete constatare dai risultati che vedete nella Console di R le ultime tre righe di codice illustrano come impiegare l'argomento na.last per controllare il trattamento dei dati mancanti (NA):

→ se na.last=TRUE i dati mancanti sono identificati con NA e messi in coda ai dati;

→ se na.last=FALSE i dati mancanti sono identificati con NA e posti in testa ai dati;

→ se na.last=NA i dati mancanti sono rimossi;

Copiate questo secondo script, incollatelo nella Console di R e premete ↵ Invio:

# ORDINAMENTO ordina per nome della variabile

#

mydata <- read.table("c:/Rdati/peso_altezza.csv", header=TRUE, sep=";", dec=",") # importa i dati 

mydata # mostra la tabella originaria

attach(mydata) # consente di impiegare direttamente i nomi delle variabili di mydata

#

mydata[order(id),] # ordina id in ordine crescente

#

mydata[order(-xtfrm(id)),] # ordina id in ordine decrescente

#

mydata[order(-anni),] # ordina gli anni in ordine decrescente

#   

mydata[order(sesso, -altezza_m),] # ordina il sesso in ordine crescente, l'altezza in ordine crescente

#

mydata[order(-xtfrm(sesso), altezza_m),] # ordina il sesso in ordine decrescente, l'altezza in ordine decrescente

#

detach(mydata) # termina l'impiego diretto dei nomi delle variabili

#

mydata # la tabella originaria resta immodificata

#

Impieghiamo sempre la funzione order() contenuta nel pacchetto {base} ma risulta immediatamente evidente la differenza: nello script precedente le variabili erano indicate con nomedellatabella$nomedellavariabile, mentre ora dopo avere riportato nella seconda riga di codice

attach(mydata) 

possiamo fare riferimento alle variabili riportando semplicemente il nomedellavariabile. Mentre le regole di ordinamento rimangono ovviamente le stesse, alla fine dello script viene riportato

detach(mydata) 

per ripristinare la condizione di default [2].

Concludiamo quanto riguarda la funzione order() contenuta nel pacchetto {base} con questo terzo script, incollatelo nella Console di R e premete ↵ Invio:

# ORDINAMENTO ordina per numero della colonna

#

mydata <- read.table("c:/Rdati/peso_altezza.csv", header=TRUE, sep=";", dec=",") # importa i dati 

mydata # mostra la tabella originaria

#

mydata[order(mydata[,4]),] # ordina la colonna 4 in ordine crescente

#

mydata[order(-mydata[,4]),] # ordina la colonna 4 in ordine decrescente

#

mydata[order(mydata[,1]),] # ordina la colonna 1 in ordine crescente

#

mydata[order(-xtfrm(mydata[,1])),] # ordina la colonna 1 in ordine decrescente

#

mydata[order(mydata[,2], mydata[,5]),] # ordina la colonna 2 in ordine crescente, la colonna 5 in ordine crescente 

#

mydata[order(-xtfrm(mydata[,2]), -mydata[,5]),] # ordina la colonna 2 in ordine decrescente, la colonna 5 in ordine decrescente 

#

mydata # la tabella originaria resta immodificata

#

La differenza rispetto ai due primi script consiste, questa volta, semplicemente nell'ordinare la tabella impiegando il numero della colonna. 

Vediamo ora le regole per l'ordinamento previste dalla funzione arrange() del pacchetto dplyr.

Copiate questo script, incollatelo nella Console di R e premete ↵ Invio:

# ORDINAMENTO con il pacchetto "dplyr"

#

library(dplyr) # carica il pacchetto

mydata <- read.table("c:/Rdati/peso_altezza.csv", header=TRUE, sep=";", dec=",") # importa i dati 

mydata # mostra la tabella originaria

#

arrange(mydata, altezza_m) # ordina l'altezza in ordine crescente

#

arrange(mydata, desc(altezza_m)) # ordina l'altezza in ordine decrescente

#

arrange(mydata, sesso, desc(id)) # ordina il sesso in ordine crescente, id in ordine decrescente

#

mydata # la tabella originaria resta immodificata

#

Le cose da notare in merito alla funzione arrange() sono:

→ viene specificato ogni volta il nome della tabella da ordinare, per cui il nome della variabile risulta abbreviato;

→ i dati mancanti sono identificati con NA e messi in coda ai dati;

→ l'ordinamento di una variabile testo in ordine discendente con l'opzione desc() non incontra il problema che avevamo riscontrato con la funzione order();

→ la tabella originaria resta immodificata.

Passiamo infine a vedere le regole per l'ordinamento previste dalla funzione setorder() del pacchetto read.table.

Copiate questo script, incollatelo nella Console di R e premete ↵ Invio:

# ORDINAMENTO con il pacchetto "data.table"

#

library(data.table) # carica il pacchetto

mydata <- read.table("c:/Rdati/peso_altezza.csv", header=TRUE, sep=";", dec=",") # importa i dati 

mydata # mostra la tabella originaria

#

setorder(mydata, altezza_m) # ordina l'altezza in ordine crescente

mydata # mostra la tabella ordinata

#

setorder(mydata, -altezza_m) # ordina l'altezza in ordine decrescente

mydata # mostra la tabella ordinata

#

setorder(mydata, sesso, -id) # ordina il sesso in ordine crescente, id in ordine decrescente

mydata # mostra la tabella ordinata

#

Qui le cose da notare sono:

→ contrariamente a quanto visto finora, con la funzione setorder() la tabella originaria viene realmente ordinata e inoltre:

→ se si impiega l'argomento na.last=TRUE i dati mancanti sono identificati con NA e messi in coda ai dati;

→ se si impiega l'argomento na.last=FALSE i dati mancanti sono identificati con NA e posti in testa ai dati;

→ la funzione accetta per l'argomento na.last solamente i valori TRUE e FALSE con valore di default FALSE (che è quello qui esemplificato).

Conclusione: se volete evitare l'impiego di un pacchetto aggiuntivo, trovate nella funzione order() del pacchetto {base} che viene installato con il programma R tutte le modalità di ordinamento che si possono desiderare, anche se con qualche arzigogolo. Se invece vi va bene installare pacchetti aggiuntivi, la funzione arrange() e la funzione setorder(), con differenze veramente minime tra loro, offrono il vantaggio di impiegare una sintassi semplificata e più immediata. Il punto delicato è il fatto che  setorder() ordina realmente la tabella originaria, mentre potrebbe essere più prudente e anche più ordinato lasciare, come accade con arrange(), la tabella originaria immodificata e al bisogno salvare i dati ordinati in una tabella con un nome differente. Ma ovviamente si tratta di scelte personali e insindacabili.

   

----------

[1] Parliamo di array o vettore nel caso di dati numerici monodimensionali, disposti su una sola riga, 

8

6

11

7

di matrice nel caso di dati numerici disposti su più righe e più colonne

8	9	15	14
6	7	18	12
11	8	17	13
7	4	19	17

e di tabella nei casi in cui il contenuto, disposto su più righe e più colonne, è rappresentato oltre che da dati numerici, anche da testo e/o operatori logici

M	7	9	VERO
F	3	12	VERO
F	5	10	FALSO

[2] In termini un poco più tecnici: con la funzione attach(database) il database è collegato al percorso di ricerca di R, questo significa che quando si opera su una variabile R è informato del database che la contiene, e pertanto è possibile accedere alla variabile semplicemente fornendone il nome. Con la funzione detach(database) il database viene rimosso dal percorso di ricerca di R.