$Strasse [1] "Autobahn" "Landstr" "Nebenstr" "Autobahn" "Landstr" "Nebenstr" [7] "Autobahn" "Landstr" "Nebenstr" "Autobahn" "Landstr" "Nebenstr"
|
|
- Leonard Zimmermann
- vor 7 Jahren
- Abrufe
Transkript
1 # In vielen typischen Anwendungsfällen sind Listen nicht optimal J <- c(rep(1961, 6), rep(1962, 6)) L <- rep(rep(c(90, 0), c(3, 3)), 2) S <- rep(c("autobahn", "Landstr", "Nebenstr"), 4) U <- c(8, 42, 50, 57, 106, 163, 11, 37, 48, 45, 69, 114) daten.liste <- list(jahr=j, Limit=L, Strasse=S, Unfallanz=U) daten <- data.frame(jahr=j, Limit=L, Strasse=S, Unfallanz=U) daten.liste $Jahr [1] $Limit [1] $Strasse [1] "Autobahn" "Landstr" "Nebenstr" "Autobahn" "Landstr" "Nebenstr" [7] "Autobahn" "Landstr" "Nebenstr" "Autobahn" "Landstr" "Nebenstr" $Unfallanz [1] daten Jahr Limit Strasse Unfallanz Autobahn Landstr Nebenstr Autobahn Landstr Nebenstr Autobahn Landstr Nebenstr Autobahn Landstr Nebenstr 114 str(daten.liste) List of 4 $ Jahr : num [1:12] $ Limit : num [1:12] $ Strasse : chr [1:12] "Autobahn" "Landstr" "Nebenstr" "Autobahn"... $ Unfallanz: num [1:12] str(daten) `data.frame': 12 obs. of 4 variables: $ Jahr : num $ Limit : num $ Strasse : Factor w/ 3 levels "Autobahn","Landstr",..: $ Unfallanz: num is.list(daten) [1] TRUE is.matrix(daten) [1] FALSE colnames(daten) [1] "Jahr" "Limit" "Strasse" "Unfallanz"
2 # Einfacherer zeilenweiser Zugriff auf Elemente in Data Frames sapply(daten.liste, function(x) x[10]) Jahr Limit Strasse Unfallanz "1962" "0" "Autobahn" "45" lapply(daten.liste, function(x) x[10]) $Jahr [1] 1962 $Limit [1] 0 $Strasse [1] "Autobahn" $Unfallanz [1] 45 daten[10,] Jahr Limit Strasse Unfallanz Autobahn 45 # Beachte is.vector(daten[10,]) [1] FALSE is.data.frame(daten[10,]) [1] TRUE # Data Frame besteht aus Komponenten gleicher Länge v1 <- sample(1:8) v2 <- sample(1:5) # Kann nicht zu einem Data Frame verschmolzen werden Y <- data.frame(v1=v1, V2=v2) Fehler in data.frame(v1 = v1, V2 = v2) : Argumente implizieren unterschiedliche Anzahl Zeilen: 8, 5 # Recycling beim Generieren eines Dataframes v1 <- sample(1:10) v2 <- sample(1:5) Y <- data.frame(v1=v1, V2=v2) Y # No Recycling bei Matrizen v1 <- sample(1:10) v2 <- matrix(1:10,5,2) Y <- data.frame(v1=v1, V2=v2)
3 Fehler in data.frame(v1 = v1, V2 = v2) : Argumente implizieren unterschiedliche Anzahl Zeilen: 10, 5 # Vektoren werden jeodch an die Matrix angepaßt v1 <- sample(1:5) v2 <- matrix(1:20,10,2) Y <- data.frame(v1=v1, V2=v2) Y.1 V # Unterscheide Data Frames von Matrizen v1 <- sample(1:10) v2 <- sample(1:5) Y <- data.frame(v1=v1, V2=v2) Y crossprod(y) Fehler in crossprod(x, y) : verlangt numerische Matrix/Vektor-Argumente is.matrix(y) [1] FALSE crossprod(as.matrix(y)) V V # Manche Funktionen für Matrizen funktionieren auch über numerische DFs Y[1:2,] is.matrix(y[1:2,]) [1] FALSE
4 eigen(y[1:2,]) $values [1] $vectors [,1] [,2] [1,] [2,] # Sicherer ist aber eigen(as.matrix(y[1:2,])) $values [1] $vectors [,1] [,2] [1,] [2,] # Merging von Data Frames v1 <- sample(1:10) v2 <- sample(1:10) Y <- data.frame(v1=v1, V2=v2) Y X<-data.frame(V1=c(11,22,33), Vx=c(1,2,3)) X V1 Vx Z<-merge(X,Y) Z [1] V1 Vx V2 <0 rows (or 0-length row.names) X<-data.frame(V1=c(1,2,3), Vx=c(1,2,3)) Y
5 X V1 Vx Z<-merge(X,Y) Z V1 Vx V merge(x,y, all=t) V1 Vx V NA NA NA NA NA NA NA 1 # Zahlreiche Data.Frames für Übungszwecke im # Basispaket enthalten data() faithful eruptions waiting colnames(faithful) [1] "eruptions" "waiting" summary(faithful) eruptions waiting Min. :1.600 Min. :43.0 1st Qu.: st Qu.:58.0 Median :4.000 Median :76.0 Mean :3.488 Mean :70.9 3rd Qu.: rd Qu.:82.0 Max. :5.100 Max. :96.0 attach(faithful) waitgroup <- cut(waiting, 3) # Gruppen basieren auf Intervallen gleicher Größe is.factor(waitgroup)
6 [1] TRUE levels(waitgroup) <- paste(c("low","medium","high"), levels(waitgroup), sep=" - ") levels(waitgroup) [1] "Low - (42.9,60.6]" "Medium - (60.6,78.4]" "High - (78.4,96.1]" str(waitgroup) Factor w/ 3 levels "Low - (42.9,60.6]",..: waitgroup[1:20] [1] High - (78.4,96.1] Low - (42.9,60.6] Medium - (60.6,78.4] [4] Medium - (60.6,78.4] High - (78.4,96.1] Low - (42.9,60.6] [7] High - (78.4,96.1] High - (78.4,96.1] Low - (42.9,60.6] [10] High - (78.4,96.1] Low - (42.9,60.6] High - (78.4,96.1] [13] Medium - (60.6,78.4] Low - (42.9,60.6] High - (78.4,96.1] [16] Low - (42.9,60.6] Medium - (60.6,78.4] High - (78.4,96.1] [19] Low - (42.9,60.6] High - (78.4,96.1] Levels: Low - (42.9,60.6] Medium - (60.6,78.4] High - (78.4,96.1] hi <- quantile(waiting, seq(from=0, to=1, by=1/3)) hi[1] <- hi[1]-0.01 waitgroup <- cut(waiting, breaks=hi) levels(waitgroup) [1] "(43,64]" "(64,80]" "(80,96]" str(waitgroup) Factor w/ 3 levels "(43,64]","(64,80]",..: waitgroup[1:20] [1] (64,80] (43,64] (64,80] (43,64] (80,96] (43,64] (80,96] (80,96] (43,64] [10] (80,96] (43,64] (80,96] (64,80] (43,64] (80,96] (43,64] (43,64] (80,96] [19] (43,64] (64,80] Levels: (43,64] (64,80] (80,96] plot(eruptions ~ waiting) eruptions waiting
7 plot(eruptions ~ waitgroup) eruptions (43,64] (64,80] (80,96] waitgroup # Automatisches generieren von Faktoren beim Einlesen read.table(file="testdaten.txt", header=t) Name Gruppe M1 M2 M3 1 Franz A Peter A Johann B Lisa B Fritz C Walter C td <- read.table(file="testdaten.txt", header=t, row.names=1) # Erweitern des Data Frames - Variante 1 tdx <- data.frame(td, Summe=td$M1+td$M2+td$M3) tdx Gruppe M1 M2 M3 Summe Franz A Peter A Johann B Lisa B Fritz C Walter C # Erweitern des Data Frames - Variante 2 tdx <- cbind(td, td$m1+td$m2+td$m3) colnames(tdx)[5] <- "Summe" tdx Gruppe M1 M2 M3 Summe Franz A Peter A Johann B Lisa B Fritz C Walter C
8 # Beachte Gruppe ist Faktor attach(tdx) is.factor(gruppe) [1] TRUE Gruppe [1] A A B B C C Levels: A B C str(gruppe) Factor w/ 3 levels "A","B","C": class(gruppe) [1] "factor" unclass(gruppe) [1] attr(,"levels") [1] "A" "B" "C" plot(summe~gruppe) Summe A B C Gruppe
9 plot(summe~unclass(gruppe)) Summe unclass(gruppe) detach() # Verhindern der Konversion zum Faktor td2 <- read.table(file="testdaten.txt", header=t, row.names=1, as.is=t) attach(td2) is.factor(gruppe) [1] FALSE Gruppe [1] "A" "A" "B" "B" "C" "C" str(gruppe) chr [1:6] "A" "A" "B" "B" "C" "C" class(gruppe) [1] "character" plot(m1~gruppe) # funktioniert jetzt nicht Fehler in model.frame(formula, rownames, variables, varnames, extras, extranames, : ungültiger Variablentyp
10 plot(m1~as.factor(gruppe)) M A B C as.factor(gruppe) # Beispiel zum outer-operator my.outer.prod <-function(x,y) + { + z <- matrix(0, length(x), length(y)) + for (i in 1:length(x)) + for (j in 1:length(y)) + z[i,j] <- x[i]*y[j] + z + } u<-1:4 v<-3:5 my.outer.prod(u, v) [,1] [,2] [,3] [1,] [2,] [3,] [4,] outer(u,v) [,1] [,2] [,3] [1,] [2,] [3,] [4,]
11 # Selbe Aufgabenstellung, aber Addition my.outer.sum <-function(x,y) + { + z <- matrix(0, length(x), length(y)) + for (i in 1:length(x)) + for (j in 1:length(y)) + z[i,j] <- x[i]+y[j] + z + } my.outer.sum(u, v) [,1] [,2] [,3] [1,] [2,] [3,] [4,] outer(u,v,"+") [,1] [,2] [,3] [1,] [2,] [3,] [4,] # Fortgeschrittene Anwendung von outer x <- rnorm(500, 175, 10) # 500 fiktive Daten Körpergrößen y <- seq(150, 190, by=1) # Prozentsätze von Personen größer als y plot(y, apply(outer(x,y, ""), 2, sum)/length(x)*100, + type="l", xlab="körpergröße", ylab="prozent größer als", ylim=c(0,100)) Prozent größer als Körpergröße
Programmieren mit statistischer Software
Programmieren mit statistischer Software Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Vektorwertiges Programmieren Programmieren ohne explizite Schleife I Vektorisierung
MehrKlaus Schliep. 16. Februar 2004
Einführung in R Klaus Schliep 16. Februar 2004 Allgemeines R besteht ausschließlich aus Objekten. Die meisten Objekte sind entweder Daten oder Funktionen. Alle Funktionen werden mit runden Klammern geschrieben,
MehrR Einstieg. Manuel Eugster, Armin Monecke, Faban Scheipl. Institut für Statistik Ludwig-Maximilians-Universität München.
R Einstieg Manuel Eugster, Armin Monecke, Faban Scheipl Institut für Statistik Ludwig-Maximilians-Universität München Einführung in R Was ist S? S ist eine Sprache für Datenanalyse und Graphik, entwickelt
MehrDownload Aufruf Hilfe Objekte in R Datenimport Rechnen Grafik Verteilungen. R Grundlagen
R Grundlagen A. Gebhardt 6. Juni 2013/ R Institut für Statistik Universität Klagenfurt Universitätsstr. 65-67, A 9020 Klagenfurt albrecht.gebhardt@uni-klu.ac.at 1 / 27 Inhalt 1 Bezugsquelle 2 Aufruf 3
MehrEinführung in R. 17. April Emacs mit Erweiterung ESS (http://ess.r-project.org/),
Einführung in R Wissensentdeckung in Datenbanken SS 2009 17. April 2009 R und Editoren für R: Auf den Poolrechnern der Fakultät Statistik (M/711 und M/U18, Mathe-Tower, Campus Nord) ist R installiert.
MehrProgrammieren mit statistischer Software
Programmieren mit statistischer Software Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Datenaufbereitung The Forbes 2000 Ranking of the World s Biggest Companies I Paket
MehrErwin Grüner
FB Psychologie Uni Marburg 01.12.2005 Themenübersicht Die Funktion Die Funktion Zweck: Erzeugung eines Vektors durch Replizieren Parameter x times length.out each Bedeutung Zahl oder Vektor Anzahl der
MehrMit R können Rechenoperationen durch direkte Eingabe durchgeführt werden. Beispiel >(3*(5+7)^4)/3 [1] 20736
Einführung in R 1. Allgemeines Der Download erfolgt über die homepage www.r-project.org Mit Datei neues Skript wird der R-Editor geöffnet. Hier können Befehle eingegeben und abgespeichert werden. Mit copy
MehrErwin Grüner 10.11.2005
FB Psychologie Uni Marburg 10.11.2005 Themenübersicht in R Arithmetische Operator Wirkung + Addition - Subtraktion * Multiplikation / Division ˆ Exponentiation %/% Integerdivision %% Modulo Vergleichsoperatoren
MehrLösungen zur Hausaufgabe Statistik für Hydrologen 2016
Dr. Wiltrud Kuhlisch SOS 2016 TU Dresden, Institut für Mathematische Stochastik Lösungen zur Hausaufgabe Statistik für Hydrologen 2016 Aufgabe 1: Das Merkmal Groesse hat metrisches Skalenniveau. Darstellung
MehrEinführung in die formale Demographie Übung
Einführung in die formale Demographie Übung Roland Rau mailto:roland.rau@uni-rostock.de 17. Oktober 2016 Inhaltsverzeichnis 1 Dateneingabe (Fortsetzung) 2 2 Eigene Funktionen schreiben 7 3 Aufgaben Teil
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Das Programmpaket R Installierung und Pakete R als Taschenrechner Laden von Datensätzen und Einlesen von Daten Hilfe und Dokumentation Einfaches Datenmanagement Univariate
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 2. Sitzung Wertzuweisungen zu Objekten, Vektoren, Matrizen,
MehrLineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)
Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Es soll untersucht werden, ob und wie sich Rauchen während der Schwangerschaft auf den Gesundheitszustand des Neugeborenen auswirkt. Hierzu werden
MehrRunning R. Windows Aus Menü. Lese R Code ein führt den Code auch gleich aus, eventuell muss vorher das Verzeichnis gewechselt werden.
Einführung 1 / 1 Einführung 2/1 Running R Windows Aus Menü Linux Lese R Code ein führt den Code auch gleich aus, eventuell muss vorher das Verzeichnis gewechselt werden. Auf der Konsole/Eingabeaufforderung:
MehrStatistische Software (R) Konstanten. Datentypen in R. Aufruf der Hilfeseiten zu grundlegende Operatoren und Funktionen: Paul Fink, M.Sc.
Grundlegende Operatoren und Funktionen Statistische Software (R) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Vektoren,, Listen und Data Frames Aufruf der Hilfeseiten
MehrDemographie III Übung
Demographie III Übung Roland Rau mailto:roland.rau@uni-rostock.de 15. Oktober 2012 Inhaltsverzeichnis 1 Überblick 2 2 Erste Schritte in R 2 2.1 Woher erhalte ich R?............................... 2 2.2
MehrUnivariate explorative Datenanalyse in R
Univariate explorative Datenanalyse in R Achim Zeileis 2009-02-20 1 Grundlegende Befehle Zunächst laden wir den Datensatz (siehe auch Daten.pdf ) BBBClub R> load("bbbclub.rda") das den "data.frame" BBBClub
MehrKurze Einführung in R
Dr. Katharina Best Sommersemester 2011 Kurze Einführung in R WiMa-Praktikum Erste Schritte R wird durch Eintippen von R in der Konsole gestartet. Beendet wird es durch q() oder quit(). Es existieren auch
Mehr> patienten<-data.frame( c(28,61,79,54,na,48), c(2,2,3,2,1,1), c("pillen","pillen","massage","gymnastik","massage","gymnastik"),
1 Der Datentyp factor in R 2 Beispieldatensatz > patienten
MehrIDE Grundlagen Vektoren Matrizen Faktoren Dataframes Visualisierung Tips. Quick & dirty
Quick & dirty Eine pragmatische Einführung in R (Seminar Forschungsevaluation, Universität Wuppertal) Stephan Holtmeier kibit GmbH, stephan@holtmeier.de 31. Mai 2013 1 / 24 Unsere Entwicklungsumgebung:
MehrR- Grundlagen. TU Ilmenau. Stefan Heyder. 07. März 2019
R- Grundlagen Stefan Heyder 07. März 2019 TU Ilmenau Einleitung Arithmetik Funktionen Logik Variablen Datentypen Vektoren Fehlende Daten (NA) Einleitung Arithmetik Funktionen Logik Variablen Datentypen
MehrEinführung in die formale Demographie Übung
Einführung in die formale Demographie Übung Roland Rau mailto:roland.rau@uni-rostock.de 10. Oktober 2016 Inhaltsverzeichnis 1 Überblick 2 2 Erste Schritte in R 2 2.1 Woher erhalte ich R?...............................
MehrEinführung in die Angewandte Bioinformatik: Datenanalyse mit R
Einführung in die Angewandte Bioinformatik: Datenanalyse mit R 20.05.2010 Prof. Dr. Sven Rahmann 1 Funktionsaufruf mit benannten Parametern Es ist Konvention, einer Funktion erst die nötigen Daten zu übergeben;
MehrFreie Software für die Sozialwissenschaften: Lehrveranstaltung
Freie Software für die Sozialwissenschaften: Lehrveranstaltung am 22.05.2007 Mike Kühne 1 R-Kurs INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Tinn-R 3 1.1 Bedienung von Tinn-R...................... 4 1.1.1
MehrStatistische Software Übungsblatt 1 P. Fink SoSe 2013
Statistische Software Übungsblatt 1 P. Fink SoSe 2013 Aufgabe 1: Lesen Sie den Datensatz nba.asc aus dem Datenarchiv des Instituts für Statistik (http://www. statistik.lmu.de/service/datenarchiv/nba/nba.html)
MehrGrundlagen der Bioinformatik Übung 5 Einführung in R. Ulf Leser, Yvonne Mayer
Grundlagen der Bioinformatik Übung 5 Einführung in R Ulf Leser, Yvonne Mayer Introduction to R Ulf Leser: Grundlagen der Bioinformatik, Sommer Semester 2016 2 Einführung in R Voraussetzung: funktionsfähige
MehrPräsenzübung (Einführung in R) Übung zur Vorlesung Statistik I für Biowissenschaften WS 2016/2017
Präsenzübung (Einführung in R) Übung zur Vorlesung Statistik I für Biowissenschaften WS 2016/2017 25.10.2016 Bezugsquelle für die Statistiksoftware R: http://www.r-project.org/ Aufgabe 1: (R als Taschenrechner
MehrDie grundlegenden Konzepte von R
Die grundlegenden Konzepte von R I R ist ein klassischer Interpreter, der in einer sogenannten read-eval-print-loop arbeitet. I Es wird Zeile für Zeile eingelesen, jeweils bis der Interpreter das Ende
MehrDer Download von R erfolgt über die homepage
Einführung in R 1. Allgemeines zu R Der Download von R erfolgt über die homepage www.r-project.org Wenn man das Programm öffnet, erscheint eine leere Konsole. Das > -Zeichen zeigt das Eingabefeld an. Befehle
MehrStatistik: Einführung. Online-Übung 2: Herbert Stocker
Statistik: Einführung Online-Übung 2: Herbert Stocker Jede gute empirische Arbeit beginnt mit einer deskriptiven Datenanalyse (selbst wenn diese schlussendlich nicht publiziert werden sollte). Ziel dieses
MehrDatentypen und -strukturen. Statistische Software. Datenstrukturen in R. Datentypen in R. Micha Schneider
Datentypen und -strukturen Statistische Software Micha Schneider Institut für Statistik Ludwig-Maximilians-Universität München WS 2016/17, R Teil 2 Datentypen in R Datenstrukturen in R Das einfachste Datenobjekt
MehrR starten (Arbeitsverzeichnis wählen, Workspace abspeichern, History abspeichern)
Zusammenfassung Sitzung 1: R installieren (wichtig für später: neue Versionen) R starten (Arbeitsverzeichnis wählen, Workspace abspeichern, History abspeichern) R-Konsole als Dialog, farbliche Darstellung,
MehrEinführung in die Programmierumgebung R Michael Wenk
Einführung in die Programmierumgebung R Michael Wenk 25.04.2018 Inhaltsverzeichnis 1 Installation und Start von R 1 2 Grundlagen 1 2.1 Basisoperationen und Variablenzuweisung.............................
MehrGrundlagen der R Programmiersprache. Jonathan Harrington und Tina John IPDS, Kiel.
Grundlagen der R Programmiersprache Jonathan Harrington und Tina John IPDS, Kiel. Vektor Objekte Besteht aus einem oder mehrerern Elementen x = 3 meinedatei = c(10, 20, -4) foo = c("kiel", "Phonetik",
MehrEine Einführung in R: Grundlagen II
Eine Einführung in R: Grundlagen II Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrDatenanalyse und Programmierung in R eine Einführung 1
Universität Hannover FB Gartenbau BSc-Modul Biostatistik Prof. Dr. L. Hothorn (3./ 4. Semester) Datenanalyse und Programmierung in R eine Einführung 1 1. R als Tischrechner > 1225*1.16 [1] 1421 > log(0.5)
MehrR-Wörterbuch Ein Anfang... ein Klick auf einen Begriff führt, sofern vorhanden, zu dessen Erklärung.
R-Wörterbuch Ein Anfang... ein Klick auf einen Begriff führt, sofern vorhanden, zu dessen Erklärung. Carsten Szardenings c.sz@wwu.de 7. Mai 2015 A 2 B 3 C 4 D 5 F 6 R 16 S 17 V 18 W 19 Z 20 H 7 I 8 K 9
MehrErwin Grüner
FB Psychologie Uni Marburg 24.11.2005 Themenübersicht Die Funktion Die Funktion Wahrscheinlichkeitsverteilungen Die Funktion Die Funktion dient zur Festlegung von Voreinstellungen für Graphiken. Die Funktion
MehrBivariate explorative Datenanalyse in R
Bivariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-09 In der LV Statistik 1 haben wir auch den Zusammenhang von 2 Variablen untersucht. Hier werden die dazugehörenden R-Befehle
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrEinführung in R. Matthias Templ, Leonhard Seyfang. Oktober 2005
Einführung in R Matthias Templ, Leonhard Seyfang Oktober 2005 Ausblick 1. Was ist R? Warum ausgerechnet R? (eine kurze Werbung) 2. Installation von R 3. Informationsmaterial zu R 4. GUI s für R; R-Commander
MehrLeseanleitung für QIDB-Rechenregeln. IQTIG-spezifische Variablen, Operatoren und Funktionen in R
Stand: 1. Oktober 2018 Impressum Thema: IQTIG-spezifische Variablen, Operatoren und Funktionen in R Datum der Veröffentlichung: 30. September 2018 Herausgeber: IQTIG Institut für Qualitätssicherung und
Mehr2 R die Basics. Inhalt. 2.1 Ziel. 2.2 R als Taschenrechner. Markus Burkhardt
2 R die Basics Markus Burkhardt (markus.burkhardt@psychologie.tu-chemnitz.de) Inhalt 2.1 Ziel... 1 2.2 R als Taschenrechner... 1 2.3 Umgang mit Vektoren... 2 2.3 Weitere Objektklassen... 3 2.4 Umgang mit
MehrUnivariate explorative Datenanalyse in R
Univariate explorative Datenanalyse in R Achim Zeileis, Regina Tüchler 2006-10-03 1 Ein metrisches Merkmal Wir laden den Datensatz: R> load("statlab.rda") und machen die Variablen direkt verfügbar: R>
MehrKovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen
Kovarianzanalyse 1 metrische und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Lineare Modelle (2. Teil) Wie läßt sich die Abhängigkeit einer metrischen Variablen von
MehrDatenaufbereitung, Grafische Datenanalyse
Datenaufbereitung, Grafische Datenanalyse R-Übung 2 Statistik III für Nebenfachstudierende LMU WS 2013/14 David Rügamer 6. & 13. November 2013 Nach einer Vorlage von Toni Hilger (WS 11/12) und Arne Kaldhusdal
MehrProgrammieren in R - Lösungen zum Kapitel Data Analysis Christoph Rust Oktober 2018
Programmieren in R - Lösungen zum Kapitel Data Analysis Christoph Rust Oktober 2018 Vorbemerkungen: Diese Datei wurde mit R Markdown (www) erstellt. Die Quelldatei lässt sich unter (www) herunterladen.
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2016 Prof. Dr. Stefan Etschberger Hochschule Augsburg Daten einlesen und Struktur anschauen # Arbeitsverzeichnis
MehrProgrammieren mit statistischer Software
Programmieren mit statistischer Software Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Textverarbeitung Text computations I Textverarbeitung ist wichtig zur Datenaufbereitung
MehrDatenmanagement in R: Eine Einführung
UNIVERSITÄT BASEL Frühjahrsemester 2012 WWZ, Abt. Quantitative Methoden 23. März 2012 Prof. Dr. Christian Kleiber Linda Walter Jean-Michel Benkert Datenmanagement in R: Eine Einführung Diese Einführung
MehrZüchtungslehre - Lösung 2 Peter von Rohr
Züchtungslehre - 2 Peter von Rohr 2017-10-06 Aufgabe 1: Matrixdefinitionen in R In R werden Matrizen mit der Funktion matrix erstellt. In der Vorlesung hatten wir gesehen, dass die Funktion matrix() verschiedene
MehrModul G d) Gibt es einen Größen- bzw. Altersunterschied zwischen den anwesenden Männern und Frauen?
Modul G 29.11.2007 Hausaufgabe vom 22.11.2007: Erstelle eine Matrix mit (fiktiven) Initialen, Alter, Geschlecht und Größe von 18 Seminarteilnehmern. Auswertung a) Zähle pro vorkommendem Alter die Anzahl
MehrVon SAS nach SPSS und umgekehrt
Von SAS nach SPSS und umgekehrt Umwandlung von Dateien inklusive Formaten/Wertelabels Timm Lochmann, Carina Ortseifen Universitätsrechenzentrum Heidelberg Inhalt 1. Unterschiede zwischen SAS- und SPSS-Dateien
MehrProgrammieren mit statistischer Software
Programmieren mit statistischer Software Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Funktionen Definition von Funktionen I Eine Funktion hat einen Namen benötigt Argumente
MehrEine Einführung in R: Grundlagen I
Eine Einführung in R: Grundlagen I Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws11/r-kurs/
MehrRäumliche Daten in R
Räumliche Daten in R Johannes Signer *jsigner@gwdg.de Abteilung Wildtierwissenschaften, Georg-August-Universität Göttingen 21 Mai 2015 Räumliche Daten in R 1 Über mich Doktorand an der Georg-August-Universität
MehrMore about R: Logische Vektoren
1 More about R: Logische Vektoren 7. Logische Vektoren Ein logischer Vektor besteht aus True und False Elementen und ist u.a. für die Indizierung sehr nützlich. Im Allgemeinen sind logische Vektoren für
MehrWichtige Befehle in R zur Datenanalyse Ergänzende Unterlagen zur Vorlesung Prof. Dr. Oliver Gansser
Wichtige Befehle in R zur Datenanalyse Ergänzende Unterlagen zur Vorlesung Prof. Dr. Oliver Gansser Inhaltsverzeichnis Einleitung 2 Das Programm R............................................ 2 Datenmanagement
MehrGrundlagen der Bioinformatik Assignment 4: Introduction to R. Yvonne Lichtblau SS 2017
Grundlagen der Bioinformatik Assignment 4: Introduction to R Yvonne Lichtblau SS 2017 Presentations Assignment 3 Yvonne Lichtblau: Grundlagen der Bioinformatik, Sommer Semester 2017 2 Overview Assignment
MehrDer jämmerliche Versuch einer Einführung
R Der jämmerliche Versuch einer Einführung Scope Soll eine kurze Einführung in R werden ohne gross in harte Programmierung einzutauchen. 2 Was ist R R ist eine Programmiersprache um mit Daten zu hantieren.
MehrDatentypen in R. Statistische Software (R-Vertiefung) Vektoren unterschiedleichen Typs. Vektoren unterschiedleichen Typs
Datentypen in R Statistische Software (R-Vertiefung) Paul Fink, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Vektoren, Matrizen, Arrays, Listen und Data Frames Das einfachste Datenobjekt
MehrLösungen der Aufgaben zum Kapitel Data Analysis *
Lösungen der Aufgaben zum Kapitel Data Analysis * Christoph Rust October 11, 2017 * Dieses Dokument wurde mit Sweave unter R-Studio erstellt. Das zur Erstellung benutzte Skript kann unter http:// www.uni-regensburg.de/wirtschaftswissenschaften/vwl-tschernig/medien/programmieren-mit-r/sol_data_analysis.zip.
MehrEinstieg in die Informatik mit Java
1 / 21 Einstieg in die Informatik mit Java Felder, eindimensional Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 21 1 Überblick: Was sind Felder? 2 Vereinbarung von Feldern
MehrTeil II. Datentypen. T. Neckel Einführung in die wissenschaftliche Programmierung IN8008 Wintersemester 2017/
Teil II Datentypen T. Neckel Einführung in die wissenschaftliche Programmierung IN8008 Wintersemester 2017/2018 25 Konzept von Teil II: Datentypen Hinweis: Die Erklärung des Konzepts im Sinne des Constructive
MehrDemographie III Übung
Demographie III Übung Roland Rau mailto:roland.rau@uni-rostock.de 21. Oktober 2013 Inhaltsverzeichnis 1 Dateneingabe 2 2 Eigene Funktionen schreiben 5 3 Aufgaben 7 1 1 Dateneingabe > sp
MehrArbeiten mit Daten. Session 3
Arbeiten mit Daten Session 3 1 Lesen und Schreiben von Daten Größere Datenmengen werden üblicherweise nicht manuell in die R Konsole eingegeben, sondern aus Files eingelesen. Hierbei gibt es grundsätzlich
MehrFUNKTIONEN UND FORMELN IN
FUNKTIONEN UND FORMELN IN Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg 01.06.2016 Gliederung Arithmetische Operatoren
MehrR and Datamining with R
R and Datamining with R Philipp Kinschel, Anton Pölzleitner Universität Salzburg, Fachbereich Computerwissenschaften 2. Juni 2010 1 / 31 Inhalt R-Project Funktionsüberblick von R Datamining Dataminingbeispiel
MehrFORMELN IN. Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg
FORMELN IN Referent: Daniel Laskow Betreuer: Eugen Betke Programmierung in R Arbeitsbereich Wissenschaftliches Rechnen Universität Hamburg 01.06.2016 Gliederung Arithmetische Operatoren Funktionen aus
MehrMetrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
MehrDateneingabe und Transformation Übersicht
Dateneingabe und Transformation Übersicht 2.0 Allgemeine 2.1 Eingabe über die 2.2 2.3 Eingabe eines externen ASCII-Files 2.4 Varianten der INPUT-Anweisung, Formatierungselemente 2.5 Ein- und Ausgabe von
MehrAnalytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09
Analytische Statistik: Varianzanpassungstest, Varianzhomogenitätstest Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2008/09 Varianzanpassungstest Untersuchung der Streuung einer bzw.
MehrAufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)
Vorbereitungen Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS) Falls das R - Paket car noch nicht installiert wurde, kann dies mit der Funktion install.packages() erledigt werden. install.packages("car")
MehrRegressionsanalyse in R
Regressionsanalyse in R Session 6 1 Einfache Regression Lineare Regression ist eines der nützlichsten Werkzeuge in der Statistik. Regressionsanalyse erlaubt es Zusammenhänge zwischen Parametern zu schätzen
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 207 Streuungsparameter Voraussetzung: kardinale Werte x,..., x n Beispiel: a)
MehrArbeiten mit Daten. Session 3
Arbeiten mit Daten Session 3 1 Lesen und Schreiben von Daten Größere Datenmengen werden üblicherweise nicht manuell in die R Konsole eingegeben, sondern aus Files eingelesen. Hierbei gibt es grundsätzlich
MehrDipl.-Volksw. Markus Pullen Wintersemester 2012/13
Statistische Auswertungen mit R Universität Kassel, FB 7 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 212/13 Abschlussübung 1. Sitzung: Laden Sie die Datei BIP S_Kreise_29.csv aus
MehrEinführung in die Programmierung (MA8003)
Theorie 1.2: Vektoren & Matrizen II, Funktionen, Indizierung Dr. Lorenz John Technische Universität München Fakultät Mathematik, Lehrstuhl für Numerische Mathematik M2 04.10.2016 Theorie 1.2: Inhalt 1
MehrEinstieg in die Informatik mit Java
1 / 26 Einstieg in die Informatik mit Java Felder Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 26 1 Was sind Felder? 2 Vereinbarung von Feldern 3 Erzeugen von Feldern
MehrEinführung in die Programmierung (MA8003)
Theorie 1.2: Vektoren & Matrizen II, Funktionen, Indizierung Dr. Laura Scarabosio Technische Universität München Fakultät Mathematik, Lehrstuhl für Numerische Mathematik M2 04.10.2017 Theorie 1.2: Inhalt
MehrTU Bergakademie Freiberg Datenanalyse/Statistik Wintersemester 2016/ Übungsblatt. Homepage zur Übung unter:
1. Übungsblatt Homepage zur Übung unter: http://www.mathe.tu-freiberg.de/ds Themen und Begriffe Skalenniveaus Stichprobe und Zufallsexperiment repräsentative Stichprobe Einführung in die Programmiersprache
MehrMaterial zur Vorlesung Räumliche Statistik
Dr. Felix Ballani SoSe 2018 Material zur Vorlesung Räumliche Statistik Einführung in R Während der folgenden Übungen sollen Sie ab und zu mit dem Statistik-Programm R arbeiten. Das Statistik-Programm R
MehrKapitel 1. R als Taschenrechner. Vorlesung Programmieren in statistischer Software: R Sommersemester 2009. Einleitung, Grundlagen
Vorlesung Programmieren in statistischer Software: R Sommersemester 2009 Kapitel 1, Christian Foliengestaltung von Martin Dörr Inhalt dieses Abschnitts 1 2 1.3 Braun, John W., Murdoch, Duncan J. A first
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg
für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 16 Prof. Dr. Stefan Etschberger Hochschule Augsburg Outline 1 : Einführung Berühmte Leute zur Wie
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrStatistische Software (R)
Statistische Software (R) Paul Fink, M.Sc., Eva Endres, M.Sc. Institut für Statistik Ludwig-Maximilians-Universität München Fortgeschrittene Grafiken Das type Argument in plot() > y plot(y,
MehrEinführung in R. Marius Hofert. Ulm University
Einführung in R Marius Hofert marius.hofert@uni-ulm.de Ulm University 2007-0-8 Einleitung Die Statistik Software R ist ähnlich zur Statistik Software S-Plus. Beide basieren auf der Sprache S und sind weit
MehrEine Einführung in R: Grundlagen I
Eine Einführung in R: Grundlagen I Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 14. Oktober 2009 Bernd Klaus, Verena Zuber Grundlagen
Mehr6 Eigenständiges Programmieren
6 Eigenständiges Programmieren Allgemeines zu allen Aufgabenblöcken: Lesen Sie den jeweils einleitenden Aufgabentext und die Aufgabenstellung genau Damit Sie erläuternden Text von den Aufgabenstellungen
MehrUmgang mit R unter Windows. Stand:
Umgang mit R unter Windows Stand: 2017-07-24 R: Software R für Windows (XP etc.) Version 3.2.4 (3/2016) Linksammlung zu R: http://www.uni-due.de/hummell/r/ Portable R R-Studio für Windows, Linux, Mac OS
MehrStatistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R
Statistik und Wahrscheinlichkeitstheorie UE EDV Übung mit GNU R Mathias Stephan Panzenböck e0427417 12. Juni 2006 Beispiel 1 library(e1071) library(car) load('0427417.rdata') a) min(bsp1$x) # = 2.435354
MehrSyntax Variablen. mtrx <- matrix (c(1,2,3,4,5,6),ncol=2,nrow=3) Anzeigen des Types: class(var) Umwandeln mit: as.vector(mtrx)
TUTORIUM BIOINFORMATIK SS17 Was ist R? Programmiersprache für statistische Analysen Funktionelle Programmiersprache Einfach und effektiv Bietet Funktionen zum Einlesen und Analysieren von Daten Erzeugen
MehrReihen sind Beobachtungen (jedes Mal, dass eine Versuchsperson etwas getan hat, gibt es eine Reihe).
1 Data-Frames, Faktoren, Deskriptive Statistik Jonathan Harrington 0. Vorbereitung von Daten Data-Frame besteht aus Reihen und Spalten. Reihen sind Beobachtungen (jedes Mal, dass eine Versuchsperson etwas
Mehr