First Steps in R. Corpus Linguistics Heike Zinsmeister WS 2009/10

Transkript

1 First Steps in R Corpus Linguistics Heike Zinsmeister WS 2009/10

2 Background R S programming language that was developed for statistical computing System, in which the programming language is implemented R is based on language S Developed at AT & T Bell Laboratories S-Plus commercial system Freely available R: Gnu S Ross Ihaka & Robert Gentleman, Auckland

3 Session management Start by double clock on the R-symbol on Unix in Terminal: "> R" Quit with q() (quit) Workspace Data storage in file.rdata Command-history in file.rhistory Where is my workspace? (working directory) > getwd() Define your individual working directory >setwd(".. path...").rdata and other files will be copied there

4 Simple Example > vector <- c(0:14) > vector [1] > vector <- c(0:14); vector [1] > mean(vector) [1] 7 > plot(vector)

5 Basic calculations General R comment ,5 3: *1.5 3/2 Addition of 1 and 1 Subtraction of 3 from 7 Multiplication of 2 and 1.5 Division of 3 by mod log e (1) or ln(1) exp(1) or e 1 2^3 7%%3 sqrt(16) log(1) exp(1) 2 to the power 3 The rest of the division of 7 by 3 (modulo operator) square root of 16 Logarithm of base e at 1 [other bases (log x=1, base=10)] Value of exponential function at

6 Hilfe holen R-Hilfefenster Informationen zu Funktionen > help(mean) >?mean Bedeutung von Merkmalen mit Sonderzeichen > help("%%") Browserbasierte Hilfe > help.start() Reference Sheet overview of R functions in Baayen 2008:

7 Zuweisung x <- 3+4 # Pfeilzuweisung (3+4)/(5*7) -> y # manchmal praktisch x = c(2, 4, 8, 16, 32) # Zuweisung nur # nach links Bemerke bei einer Zuweisung erscheint in der Konsole nur eine neue (leere) Zeile > x =c(2, 4, 8, 16, 32) >

8 Vektor Grundlegender Datentyp Index [1] [2] [3] [4] [5] [6] [7] Wert Eindimensionale geordnete Abfolge von Elementen Liste von einheitlichen Werten (Zahlen, Zeichen,...) Überprüfung, ob Vektor > is.vector() Länge des Vektors length()

9 Einlesen eines Vektors > n <- 2 # einwertiger Vektor > x <- c(2,4,8,16,32) # combine > y <- c("aktiv","passiv") > z <- scan() # manuelle Belegung Erweitern eines Vektors append(vektor, Anzuhängendes, Position) > append(x, c(64,128)) > [1]

10 Auslesen von Werten > x <- 3+4 # Einstelliger Vektor > x # print(x) [1] 7 > > y <- c(2, 4, 8, 16) # 4-stelliger Vektor > y [1] > y[3] # Wert des dritten Elements [1] 8 Information über eine Datenstruktur > str(y) num [1:4]

11 Beispieldaten erzeugen Vektor aus Zufallszahlen runif (n, min=0, max=1) > x <- runif(4,2,10); x > [1] Zufällige Stichprobe aus einem Bereich sample(vektor,größe,wiederverwendung,wahrscheinlichkeiten) > x <- sample(c(1:10), 3, replace=true); x > [1] Direkt in die Konsole eingeben x <- scan() Ende mit Leerzeile / ctrl-d / ctrl-z und Enter

12 Beispieldaten erzeugen Wiederholung von Werten (repeat): Schrittgröße 1 rep (Vektor, Wiederholungsanzahl) > rep (c(1,2,3), 2) Hilfreiche Parameter rep(vektor, Wiederholung,Ausgabelänge, Elementwiederholung) rep(x,times,length.out,each) > rep(c(1,2),3, each=2) # ohne die Angabe für length.out > [1] Wiederholung von Sequenzen: Schrittgröße bestimmbar seq(x,from=n, to=m, by=k) Sortieren sort(x,decreasing=false) # plus weitere Argumente

13 Auf Daten Testen which(x==2) # welche Elemente von x sind gleich 2? Ausgabe: Position(en) which(x!=2) # Komplement (Negation) which(x>1) which(x<1) which(x<1 x>1) # Disjunktion (entweder/oder) match(2,x) # Position des ersten Auftretens von "2"

14 Runden von Zahlen round (Vektor,Nachkommastelle) > round(5.43,1) > 5,4 "Go to the even digit" (IEC Standard) > round(0.5) # 0 > round(-1.5) # -2. Problem However, this is dependent on OS services and on representation error (since e.g is not represented exactly, the rounding rule applies to the represented number and not to the printed number, and so round(0.15, 1) could be either 0.1 or 0.2). trunc() löscht alle Stellen nach dem Komma (ohne zu runden)

15 Objekte Objekte im Speicher anschauen ls() objects() (Erinnerung: str(objektname)) Löschen von Objekten aus dem Speicher rm(objektname) rm(list=ls()) löscht alle Objekte im Speicher ist wichtig, da andernfalls Variablen belegt sein können

16 Datenstrukturen vector factor matrix eine Liste aus beliebig vielen Elementen vom selben Typ (z.b. numeric, logical, character) dient zur Speicherung von nominalen und kategoriellen Daten mehrdimensionaler Vektor data.frame list ähnlich wie Matrix, aber Spalten können verschiedenen Typen angehören und einzeln angesprochen werden eine Liste ähnlich wie Vektor, aber Elemente dürfen unterschiedliche Typen sein, können selbst Listen sein (frei nach Seyfang 2005: 6)

17 Tabellarische Daten Durch Trennzeichen (Separator, sep) getrennt Spaltenüberschriften ggf. Zeilennamen Wortart TokenFrequenz TypenFrequenz Klasse ADJ open ADV open N open KONJ closed PRAEP closed (Gries 2008:66f)

18 Erzeugung von tabellarischen Daten data.frame(vektor1_als_spalte1, Vektor2_als_Spalte2,..) > rm(list=ls(all=t)) # loesche den Speicher > Wortart<-c("ADJ", "ADV", "N", "KONJ", "PRAEP") > TokenFrequenz<-c(421, 337, 1411, 458, 455) > TypenFrequenz<-c(271, 103, 735, 18, 37) > Klasse<-c("offen", "offen", "offen", "geschlossen", "geschlossen") > x<-data.frame(wortart, TokenFrequenz, TypenFrequenz, Klasse)

19 Erzeugung von tabellarischen Daten > x Wortart TokenFrequenz TypenFrequenz Klasse 1 ADJ offen 2 ADV offen 3 N offen 4 KONJ geschlossen 5 PRAEP geschlossen > str(x) 'data.frame': 5 obs. of 4 variables: $ Wortart : Factor w/ 5 levels "ADJ","ADV","KONJ",..: $ TokenFrequenz: num $ TypenFrequenz: num $ Klasse : Factor w/ 2 levels "geschlossen",..:

20 Zugriff auf tabellarische Daten gesamtes Objekt x anzeigen > x einzelne Spalte anzeigen Objekt$Spalte > x$tokenfrequenz Alternative: >attach(x);tokenfrequenz detach(x) Zugriff auf einzelne Zelle #Deaktivierung mit Objekt[Zeile, Spalte] # auch als Bereichsangabe möglich > x[2,3] > x[2:4,3]

21 Editieren von tabellarischen Daten Direkte Zuweisungen > x[2,3] <-4 > x$tokenfrequenz[3]<- 4 > attach(x);tokenfrequenz[3] <- 4 Einfacher in einer GUI: > fix(x)

22 Einlesen von Dateien Allgemein Zugriff auf Dateiverzeichnis > file.choose() Allgemeines Einlesen von Dateien > file0 <- scan("datei", what="num", sep=" ", quiet=true) >file <- scan(file.choose())

23 Einlesen von Dateien Einlesen von tabellarischen Datensätzen (data frames) file1 = read.table("datei") # im Arbeitsverzeichnis file2 = read.table("pfad/datei") # irgendwo Windows: file3 = read.table (choose.files(), sep="\t, header=true) andere Systeme: file3 = read.table (file.choose(), sep="\t, header=true) Beispiel > file3 = read.table("/users/cluser/_sflwr/inputfiles/g_dat a_chapters_1-5/02-5-3_dataframe.txt")

24 Abspeichern von Dateien Allgemeines Speichern (concatenate and print) > cat(vektor(en), file="datei", what ="char", sep=" ", append=false) > cat(vektor(en), file=file.choose()) Speichern von tabellarischen Datensätzen > write.table(file3, "/Users/heike/data/test.txt") # Mac > write.table(file3, "c:/stats/test.txt") # Windows

25 Referenzen Gries, Stefan Statistik für Sprachwissenschaftler. Kapitel 2. Sawitzki, Günter Statistical Computing: Einführung in R