12 Veri Dönüştürme

Veri analizi çoğu zaman veriyi yalnızca seçmek, filtrelemek ya da özetlemekle bitmez. Bazen elimizdeki bilgiler doğrudur, ancak tablonun düzeni yapmak istediğimiz işlem için uygun değildir. Aynı bilgi, farklı satır ve sütun düzenlerinde saklanabilir. İşte veri dönüştürme bu noktada devreye girer.

Bir önceki bölümde dplyr ile veri setinin içeriği üzerinde çalıştık: sütun seçtik, satır filtreledik, yeni değişkenler oluşturduk ve gruplar için özet istatistikler hesapladık. Bu bölümde ise farklı bir soruya odaklanacağız:

Aynı bilgiyi, analiz için daha uygun bir tablo yapısına nasıl dönüştürebiliriz?

Bu amaçla ağırlıklı olarak tidyr paketini kullanacağız. tidyr, tidyverse ekosisteminin veri düzenleme araçlarını içeren temel paketlerinden biridir. Paket adındaki tidy sözcüğü İngilizcede “düzenli, derli toplu” anlamına gelir. tidyr paketinin temel amacı da veriyi, analiz araçlarının daha kolay kullanabileceği düzenli (tidy) bir yapıya getirmektir. Resmî tidyr dokümantasyonunda düzenli veri; her değişkenin bir sütunda, her gözlemin bir satırda ve her değerin tek bir hücrede yer aldığı yapı olarak tanımlanır.¹

Bu bölümde özellikle iki temel dönüşüm üzerinde duracağız:

geniş formattan uzun formata dönüşüm: pivot_longer()
uzun formattan geniş formata dönüşüm: pivot_wider()

Bunlara ek olarak, bir sütunda birden fazla bilginin birlikte tutulduğu durumlarda sütunları ayırmayı ve gerektiğinde tekrar birleştirmeyi de göreceğiz.

Bu bölümde neyi amaçlıyoruz?

Amaç, pivot_longer() ve pivot_wider() fonksiyonlarının sözdizimini ezberlemek değildir. Önce neden uzun veya geniş formata ihtiyaç duyduğumuzu anlamaya çalışacağız. Fonksiyonların kullanımı bu mantık oturduktan sonra çok daha kolay hale gelir.

12.1 Aynı veri, farklı tablo yapıları

Önce çok küçük bir örnek düşünelim. Üç ülkenin 2022, 2023 ve 2024 yıllarındaki kişi başına gelir değerlerini tuttuğumuzu varsayalım.

library(tidyverse)

income_wide <- tibble(
  country = c("Turkiye", "Germany", "France"),
  `2022` = c(10655, 48718, 40964),
  `2023` = c(13110, 54343, 44460),
  `2024` = c(15460, 55800, 46200)
)

income_wide

Bu yapı insanların gözünde oldukça doğaldır. Her ülke bir satırdadır; yıllar ise yan yana sütunlarda gösterilir.

country	2022	2023	2024
Turkiye	10655	13110	15460
Germany	48718	54343	55800
France	40964	44460	46200

Bu biçime geniş format (wide format) denir. Çünkü aynı türdeki ölçümlerin farklı dönemleri yatay olarak ayrı sütunlara yayılmıştır.

Peki aynı bilgiyi şöyle saklasaydık?

country	year	gdp_per_capita
Turkiye	2022	10655
Turkiye	2023	13110
Turkiye	2024	15460
Germany	2022	48718
Germany	2023	54343
Germany	2024	55800
France	2022	40964
France	2023	44460
France	2024	46200

Bu ise uzun format (long format) yapısıdır. Yıllar artık ayrı sütunlar değildir; year adında tek bir değişkenin değerleri haline gelmiştir. Kişi başına gelir değerleri de gdp_per_capita adlı tek bir sütunda tutulmaktadır.

İki tabloya dikkatle bakıldığında önemli bir nokta görülür:

Bilgi değişmedi; yalnızca bilginin tablo üzerindeki konumu değişti.

pivot_longer() ve pivot_wider() fonksiyonlarının temel mantığı tam olarak budur. Resmî tidyr dokümantasyonu pivot işlemlerini, verinin içerdiği değerleri değiştirmeden gösterim biçimini değiştiren dönüşümler olarak açıklar.²

12.2 Neden uzun ve geniş formatlara ihtiyaç duyarız?

Tek bir “doğru” tablo biçimi yoktur. Bir tablonun uygun olup olmadığı, ne yapmak istediğimize bağlıdır.

Geniş format çoğu zaman:

insanların tabloyu doğrudan okuması,
yılları veya kategorileri yan yana karşılaştırması,
raporlama ve sunum tabloları hazırlaması

için kullanışlıdır.

Uzun format ise çoğu zaman:

ggplot2 ile grafik oluşturma,
gruplama ve özetleme,
farklı yılları veya göstergeleri tek değişken üzerinden filtreleme,
tekrarlı ölçüm veya panel verilerle çalışma,
bazı modelleme ve analiz araçlarına veri hazırlama

için daha kullanışlıdır.

Örneğin geniş formatta yıllar sütun adlarının içinde saklanmaktadır. Bu durumda “2020’den sonraki yılları filtrele” gibi bir işlem doğrudan mümkün değildir; çünkü 2022, 2023 ve 2024 bir değişkenin değerleri değil, sütun adlarıdır. Uzun formata geçtiğimizde ise year gerçek bir değişken olur ve şöyle bir işlem yapabiliriz:

income_wide |>
  pivot_longer(
    cols = `2022`:`2024`,
    names_to = "year",
    values_to = "gdp_per_capita"
  ) |>
  filter(year >= "2023")

Buradaki asıl kazanım satır veya sütun sayısının değişmesi değildir. Kazanım, yıl bilgisinin artık analiz edilebilir bir değişken haline gelmesidir.

Uzun format her zaman daha iyi değildir

Tidyverse dünyasında uzun format çok sık kullanılır; ancak bu, geniş formatın yanlış olduğu anlamına gelmez. Bir rapor tablosunda yılları yan yana görmek daha okunabilir olabilir. Veri dönüştürmenin amacı bütün tabloları tek bir biçime zorlamak değil, veriyi yapılacak işe uygun biçime getirmektir.

12.3 Düzenli veri (tidy data) mantığı

Hadley Wickham tarafından sistematik hale getirilen tidy data yaklaşımı, veri setinin anlamı ile fiziksel yapısı arasında tutarlı bir ilişki kurmayı amaçlar. Wickham’ın 2014 tarihli Tidy Data makalesinde düzenli veri yapısı; değişkenlerin sütunlara, gözlemlerin satırlara ve gözlemsel birim türlerinin tablolara karşılık gelmesi üzerine kuruludur.³

Basit haliyle üç kuralı hatırlamak yeterlidir:

Her değişken bir sütunda yer alır.
Her gözlem bir satırda yer alır.
Her değer tek bir hücrede yer alır.

Bu kurallar ilk bakışta çok basit görünebilir. Ancak gerçek veri setlerinde bilgi sıklıkla sütun adlarına, hücre içindeki metinlere veya farklı tablolara dağılmış durumdadır.

Örneğin aşağıdaki sütun adlarını düşünelim:

population_2019
population_2020
population_2021

Burada iki bilgi aynı sütun adının içine gömülmüştür:

göstergenin adı: population
yıl: 2019, 2020, 2021

Böyle bir yapı insanlar için okunabilir olabilir; ancak analiz açısından yıl bilgisinin sütun adında saklanması bazı işlemleri zorlaştırır. Veri dönüştürme araçları bu tür bilgileri uygun değişkenlere ayırmamıza yardımcı olur.

R for Data Science kitabının ikinci baskısı da pivot işlemlerini, değerleri değiştirmeden verinin biçimini yeniden düzenlemenin temel aracı olarak ele alır.⁴

12.4 `tidyr` paketine giriş

Bu bölümde kullandığımız fonksiyonlar tidyr paketindedir. tidyr, tidyverse paket koleksiyonunun bir parçasıdır. Önceki bölümde library(tidyverse) komutunu kullandığımız için tidyr da otomatik olarak yüklenmiştir.

library(tidyverse)

country_indicators <- readr::read_csv(
  "data/country_indicators.csv",
  show_col_types = FALSE
)

country_indicators_long <- readr::read_csv(
  "data/country_indicators_long.csv",
  show_col_types = FALSE
)

Bu bölümde iki gerçek veri yapısından yararlanacağız:

country_indicators.csv: bir satırın bir ülke-yıl gözlemini temsil ettiği geniş veri seti,
country_indicators_long.csv: bir satırın bir ülke-yıl-gösterge gözlemini temsil ettiği uzun veri seti.

Her iki tablo da aynı World Bank — World Development Indicators (WDI) veri altyapısından üretilmiştir. Dolayısıyla bölüm boyunca veri dönüşümünü yalnızca küçük yapay örneklerle değil, gerçek uluslararası göstergeler üzerinden de görebileceğiz.

12.5 Geniş formattan uzun formata: `pivot_longer()`

pivot_longer() sözcük olarak “daha uzun hale döndürmek” fikrini taşır. Fonksiyon, seçilen sütunları satırlara taşıyarak veri setinin satır sayısını artırır, buna karşılık genellikle sütun sayısını azaltır. Resmî tidyr dokümantasyonunda da pivot_longer() bu şekilde tanımlanır.⁵

12.5.1 İlk dönüşüm

Küçük örneğimize geri dönelim:

income_long <- income_wide |>
  pivot_longer(
    cols = `2022`:`2024`,
    names_to = "year",
    values_to = "gdp_per_capita"
  )

income_long

Kodun temel parçaları şunlardır:

cols: hangi sütunların uzun formata dönüştürüleceğini belirtir.
names_to: dönüştürülen eski sütun adlarının hangi yeni sütunda tutulacağını belirtir.
values_to: eski sütunlardaki değerlerin hangi yeni sütunda tutulacağını belirtir.

Bu örneği zihinsel olarak şöyle okuyabiliriz:

2022, 2023 ve 2024 sütunlarını al; bu sütunların adlarını year sütununda, içlerindeki değerleri ise gdp_per_capita sütununda topla.

Bu cümle pivot_longer() fonksiyonunun temel mantığını özetler.

12.5.2 Sütunları isim örüntüsüyle seçmek

Dönüştürülecek sütunların yan yana olması şart değildir. Önceki bölümde öğrendiğimiz select() yardımcıları pivot_longer() içinde de kullanılabilir.

Örneğin şöyle bir veri düşünelim:

population_wide <- tibble(
  country = c("Turkiye", "Germany", "France"),
  population_2022 = c(85.3, 84.1, 68.0),
  population_2023 = c(85.4, 84.5, 68.2),
  population_2024 = c(85.7, 83.5, 68.4)
)

population_wide

population_ ile başlayan bütün sütunları seçebiliriz:

population_wide |>
  pivot_longer(
    cols = starts_with("population_"),
    names_to = "year",
    values_to = "population_million"
  )

Fakat sonuçtaki year sütununda population_2022, population_2023 gibi değerler oluşur. Oysa bizim istediğimiz yalnızca yıl bilgisidir.

12.5.3 Sütun adındaki gereksiz kısmı kaldırmak: `names_prefix`

names_prefix argümanı, sütun adlarının başındaki ortak metni kaldırmak için kullanılır.

population_long <- population_wide |>
  pivot_longer(
    cols = starts_with("population_"),
    names_to = "year",
    names_prefix = "population_",
    values_to = "population_million"
  )

population_long

Artık year sütununda yalnızca 2022, 2023 ve 2024 değerleri bulunur.

12.5.4 Yeni değişkenin türünü değiştirmek: `names_transform`

Sütun adları metin olduğu için year da varsayılan olarak karakter türünde oluşur. Yıl üzerinde sayısal işlemler yapmak istiyorsak bunu tam sayıya dönüştürebiliriz:

population_wide |>
  pivot_longer(
    cols = starts_with("population_"),
    names_to = "year",
    names_prefix = "population_",
    names_transform = as.integer,
    values_to = "population_million"
  )

Bu küçük ayrıntı önemlidir. Veri dönüşümünde yalnızca tablo şekline değil, oluşturulan değişkenlerin veri türlerine de dikkat etmeliyiz.

12.6 Gerçek veri üzerinde `pivot_longer()`

Şimdi kitap için hazırladığımız gerçek ülke-yıl veri setine geçelim. Önce yalnızca birkaç ülke ve gösterge seçerek örneği okunabilir tutalım.

selected_countries <- country_indicators |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year %in% c(2010, 2015, 2019)
  ) |>
  select(
    country,
    year,
    gdp_per_capita_usd,
    unemployment_total_pct,
    life_expectancy_total
  )

selected_countries

Bu tablo ülke ve yıl bakımından uzun bir yapıya sahip olsa da göstergeler bakımından geniştir: kişi başına GSYH, işsizlik oranı ve yaşam beklentisi ayrı sütunlardadır.

Şimdi bu üç göstergeyi tek bir indicator sütununda toplayalım:

selected_countries_long <- selected_countries |>
  pivot_longer(
    cols = c(
      gdp_per_capita_usd,
      unemployment_total_pct,
      life_expectancy_total
    ),
    names_to = "indicator",
    values_to = "value"
  )

selected_countries_long

Artık her satır:

bir ülke + bir yıl + bir gösterge

kombinasyonunu temsil etmektedir.

Bu yapı özellikle göstergeleri aynı değişken üzerinden filtrelemek veya gruplamak istediğimizde kullanışlıdır:

selected_countries_long |>
  filter(indicator == "life_expectancy_total")

Geniş tabloda life_expectancy_total bir sütun adıydı. Uzun tabloda ise indicator değişkeninin bir değeridir. İşte pivot işleminin analiz mantığını değiştirdiği noktalardan biri budur.

Uzun formata ne zaman geçmeliyim?

Şu soruyu sormak genellikle işe yarar:

“Sütun adlarının içinde aslında değişken olması gereken bir bilgi var mı?”

Yıllar, aylar, cinsiyetler, senaryolar, ölçüm türleri veya göstergeler ayrı ayrı sütun adlarına dağılmışsa, uzun formata geçmek çoğu zaman analizi kolaylaştırır.

12.7 Bir sütun adından birden fazla değişken üretmek

Gerçek veriler her zaman population_2022 kadar basit değildir. Bazen sütun adı birden fazla bilgiyi birlikte taşır.

Örneğin:

employment_wide <- tibble(
  country = c("A", "B"),
  unemployment_female_2019 = c(12.1, 7.4),
  unemployment_male_2019 = c(9.8, 6.6),
  unemployment_female_2020 = c(13.5, 8.1),
  unemployment_male_2020 = c(10.9, 7.0)
)

employment_wide

Burada sütun adlarının içinde üç ayrı bilgi vardır:

gösterge: unemployment
cinsiyet: female / male
yıl: 2019 / 2020

names_to içine birden fazla yeni sütun adı verebilir, names_sep ile sütun adlarını ayırabiliriz:

employment_wide |>
  pivot_longer(
    cols = -country,
    names_to = c("indicator", "sex", "year"),
    names_sep = "_",
    values_to = "rate"
  )

Bu yaklaşım, sütun adının düzenli biçimde bir ayırıcı karakter içerdiği durumlarda oldukça kullanışlıdır.

12.7.1 `names_pattern` ile daha esnek ayrıştırma

Sütun adlarının yapısı daha karmaşıksa names_pattern kullanılabilir. Bu argüman düzenli ifadelerden (regular expressions) yararlanır. Ancak düzenli ifadeler bu kitabın temel veri dönüşümü kapsamının ötesine geçebileceği için burada yalnızca varlığını bilmek yeterlidir.

employment_wide |>
  pivot_longer(
    cols = -country,
    names_to = c("indicator", "sex", "year"),
    names_pattern = "(.*)_(female|male)_(\\d{4})",
    values_to = "rate"
  )

names_sep yeterliyse onu tercih etmek genellikle daha okunabilirdir. names_pattern, sütun isimlerinin sabit bir ayırıcıyla düzgün biçimde parçalanamadığı durumlarda daha değerlidir.

12.8 Uzun formattan geniş formata: `pivot_wider()`

pivot_wider() uzun veriyi daha geniş hale getirir: satır sayısı genellikle azalırken sütun sayısı artar. pivot_longer() işleminin ters yönlü karşılığıdır.⁶

Küçük uzun veri setimizi tekrar kullanalım:

income_long |>
  pivot_wider(
    names_from = year,
    values_from = gdp_per_capita
  )

Buradaki mantık şöyledir:

names_from: yeni sütun adlarının hangi değişkenin değerlerinden üretileceğini belirtir.
values_from: yeni sütunlara hangi değişkenin değerlerinin yerleştirileceğini belirtir.

Yani şöyle okuyabiliriz:

year değişkeninin değerlerini sütun adlarına taşı; hücreleri gdp_per_capita değerleriyle doldur.

12.8.1 Gerçek uzun veri üzerinde genişletme

Kitabın country_indicators_long.csv veri seti doğrudan uzun formattadır:

country_indicators_long |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year == 2019,
    indicator %in% c(
      "gdp_per_capita_usd",
      "unemployment_total_pct",
      "life_expectancy_total"
    )
  ) |>
  select(country, year, indicator, value)

Bu yapıyı göstergeler sütun olacak şekilde genişletebiliriz:

country_indicators_long |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year == 2019,
    indicator %in% c(
      "gdp_per_capita_usd",
      "unemployment_total_pct",
      "life_expectancy_total"
    )
  ) |>
  select(country, year, indicator, value) |>
  pivot_wider(
    names_from = indicator,
    values_from = value
  )

Bu dönüşüm özellikle bir ülke-yıl için göstergeleri yan yana karşılaştırmak istediğimizde kullanışlıdır.

12.9 `id_cols`: Hangi sütunlar gözlemi tanımlar?

pivot_wider() kullanırken önemli sorulardan biri şudur:

Yeni geniş tablodaki bir satırı hangi değişkenler tanımlıyor?

Bu değişkenler id_cols argümanıyla açıkça belirtilebilir.

country_indicators_long |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year %in% c(2018, 2019),
    indicator %in% c(
      "gdp_per_capita_usd",
      "life_expectancy_total"
    )
  ) |>
  select(country, country_code, year, indicator, value) |>
  pivot_wider(
    id_cols = c(country, country_code, year),
    names_from = indicator,
    values_from = value
  )

Burada bir satırı country + country_code + year birlikte tanımlar. Bu fikir ileride veri birleştirme bölümünde göreceğimiz anahtar değişken kavramıyla da yakından ilişkilidir.

12.10 Sütun adlarını düzenlemek: `names_prefix`, `names_sep` ve `names_glue`

Geniş formatta oluşturulan sütun adlarını daha anlaşılır hale getirmek isteyebiliriz.

Örneğin yılları sütunlara dönüştürelim:

country_indicators_long |>
  filter(
    country == "Turkiye",
    year %in% 2018:2020,
    indicator == "life_expectancy_total"
  ) |>
  select(country, year, value) |>
  pivot_wider(
    names_from = year,
    values_from = value,
    names_prefix = "year_"
  )

Sonuçta year_2018, year_2019, year_2020 gibi sütunlar oluşur. Sütun adının yalnızca 2018 olmasına kıyasla bu yapı bazı durumlarda daha açıklayıcıdır.

Birden fazla değişken sütun adını oluşturuyorsa names_sep veya daha esnek biçimde names_glue kullanılabilir. Ancak temel dönüşüm mantığını öğrendikten sonra bu seçeneklere ihtiyaç duyulur; günlük kullanımda her zaman gerekli değildir.

some_long_data |>
  pivot_wider(
    names_from = c(indicator, year),
    values_from = value,
    names_glue = "{indicator}_{year}"
  )

12.11 Eksik kombinasyonlar ve `values_fill`

Uzun veri geniş formata dönüştürülürken her gözlem için her kategori bulunmayabilir. Bu durumda yeni tabloda NA oluşur.

Küçük bir örnek oluşturalım:

sales_long <- tibble(
  region = c("North", "North", "South"),
  year = c(2023, 2024, 2023),
  sales = c(120, 135, 95)
)

sales_long

Geniş formata geçelim:

sales_long |>
  pivot_wider(
    names_from = year,
    values_from = sales
  )

South için 2024 gözlemi bulunmadığından sonuç NA olur.

Eğer veri bağlamı açısından eksik kombinasyonun gerçekten sıfır anlamına geldiğinden eminseniz values_fill kullanılabilir:

sales_long |>
  pivot_wider(
    names_from = year,
    values_from = sales,
    values_fill = 0
  )

NA ile sıfır aynı şey değildir

values_fill = 0 yalnızca eksik kombinasyonun gerçekten “olay gerçekleşmedi” veya “değer sıfır” anlamına geldiği durumlarda kullanılmalıdır. Ölçüm yapılmamış veya veri bilinmiyorsa NA değerini sıfıra çevirmek veri anlamını bozabilir.

12.12 Aynı hücreye birden fazla değer düşerse ne olur?

pivot_wider() işleminin sorunsuz çalışması için id_cols + names_from kombinasyonu genellikle tek bir değeri tanımlamalıdır.

Örneğin aynı ülke, yıl ve gösterge için iki ayrı değer varsa pivot_wider() hangi değerin hücreye yazılacağını bilemez. Böyle bir durumda uyarı verir ve list-column oluşabilir.

Bu sorun çoğunlukla şunu gösterir:

Gözlemi benzersiz biçimde tanımlayan değişkenleri eksik belirledik veya veride yinelenen kayıtlar var.

Gerektiğinde values_fn kullanarak birden fazla değer özetlenebilir:

my_data |>
  pivot_wider(
    names_from = category,
    values_from = value,
    values_fn = mean
  )

Ancak values_fn kullanmadan önce tekrarların neden oluştuğunu anlamak gerekir. Veri kalitesi sorununu yalnızca ortalama alarak gizlemek doğru değildir.

12.13 Dönüşüm tersinir midir?

Basit ve benzersiz verilerde pivot_longer() ile yaptığımız dönüşümü pivot_wider() ile geri çevirebiliriz.

income_wide |>
  pivot_longer(
    cols = `2022`:`2024`,
    names_to = "year",
    values_to = "gdp_per_capita"
  ) |>
  pivot_wider(
    names_from = year,
    values_from = gdp_per_capita
  )

Başlangıçtaki yapıya geri döneriz.

Fakat her dönüşüm eksiksiz biçimde tersinir değildir. Örneğin:

values_drop_na = TRUE ile eksik değerleri kaldırırsak,
birden fazla değeri values_fn = mean ile özetlersek,
sütun adındaki bazı bilgileri dönüşüm sırasında kaybedersek,

başlangıçtaki tabloyu aynen geri üretmek mümkün olmayabilir.

Bu nedenle veri dönüşümü yalnızca teknik bir şekil değiştirme işlemi değil, aynı zamanda verinin anlamının korunmasını gerektiren bir tasarım kararıdır.

12.14 `pivot_longer()` ve `pivot_wider()` ne zaman kullanılmalı?

Aşağıdaki basit karar tablosu yardımcı olabilir:

Durum	Muhtemel ihtiyaç
Yıllar ayrı sütunlarda	`pivot_longer()`
Kadın ve erkek ölçümleri ayrı sütunlarda ve cinsiyet değişkeni olarak kullanılacak	`pivot_longer()`
Göstergeler ayrı sütunlarda ve tek `indicator` değişkeni altında analiz edilecek	`pivot_longer()`
Uzun tabloda kategori değerlerini yan yana karşılaştırmak istiyoruz	`pivot_wider()`
Rapor için yılları sütunlara taşımak istiyoruz	`pivot_wider()`
Model veya fonksiyon belirli değişkenleri ayrı sütunlarda bekliyor	çoğu zaman `pivot_wider()`

Burada amaç fonksiyonu ezberlemek değil, hangi bilginin değişken, hangi bilginin gözlem olduğunu düşünmektir.

12.15 Bir sütunda birden fazla bilgi varsa

Pivot işlemleri satır-sütun yapısını değiştirir. Ancak bazen sorun tablonun şeklinden değil, tek bir sütunun birden fazla değişkeni birlikte taşımasından kaynaklanır.

Örneğin:

country_period <- tibble(
  country_year = c(
    "Turkiye_2019",
    "Germany_2019",
    "France_2019"
  ),
  value = c(7619, 46795, 40494)
)

country_period

country_year aslında iki değişken içermektedir:

ülke,
yıl.

12.15.1 Bir sütunu ayırmak: `separate_wider_delim()`

Güncel tidyr yaklaşımında ayırıcı karaktere göre bir sütunu parçalamak için separate_wider_delim() kullanılabilir.⁷

country_period |>
  separate_wider_delim(
    cols = country_year,
    delim = "_",
    names = c("country", "year")
  )

Fonksiyon adındaki parçalar işlevi oldukça iyi açıklar:

separate: ayır,
wider: yeni sütunlar oluşturarak genişlet,
delim: ayırıcı (delimiter) kullan.

Eski R kaynaklarında separate() fonksiyonuyla karşılaşabilirsiniz. Güncel tidyr dokümantasyonu daha açık ve tutarlı arayüze sahip separate_wider_*() ailesini önermektedir.

12.15.2 Sabit konuma göre ayırmak: `separate_wider_position()`

Bazen ayırıcı karakter yoktur; bilgi sabit karakter konumlarında tutulur.

Örneğin:

period_code <- tibble(
  period = c("2019Q1", "2019Q2", "2020Q1")
)

period_code

İlk dört karakter yılı, kalan iki karakter çeyreği göstermektedir:

period_code |>
  separate_wider_position(
    cols = period,
    widths = c(year = 4, quarter = 2)
  )

Bu tür işlemler özellikle sabit biçimli kodlarda, tarih-dönem gösterimlerinde veya sınıflama kodlarında kullanışlıdır.

12.16 Birden fazla sütunu birleştirmek: `unite()`

Bazen bunun tersine, iki veya daha fazla değişkeni tek bir sütunda birleştirmek isteyebiliriz.

country_period |>
  separate_wider_delim(
    cols = country_year,
    delim = "_",
    names = c("country", "year")
  ) |>
  unite(
    col = country_year,
    country,
    year,
    sep = "_"
  )

unite İngilizcede “birleştirmek” anlamına gelir. Fonksiyon farklı sütunlardaki değerleri belirli bir ayırıcı kullanarak tek bir sütunda toplar.

Ancak burada önemli bir ayrım vardır:

pivot_*() fonksiyonları tablonun satır-sütun düzenini değiştirir.
separate_wider_*() ve unite() fonksiyonları ise değişkenlerin sütunlar içindeki temsil biçimini değiştirir.

Bu iki dönüşüm türünü birbirinden ayırmak veri yapısını anlamayı kolaylaştırır.

12.17 Eski fonksiyonlar: `gather()`, `spread()` ve `separate()`

Eski tidyverse kitaplarında veya internet örneklerinde şu fonksiyonlarla karşılaşabilirsiniz:

gather()
spread()
separate()

gather() ve spread() uzun ve geniş format dönüşümlerinde uzun yıllar kullanılmıştır. Güncel tidyr yaklaşımında bunların yerine daha açık argüman adlarına ve daha güçlü özelliklere sahip:

pivot_longer()
pivot_wider()

kullanılır. tidyr pivot rehberi de bu fonksiyonların gather() ve spread() arayüzünü geliştirmek amacıyla tasarlandığını belirtir.⁸

Benzer biçimde sütun ayırma işlemlerinde yeni kodlarda separate_wider_delim(), separate_wider_position() ve gerektiğinde separate_wider_regex() ailesini tercih etmek daha uygundur.

Eski kodları okuyabilmek yine de önemlidir

Bu kitapta güncel fonksiyonları kullanacağız. Ancak R uzun yıllardır kullanılan bir dil olduğu için eski projelerde gather(), spread() veya separate() görmek normaldir. Bunların ne işe yaradığını bilmek, eski kodları anlamayı kolaylaştırır; yeni kod yazarken ise güncel arayüzleri tercih etmek daha sağlıklıdır.

12.18 Baştan sona bir dönüşüm örneği

Şimdi gerçek ülke verisi üzerinde birkaç adımı bir araya getirelim.

Amacımız şu olsun:

Turkiye, Germany ve France için 2000, 2010 ve 2019 yıllarında kişi başına GSYH ile yaşam beklentisini önce uzun formatta hazırlayalım; ardından yılları sütunlara taşıyarak raporlanabilir bir tablo oluşturalım.

Önce gerekli gözlemleri seçelim:

analysis_long <- country_indicators_long |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year %in% c(2000, 2010, 2019),
    indicator %in% c(
      "gdp_per_capita_usd",
      "life_expectancy_total"
    )
  ) |>
  select(country, year, indicator, value)

analysis_long

Bu yapı analiz açısından oldukça esnektir. Örneğin tek bir göstergeyi kolayca filtreleyebiliriz:

analysis_long |>
  filter(indicator == "life_expectancy_total")

Şimdi yılları sütunlara taşıyalım:

analysis_wide_years <- analysis_long |>
  pivot_wider(
    names_from = year,
    values_from = value,
    names_prefix = "year_"
  )

analysis_wide_years

Bu sefer her satır bir ülke-gösterge kombinasyonudur; yıllar ise sütunlara taşınmıştır. Böyle bir yapı özellikle dönemleri yan yana gösteren rapor tablolarında kullanışlı olabilir.

Aynı uzun veri setinden farklı bir geniş tablo da oluşturabiliriz. Bu kez göstergeleri sütunlara taşıyalım:

analysis_wide_indicators <- analysis_long |>
  pivot_wider(
    names_from = indicator,
    values_from = value
  )

analysis_wide_indicators

Şimdi her satır bir ülke-yıl gözlemidir ve iki gösterge ayrı sütunlarda yer almaktadır.

Bu örnek önemli bir noktayı gösterir:

Aynı uzun veri setinden, sorumuza bağlı olarak birden fazla anlamlı geniş tablo oluşturabiliriz.

Dönüşümün yönünü belirleyen şey “uzun iyidir” veya “geniş iyidir” gibi genel bir kural değil, yapmak istediğimiz analizdir.

12.19 Sık yapılan hatalar

12.19.1 1. Kimlik sütunlarını da yanlışlıkla pivot etmek

Aşağıdaki gibi bütün sütunları dönüştürmek çoğu zaman hatalıdır:

my_data |>
  pivot_longer(
    cols = everything(),
    names_to = "variable",
    values_to = "value"
  )

Ülke adı veya ülke kodu gibi gözlemi tanımlayan sütunların uzun forma taşınması veri anlamını bozabilir. Pivot edilecek sütunları bilinçli seçmek gerekir.

12.19.2 2. `names_to` ile `values_to` kavramlarını karıştırmak

Şunu hatırlamak yardımcı olur:

eski sütun adları → names_to
eski hücre değerleri → values_to

12.19.3 3. Geniş formata geçerken benzersiz anahtarı kontrol etmemek

Aynı country + year + indicator kombinasyonu birden fazla kez bulunuyorsa pivot_wider() tek bir hücreye hangi değeri yerleştireceğini bilemez. Önce tekrarların nedenini araştırmak gerekir.

12.19.4 4. Eksik değeri sıfır sanmak

pivot_wider(..., values_fill = 0)

kullanımı her NA değerinin gerçekten sıfır olduğu anlamına gelmez. Eksik ölçüm ile gerçek sıfır birbirinden farklıdır.

12.19.5 5. Yılların karakter olarak kalmasını fark etmemek

pivot_longer() ile sütun adlarından üretilen yıllar varsayılan olarak metin olabilir. Sayısal karşılaştırma yapacaksanız names_transform = as.integer gibi bir dönüşüm gerekebilir.

12.19.6 6. Dönüşüm sırasında bilgi kaybetmek

values_drop_na = TRUE veya values_fn gibi seçenekler kullanıldığında başlangıçtaki yapının aynen geri üretilemeyebileceğini unutmayın.

12.19.7 7. Uzun ve geniş formatı iyi-kötü ayrımı gibi görmek

Uzun format analiz için, geniş format sunum için sık kullanılsa da bu mutlak bir kural değildir. Uygun biçim, yapılacak işleme göre seçilmelidir.

12.19.8 8. Sütun adındaki bilgiyi fark etmemek

gdp_2019, gdp_2020, gdp_2021 gibi sütunlarda yıl bilgisinin sütun adına gömülü olduğunu fark etmeden analiz yapmak, gereksiz karmaşıklığa yol açabilir.

12.20 Egzersizler

Aşağıdaki egzersizlerde önce küçük örnek veri setlerini, ardından kitap için hazırlanan gerçek ülke verilerini kullanacağız.

12.20.1 Egzersiz 1

Aşağıdaki veri setini uzun formata dönüştürün. Yeni sütun adları year ve population olsun.

ex1 <- tibble(
  country = c("A", "B"),
  `2022` = c(10, 15),
  `2023` = c(11, 16),
  `2024` = c(12, 18)
)

12.20.2 Egzersiz 2

ex1 veri setini uzun formata dönüştürürken year değişkeninin tam sayı (integer) olmasını sağlayın.

12.20.3 Egzersiz 3

Aşağıdaki veri setinde gdp_ ile başlayan sütunları uzun formata dönüştürün. Yeni değişkenler year ve gdp olsun; year içinde yalnızca yıl değerleri bulunsun.

ex3 <- tibble(
  country = c("A", "B"),
  gdp_2022 = c(500, 800),
  gdp_2023 = c(540, 850)
)

12.20.4 Egzersiz 4

country_indicators.csv veri setinden Turkiye, Germany ve France için 2019 yılı gözlemlerini seçin. gdp_per_capita_usd, unemployment_total_pct ve life_expectancy_total sütunlarını indicator ve value değişkenleri altında uzun formata dönüştürün.

12.20.5 Egzersiz 5

Bir önceki egzersizin sonucunda yalnızca life_expectancy_total göstergesini filtreleyin.

12.20.6 Egzersiz 6

country_indicators_long.csv veri setinden 2019 yılı için Turkiye, Germany ve France ülkelerini ve şu göstergeleri seçin:

gdp_per_capita_usd
unemployment_total_pct
life_expectancy_total

Ardından göstergeleri ayrı sütunlara taşıyın.

12.20.7 Egzersiz 7

country_indicators_long.csv veri setinde Turkiye için 2015–2019 dönemindeki life_expectancy_total göstergesini seçin ve yılları year_2015, …, year_2019 biçiminde sütunlara dönüştürün.

12.20.8 Egzersiz 8

Aşağıdaki veri setindeki sex_year sütununu iki yeni değişkene ayırın: sex ve year.

ex8 <- tibble(
  country = c("A", "A", "B", "B"),
  sex_year = c("female_2019", "male_2019", "female_2019", "male_2019"),
  rate = c(12.4, 9.5, 8.0, 7.2)
)

12.20.9 Egzersiz 9

Egzersiz 8’de elde ettiğiniz sex ve year sütunlarını sex_year adı altında tekrar birleştirin.

12.20.10 Egzersiz 10

Aşağıdaki uzun veri setini geniş formata dönüştürün. Eksik kombinasyonların neden NA olduğunu açıklayın. Daha sonra yalnızca veri anlamı açısından uygun olduğunu varsayarak ikinci bir çözümde eksik değerleri 0 ile doldurun.

ex10 <- tibble(
  country = c("A", "A", "B"),
  year = c(2023, 2024, 2023),
  value = c(5, 7, 4)
)

12.20.11 Egzersiz 11

country_indicators_long.csv veri setinden Turkiye için 2000, 2010 ve 2019 yıllarını; gdp_per_capita_usd ve life_expectancy_total göstergelerini seçin. Önce göstergeleri sütunlara, ardından aynı başlangıç verisini kullanarak yılları sütunlara taşıyan iki ayrı tablo üretin.

12.20.12 Egzersiz 12

Aşağıdaki sütun adlarının içerdiği bilgileri açıklayın ve veriyi düzenli hale getirmek için nasıl bir uzun format yapısı önerdiğinizi yazın. Kod yazmanız şart değildir.

income_female_2019
income_male_2019
income_female_2020
income_male_2020

12.20.13 Egzersiz 13

Bir veri setinde aynı ülke, yıl ve gösterge için iki farklı değer bulunduğunu varsayın. pivot_wider() kullanmadan önce hangi soruları soracağınızı açıklayın. values_fn = mean seçeneğini neden otomatik çözüm olarak kullanmamak gerektiğini tartışın.

12.21 Egzersiz çözümleri

12.21.1 Egzersiz 1 çözümü

ex1 |>
  pivot_longer(
    cols = `2022`:`2024`,
    names_to = "year",
    values_to = "population"
  )

12.21.2 Egzersiz 2 çözümü

ex1 |>
  pivot_longer(
    cols = `2022`:`2024`,
    names_to = "year",
    names_transform = as.integer,
    values_to = "population"
  )

names_transform ile sütun adlarından gelen yıl değerleri karakter yerine tam sayı olarak oluşturulur.

12.21.3 Egzersiz 3 çözümü

ex3 |>
  pivot_longer(
    cols = starts_with("gdp_"),
    names_to = "year",
    names_prefix = "gdp_",
    names_transform = as.integer,
    values_to = "gdp"
  )

12.21.4 Egzersiz 4 çözümü

country_indicators |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year == 2019
  ) |>
  select(
    country,
    year,
    gdp_per_capita_usd,
    unemployment_total_pct,
    life_expectancy_total
  ) |>
  pivot_longer(
    cols = c(
      gdp_per_capita_usd,
      unemployment_total_pct,
      life_expectancy_total
    ),
    names_to = "indicator",
    values_to = "value"
  )

12.21.5 Egzersiz 5 çözümü

country_indicators |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year == 2019
  ) |>
  select(
    country,
    year,
    gdp_per_capita_usd,
    unemployment_total_pct,
    life_expectancy_total
  ) |>
  pivot_longer(
    cols = c(
      gdp_per_capita_usd,
      unemployment_total_pct,
      life_expectancy_total
    ),
    names_to = "indicator",
    values_to = "value"
  ) |>
  filter(indicator == "life_expectancy_total")

12.21.6 Egzersiz 6 çözümü

country_indicators_long |>
  filter(
    country %in% c("Turkiye", "Germany", "France"),
    year == 2019,
    indicator %in% c(
      "gdp_per_capita_usd",
      "unemployment_total_pct",
      "life_expectancy_total"
    )
  ) |>
  select(country, year, indicator, value) |>
  pivot_wider(
    names_from = indicator,
    values_from = value
  )

12.21.7 Egzersiz 7 çözümü

country_indicators_long |>
  filter(
    country == "Turkiye",
    year %in% 2015:2019,
    indicator == "life_expectancy_total"
  ) |>
  select(country, year, value) |>
  pivot_wider(
    names_from = year,
    values_from = value,
    names_prefix = "year_"
  )

12.21.8 Egzersiz 8 çözümü

ex8 |>
  separate_wider_delim(
    cols = sex_year,
    delim = "_",
    names = c("sex", "year")
  )

12.21.9 Egzersiz 9 çözümü

ex8 |>
  separate_wider_delim(
    cols = sex_year,
    delim = "_",
    names = c("sex", "year")
  ) |>
  unite(
    col = sex_year,
    sex,
    year,
    sep = "_"
  )

12.21.10 Egzersiz 10 çözümü

Önce varsayılan davranış:

ex10 |>
  pivot_wider(
    names_from = year,
    values_from = value
  )

B ülkesi için 2024 gözlemi olmadığı için ilgili hücre NA olur.

Eğer bu eksiklik bağlam gereği gerçekten sıfır anlamına geliyorsa:

ex10 |>
  pivot_wider(
    names_from = year,
    values_from = value,
    values_fill = 0
  )

12.21.11 Egzersiz 11 çözümü

Önce ortak uzun veri:

ex11_long <- country_indicators_long |>
  filter(
    country == "Turkiye",
    year %in% c(2000, 2010, 2019),
    indicator %in% c(
      "gdp_per_capita_usd",
      "life_expectancy_total"
    )
  ) |>
  select(country, year, indicator, value)

Göstergeleri sütunlara taşıma:

ex11_long |>
  pivot_wider(
    names_from = indicator,
    values_from = value
  )

Yılları sütunlara taşıma:

ex11_long |>
  pivot_wider(
    names_from = year,
    values_from = value,
    names_prefix = "year_"
  )

Aynı uzun veri, farklı analiz amaçları için farklı geniş yapılara dönüştürülebilir.

12.21.12 Egzersiz 12 çözümü

Sütun adlarında üç bilgi birlikte taşınmaktadır:

gösterge: income,
cinsiyet: female / male,
yıl: 2019 / 2020.

Düzenli yapıda bunları örneğin şu değişkenlere ayırmak uygun olur:

country | indicator | sex | year | value

Böylece cinsiyet ve yıl artık sütun adlarına gömülü olmaktan çıkar ve doğrudan filtrelenebilir, gruplanabilir değişkenler haline gelir.

12.21.13 Egzersiz 13 çözümü

Önce tekrarın anlamını araştırmak gerekir:

aynı kayıt yanlışlıkla iki kez mi gelmiş,
farklı veri kaynakları mı var,
farklı ölçüm yöntemleri mi var,
gözlemi tanımlayan başka bir değişken eksik mi bırakılmış?

values_fn = mean teknik olarak iki değeri tek hücreye indirebilir; ancak tekrarların nedeni anlaşılmadan ortalama almak gerçek veri yapısını gizleyebilir. Önce gözlemin benzersiz anahtarı belirlenmeli, ardından gerekiyorsa analitik gerekçeyle özetleme yapılmalıdır.

12.22 Bölüm özeti

Bu bölümde veri dönüşümünün, verinin içeriğini değiştirmekten çok bilginin tablo üzerindeki temsil biçimini değiştirmek olduğunu gördük.

Özellikle şu kavramları öğrendik:

geniş format: aynı tür ölçümlerin farklı sütunlara yayıldığı yapı,
uzun format: bu ölçümlerin değişken ve değer sütunlarında toplandığı yapı,
tidy data: değişkenlerin sütunlarda, gözlemlerin satırlarda ve değerlerin hücrelerde tutulduğu düzenli veri yaklaşımı,
pivot_longer(): geniş veriyi uzun formata dönüştürme,
pivot_wider(): uzun veriyi geniş formata dönüştürme,
names_to, values_to, names_from, values_from: dönüşümün temel yapı taşları,
names_prefix, names_sep, names_transform: sütun adlarının içerdiği bilgiyi düzenleme,
id_cols: geniş tabloda gözlemi tanımlayan değişkenleri belirleme,
values_fill: eksik kombinasyonların nasıl temsil edileceğini kontrol etme,
separate_wider_delim() ve separate_wider_position(): tek sütunda birden fazla bilgiyi ayırma,
unite(): birden fazla sütundaki bilgiyi tek sütunda birleştirme.

En önemli nokta şudur:

Uzun veya geniş format kendi başına doğru ya da yanlış değildir. Doğru veri yapısı, yapmak istediğimiz işleme bağlıdır.

Şimdiye kadar veriyi seçmeyi, filtrelemeyi, özetlemeyi ve farklı yapılara dönüştürmeyi öğrendik. Ancak gerçek veri analizinde ihtiyaç duyduğumuz bilgiler çoğu zaman tek bir tabloda bulunmaz. Bir sonraki bölümde farklı tabloları ortak anahtarlar üzerinden nasıl ilişkilendireceğimizi ve birleştireceğimizi göreceğiz.

12.23 Kaynaklar ve ileri okuma

Wickham, H. (2014). Tidy Data. Journal of Statistical Software, 59(10), 1–23. https://www.jstatsoft.org/article/view/v059i10
Wickham, H., Çetinkaya-Rundel, M. & Grolemund, G. R for Data Science (2e): Data tidying. https://r4ds.hadley.nz/data-tidy.html
tidyr resmî web sitesi ve tidy data yaklaşımı: https://tidyr.tidyverse.org/
tidyr pivoting rehberi: https://tidyr.tidyverse.org/articles/pivot.html
pivot_longer() dokümantasyonu: https://tidyr.tidyverse.org/reference/pivot_longer.html
pivot_wider() dokümantasyonu: https://tidyr.tidyverse.org/reference/pivot_wider.html
separate_wider_delim() ve ilgili fonksiyonlar: https://tidyr.tidyverse.org/reference/separate_wider_delim.html

tidyr resmî dokümantasyonu: https://tidyr.tidyverse.org/↩︎
tidyr pivoting rehberi: https://tidyr.tidyverse.org/articles/pivot.html ↩︎
Wickham, H. (2014). Tidy Data. Journal of Statistical Software, 59(10), 1–23. https://www.jstatsoft.org/article/view/v059i10 ↩︎
Wickham, H., Çetinkaya-Rundel, M. & Grolemund, G. R for Data Science (2e), Data tidying bölümü: https://r4ds.hadley.nz/data-tidy.html ↩︎
pivot_longer() resmî dokümantasyonu: https://tidyr.tidyverse.org/reference/pivot_longer.html ↩︎
pivot_wider() resmî dokümantasyonu: https://tidyr.tidyverse.org/reference/pivot_wider.html ↩︎
tidyr sütun ayırma fonksiyonları: https://tidyr.tidyverse.org/reference/separate_wider_delim.html ↩︎
tidyr pivoting rehberi: https://tidyr.tidyverse.org/articles/pivot.html ↩︎

12.1 Aynı veri, farklı tablo yapıları

12.2 Neden uzun ve geniş formatlara ihtiyaç duyarız?

12.3 Düzenli veri (tidy data) mantığı

12.4 tidyr paketine giriş

12.5 Geniş formattan uzun formata: pivot_longer()

12.5.1 İlk dönüşüm

12.5.2 Sütunları isim örüntüsüyle seçmek

12.5.3 Sütun adındaki gereksiz kısmı kaldırmak: names_prefix

12.5.4 Yeni değişkenin türünü değiştirmek: names_transform

12.6 Gerçek veri üzerinde pivot_longer()

12.7 Bir sütun adından birden fazla değişken üretmek

12.7.1 names_pattern ile daha esnek ayrıştırma

12.8 Uzun formattan geniş formata: pivot_wider()

12.8.1 Gerçek uzun veri üzerinde genişletme

12.9 id_cols: Hangi sütunlar gözlemi tanımlar?

12.10 Sütun adlarını düzenlemek: names_prefix, names_sep ve names_glue

12.11 Eksik kombinasyonlar ve values_fill

12.12 Aynı hücreye birden fazla değer düşerse ne olur?

12.13 Dönüşüm tersinir midir?

12.14 pivot_longer() ve pivot_wider() ne zaman kullanılmalı?

12.15 Bir sütunda birden fazla bilgi varsa

12.15.1 Bir sütunu ayırmak: separate_wider_delim()

12.15.2 Sabit konuma göre ayırmak: separate_wider_position()

12.16 Birden fazla sütunu birleştirmek: unite()

12.17 Eski fonksiyonlar: gather(), spread() ve separate()

12.18 Baştan sona bir dönüşüm örneği

12.19 Sık yapılan hatalar

12.19.1 1. Kimlik sütunlarını da yanlışlıkla pivot etmek

12.19.2 2. names_to ile values_to kavramlarını karıştırmak

12.19.3 3. Geniş formata geçerken benzersiz anahtarı kontrol etmemek

12.19.4 4. Eksik değeri sıfır sanmak

12.19.5 5. Yılların karakter olarak kalmasını fark etmemek

12.19.6 6. Dönüşüm sırasında bilgi kaybetmek

12.19.7 7. Uzun ve geniş formatı iyi-kötü ayrımı gibi görmek

12.19.8 8. Sütun adındaki bilgiyi fark etmemek

12.20 Egzersizler

12.20.1 Egzersiz 1

12.20.2 Egzersiz 2

12.20.3 Egzersiz 3

12.20.4 Egzersiz 4

12.20.5 Egzersiz 5

12.20.6 Egzersiz 6

12.20.7 Egzersiz 7

12.20.8 Egzersiz 8

12.20.9 Egzersiz 9

12.20.10 Egzersiz 10

12.20.11 Egzersiz 11

12.20.12 Egzersiz 12

12.20.13 Egzersiz 13

12.21 Egzersiz çözümleri

12.21.1 Egzersiz 1 çözümü

12.21.2 Egzersiz 2 çözümü

12.21.3 Egzersiz 3 çözümü

12.21.4 Egzersiz 4 çözümü

12.21.5 Egzersiz 5 çözümü

12.21.6 Egzersiz 6 çözümü

12.21.7 Egzersiz 7 çözümü

12.21.8 Egzersiz 8 çözümü

12.21.9 Egzersiz 9 çözümü

12.21.10 Egzersiz 10 çözümü

12.21.11 Egzersiz 11 çözümü

12.21.12 Egzersiz 12 çözümü

12.21.13 Egzersiz 13 çözümü

12.22 Bölüm özeti

12.23 Kaynaklar ve ileri okuma

12.4 `tidyr` paketine giriş

12.5 Geniş formattan uzun formata: `pivot_longer()`

12.5.3 Sütun adındaki gereksiz kısmı kaldırmak: `names_prefix`

12.5.4 Yeni değişkenin türünü değiştirmek: `names_transform`

12.6 Gerçek veri üzerinde `pivot_longer()`

12.7.1 `names_pattern` ile daha esnek ayrıştırma

12.8 Uzun formattan geniş formata: `pivot_wider()`

12.9 `id_cols`: Hangi sütunlar gözlemi tanımlar?

12.10 Sütun adlarını düzenlemek: `names_prefix`, `names_sep` ve `names_glue`

12.11 Eksik kombinasyonlar ve `values_fill`

12.14 `pivot_longer()` ve `pivot_wider()` ne zaman kullanılmalı?

12.15.1 Bir sütunu ayırmak: `separate_wider_delim()`

12.15.2 Sabit konuma göre ayırmak: `separate_wider_position()`

12.16 Birden fazla sütunu birleştirmek: `unite()`

12.17 Eski fonksiyonlar: `gather()`, `spread()` ve `separate()`

12.19.2 2. `names_to` ile `values_to` kavramlarını karıştırmak