2 R die Basics. Inhalt. 2.1 Ziel. 2.2 R als Taschenrechner. Markus Burkhardt

Transkript

1 2 R die Basics Markus Burkhardt (markus.burkhardt@psychologie.tu-chemnitz.de) Inhalt 2.1 Ziel R als Taschenrechner Umgang mit Vektoren Weitere Objektklassen Umgang mit fehlenden Werten Indizierung Ziel In diesem Kapitel wollen wir die Grundlagen zum Umgang mit Variablen in R vermitteln. Sie werden vermutlich im Laufe des Erlernens von R immer wieder Fragen haben, die sich auf die Grundlagen beziehen (z. B. wie gehe ich mit fehlenden Werten um). Es kann durchaus sein, dass Sie einige Zeit brauchen, um diese Fragen zu lösen. Meistens ist die Lösung auch gar nicht so kompliziert. Lassen Sie sich dahingehend beruhigen, dass es jedem Anfänger so geht. Mit zunehmender Arbeit in R werden Sie ein Grundverständnis entwickeln, was langfristig zu einem sehr effektiven Arbeiten führt. 2.2 R als Taschenrechner Um einfache arithmetische Aufgaben auszuführen, können wir diese einfach in unser R Script schreiben und lösen. Sie wissen bereits von der subset() Funktion (Kapitel 1), dass Operatoren ein wesentlicher Bestandteil von der Arbeit mit R sind. In Abbildung 1 können Sie einige Beispiele sehen. Logische Abfragen geben entweder den Wert TRUE (kurz T) oder den Wert FALSE (kurz F) zurück. ## einfach Rechenaufgaben mit arithmetischen Operatoren 1+1 2*6 3^2 ## ^ spezifiziert den Exponent 9/3-3*.5 ## logische Operatoren 1==1 ## == untersucht ob es sich um identische Werte handelt "String"=="string" "A"!="B" 1<2 1>=1 Abbildung 1. Operatoren in R Natürlich lassen sich auch Operatoren auf R-Objekte bzw. Inhalte von Objekten anwenden. Zum Beispiel können Sie eine logische Abfrage von Werten vornehmen, was bei dem Einsatz von Wenn- Dann Regeln wichtig wird. Sie können aber auch Vektoren miteinander verrechnen. Ein Beispiel sehen Sie in Abbildung 2. Lesen Sie aber zunächst noch den nächsten Abschnitt, um das Beispiel zu verstehen. Eine Übersicht über Operatoren in R bekommen sie Beispielsweise unter: 1

2 2.3 Umgang mit Vektoren Variablen werden in R als Vektoren behandelt. Schauen wir uns ein Beispiel an. Tabelle 1 enthält die Informationen von fünf Stürmern im Fußball: - ihre gespielten Spiele und ihre geschossenen Tore in dem Kalender Jahr Tabelle 1. Stürmerleistung im Jahr 2013 Name Spiele Tore Cristiano Ronaldo Lionel Messi Zlatan Ibrahimovic Robert Lewandowski Stefan Kießling Diese Daten müssen zunächst in unserer R-Workspace. Das einfachste wäre wir lesen die Tabelle ein allerdings ist diese Tabelle nicht in einem Standardisierten Format verfügbar. Also definieren wir mit der Funktion c() zuerst entsprechende Vektoren bzw. Variablen (Abb. 2). # die einzelnen Werte werden einfach durch ein Komma getrennt und als Argumente der Funktion c() # definiert spiele <- c(29, 22, 35, 29, 33) tore <- c(38, 28, 27, 25, 22) # wir verwenden spieler_name, damit es nicht zur Verwechslung mit der Funktion names() kommt spieler_name <- c("cristiano Ronaldo", "Lionel Messi", "Zlatan Ibrahimovic", "Robert Lewandowski", "Stefan Kiessling") # Anwendung von Operatoren auf Vektoren Beispiele # Durchschnittliche Anzahl der Spiele pro Monat spiele/12 # Welcher Wert der Variable spiele ist identisch mit 29 spiele==29 # Anteil der Tore am Anteil aller Tore der 5 Stürmer tore/sum(tore) #...in Prozent tore/sum(tore)*100 # geschossenen Tore pro Spiel tore/spiele Abbildung 2. Definition von Variablen und Verwendung von Operatoren. Sie sehen schon worauf es ankommt die korrekte Zuordnung der Stellen innerhalb verschiedener Vektoren. Auch wenn Sie sich nicht für Fußball interessieren, wird Ihnen sofort einleuchten, warum Sie nicht einfach die Position von Ronaldo mit der von Messi (in dem Objekt spieler_namen) vertauschen können. Ein weiterer Unterschied fällt Ihnen auf, wenn Sie die Argumente der neuen Vektoren betrachten. Die Objekte spiele und tore enthalten numerische Werte, das Objekt spieler_name Zeichen. Solche Zeichenketten werden Strings oder characters genannt und durch "" markiert. Durch die Funktion class() wird Ihnen angezeigt, um was für ein R-Objekt bzw. R-Vektor es sich handelt. Numerische Objekte (z. B. spiele und tore) sind die Grundlage für die quantitative Datenanalyse und grafische Darstellungen. Die Art des Objekts bestimmt maßgeblich, welche Funktionen und Berechnungen Sie durchführen können. Wenn Sie Fehlermeldungen erhalten, sollten Sie dies im Hinterkopf behalten. Sie kennen die Funktion mean() bereits aus dem vorangegangenen Kapitel. Probieren Sie einfach aus was passiert wenn sie diese Funktion auf das Objekt spieler_name anwenden. 2

3 Sie sehen auch, dass die Eingabe von Daten per Hand vergleichsweise umständlich ist, daher sollten Sie wenn immer möglich Daten importieren. Sofern wir mit größeren Datenmengen konfrontiert sind, die manuell eingegeben werden müssen, nutzen wir in der Regel Tabellenprogramme und importieren die Daten anschließend. 2.3 Weitere Objektklassen Faktoren Wenn Sie eine nominalskalierte Variable haben (z. B. spieler_namen) können Sie diese auch als solche kenntlich machen. Nominalskalierte Variablen heißen in R Faktoren und werden mit Hilfe der Funktion factor() gebildet. Um unseren character-vektor in einen Faktor zu konvertieren nutzen wir die Funktion as.factor(), da wir eine bestehende Variabel konvertieren wollen. Alternativ können wir den Faktor erneut spezifizieren (Abb. 3). Data.frame Sie kennen bereits das data.frame-objekt aus dem vorherigen Kapitel. Mit der data.frame() Funktion binden Sie die einzelnen Variablen in ein gemeinsames Objekt. Sie werden später sehen, dass viele Funktionen ein data Argument beinhalten welches data.frame Objekten vorbehalten ist. Beispielsweise verlangt attach() ein data.frame Objekt. Abbildung 3 zeigt die Generierung eines solchen Objektes. Wenn wir unsere Variablen in einem data.frame gespeichert haben, könnten wir die einzelnen Objekte auch mit der Funktion rm() ( remove ) aus dem Workspace löschen, da die Objekte nun in dem data.frame enthalten sind. # Verwendung von as.factor () class(spieler_name) class(as.factor(spieler_name)) # Verwendung von factor() spieler_name <- factor(c("cristiano Ronaldo", "Lionel Messi", "Zlatan Ibrahimovic", "Robert Lewandowski", "Stefan Kiessling")) class(spieler_name) # Generierung eines data.frame Objekts fussball <- data.frame(spieler_name, tore, spiele) # löschen von Objekten rm(spiele,tore, spieler_name) Abbildung 3. Benutzung von factor() und data.frame(). Weitere wichtige R-Objekte sind Matrizen und Listen. Diese spielen zunächst für die Anwendung der EDA eine untergeordnete Rolle, daher wollen wir jetzt nicht darauf eingehen. Wir greifen dieses Thema erneut auf, wenn es um die Programmierung eigener Funktionen geht. Sie sollten zunächst Wissen was ein Faktor, eine numerische Variable und ein data.frame ist und dass diese verschiedenen Objekte für unterschiedliche Funktionen benutzt werden können. 2.4 Umgang mit fehlenden Werten Wenn Sie Daten analysieren, werden Sie sehr schnell mit fehlenden Werten konfrontiert sein. Diese werden in R als NA (not avalible) bezeichnet. Ein Beispiel: Fügen wir unseren fünf Stürmern noch einen weiteren, Thomas Müller, hinzu. Wir wissen, dass er im Kalenderjahr 2013, 11 Tore geschossen hat, allerdings nicht, wie viele Spiele er gespielt hat. Die unbekannte Angabe wird durch NA gekennzeichnet (Abb. 4). 3

4 Tabelle 2. Stürmerleistung im Jahr 2013 mit fehlendem Wert NA. Name Spiele Tore Cristiano Ronaldo Lionel Messi Zlatan Ibrahimovic Robert Lewandowski Stefan Kießling Thomas Müller NA 11 Wenn wir nun versuchen die mittlere Anzahl an Spielen der sechs Stürmer zu bestimmen, erhalten wir als Ergebnis NA. Dies liegt an dem NA-Wert von Thomas Müller. Die meisten R-Funktionen enthalten Argumente zum Umgang mit NAs. Schauen Sie sich die Hilfe der Funktion mean help(mean) an. Sie sehen, dass ein Argument na.rm (NA removing) standardmäßig auf den Wert FALSE definiert ist. Das heißt, wenn diese Variable NAs enthält, werden diese Werte nicht für die Berechnung gelöscht. Wir definieren nun dieses Argument auf na.rm=true. Dadurch wir d der NA- Wert bei Thomas Müller, für die Berechnung ausgeschlossen. In Abbildung 4 zeigen wir Ihnen einige weitere nützliche Funktionen im Umgang mit NA. Sie finden auch hierzu sehr viel Hilfe im Internet auf die wir an dieser Stelle verweisen. spiele <- c(29, 22, 35, 29, 33, NA) tore <- c(38, 28, 27, 25, 22, 11) spieler_name <- c("cristiano Ronaldo", "Lionel Messi", "Zlatan Ibrahimovic", "Robert Lewandowski", "Stefan Kiessling", "Thomas Mueller") fussball <- data.frame(spieler_name, spiele, tore) # Mittelwert mit NA Ausgabe mean(spiele) # Mittelwert mit NA ausschluss mean(spiele, na.rm=t) # Für welchen Wert von spiele gilt, dass er NA ist is.na(spiele) # an welcher Position befinden sich die NA Werte which(is.na(spiele)) # Gibt es (mindestens) einen NA Wert any(is.na(spiele)) Abbildung 4. Umgang mit fehlenden Werten (NA). 4

5 2.5 Indizierung Eine wichtige Eigenschaft ist die Indizierung von Werten einer Variable. Indizierungen werden mit [] vorgenommen. Mit Hilfe der Indizierung kann ein bestimmter Wert ausgewählt oder definiert werden. Bei data.frame Objekten (und Matrizen) erfolgt sie in der Regel über einen Spalten- und einen Zeilenwert. Außerdem kann die Indizierung wiederum Funktionen enthalten bzw. zur Neudefinition von Werten genutzt werden. Thomas Müller spielte im Kalender Jahr Spiele. Wir wollen diesen Wert nun unserem data.frame fussball hinzufügen. Sie kenne bereits das Zeichen "<-" mit dem eine Neudefinition vorgenommen wird. Im Grunde ist die Zuweisung eines Wertes nichts anderes, als eine solche Definition. Wir wählen über die Indizierung die gewünschte Stelle für unsere Neudefinition aus und weisen den Wert zu (Abbildung 5). # Der Wert an der ersten Stelle der Variable spieler_namen spieler_name[1] # Die Werte an der Stelle 1 und 3 der Variable spieler_name spieler_name[c(1,3)] # Alle Spielernamen ohne den 5. Wert (Stefan Kiessling) spieler_name[-c(5)] # Die 3. Spalte im data.frame Fussball fussabll[,3] # Die 2. Zeile im data.frame Fussball fussabll[2,] # Der Wert der 6.Zeile und 1.Spalte fussball[6,1] # Definition der Anzahl der Spiele von Thomas Müller (23 Spiele) fussball[6,1] <- 23 # Funktionen in der Indizierung # Welcher Spieler hat die meisten Tore geschossen? fussball[which(fussball$tore==max(fussball$tore)),3] # vorangegangenen Befehl ausführlich # Maximum der Variable Tore im Objekt fussball max(fussball$tore) # Abfrage: welcher Wert (der Spalte Tore) enthält das Maximum which(fussball$tore==max(fussball$tore)) # diese Indizierung gibt den Wert das Maximums in der Spalte spieler_namen zurück fussball[which(fussball$tore==max(fussball$tore)),3] # Eine Alternative ist die Funktion which.max() fussball[which.max(fussball$tore),3] Abbildung 5. Indizierung von Variablen. 5