Die grundlegenden Konzepte von R

Transkript

1 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 eines Codeblocks erkennt. Das Einlesen kann auch direkt aus einer Datei geschehen! (siehe source()) I Jede Evaluation geschieht auf genau einer sog. R expression (siehe eval(expr)). I Funktionen sind keine speziellen Sprachelemente, sondern einfache Objekte. Benutzerdenierte Funktionen sind sehr leicht hinzuzufügen (lexical scoping!): > datdobbelde <- function(x) {invisible(2*x)} > x<-2 > datdobbelde(x) ### Keine Ausgabe! > (datdobbelde(x)) # entspricht print(datdobbelde(x))

2 Atomare Datentypen in R Datentyp Beispiel NULL NULL logical FALSE numeric 3.14 complex 3+i character "Hello" factor Ford, GM, Mercedes I Zahlen haben einen mode und einen type I Man ndet den Typ eines Objektes mit is.logical(), is.numeric() etc. heraus. I Man kann in RTypumwandlung erzwingen durch as.factor(), as.numeric() etc.

3 Zusammengesetzte Datentypen in R I R ist eine listenorientierte Sprache. Eine list ist der grundlegende Datentyp in R. Alle komplexeren Datentypen sind aus Listen zusammengesetzt. I Der wichtigste Datentyp für Berechnungen ist der vector, eine spezielle indizierte Liste von Elementen des selben Typs. I Ein Vektor besteht immer aus Elemeten eines Typs! Wenn bei der Konstruktion eines Vektors verschiedene Typen zusammengefasst werden, werden diese automatisch auf den einfachsten möglichen gemeinsamen Typen konvertiert! I Das elementare Kommande heiÿt c() (combine). I Skalare sind Vektoren der Länge 1.

4 Umgang mit Vektoren (Erzeugung) > (x <- c(1, 3, 4.5)) [1] > typeof(x) [1] "double" > (x <- c(1, x, 3)) [1] > length(x) ### length of vector [1] 3 > x <- c(1, 4, "Hello") > t(x) ### transposing (vectors / matrices) [1,] "1" "4" "Hello"

5 Umgang mit Vektoren (Teilmengenauswahl) > (x <- c(2, 3, 5, 7, 11, 13, 17, 19, 23)) [1] > x[1] ### Zugriff über den einfachen Index [1] 2 > x[2:4] ### mehrere Elemente auf einmal [1] > x[-(2:4)] ### einige auslassen [1] > x[-c(1, 7, 9)] ## Indizes müssen nicht aufeinander folgen [1] > x[] ### der komplette Vektor [1]

6 Umgang mit Vektoren (bedingte Teilmengen) > which(x < 10) [1] ### Indizes, für die eine Bedingung erfüllen > x [1] > x > 10 [1] FALSE FALSE FALSE FALSE TRUE TRUE TRUE TRUE TRUE > sum(x>10) 5 ### Anzahl der Elemente, die eine Bedingung erfüllen > x [ x > 10 ] # Indiziern über booleschen Vektor [1]

7 Erzeugung spezieller Vektoren seq(), rep() > 1:5; 5:1 ### äquidistant, Distanz 1 [1] [1] > seq(1,4,2/3) ### äquidistant, Distanz!= 1 [1] > seq(along=x) ### Numerierung von x [1] > rep(true, 5) ### Wiederholungen [1] TRUE TRUE TRUE TRUE TRUE > rep(c("red","blue"),c(4,7)) [1] "red" "red" "red" "red" "blue" "blue" "blue" "blue" [9] "blue" "blue" "blue"

8 Rechnen mit R-vektoren > (x <- seq(3,7)) [1] > 1+x ### Recycling der 1 [1] > 2*x ### elementweise Berechnung [1] > x*x ### elementweise Multiplication von Vektoren [1] > x%*%x ### Skalarproduct, implizite Transposition! [,1] [1,] 135

9 Vektorrecycling > 6:1-1:3 ### der kürzere Vektor wird recycelt [1] > 7:1-1:3 ### Nur, wenn man weiÿ. was man tut! [1] Warning message: longer object length is not a multiple of shorter object length in: 7:1-1:3

10 Eingebautes Hilfesystem I Das cheat-sheet für R: I help oder? sind äquivalent zu RTFM: Versuchen Sie help(plot) oder?plot. I Wenn man das genaue Kommando nicht weiÿ oder help() nicht hilft, dann kann man apropos(), find() oder help.search() versuchen. I Versteht man eine Hilfeseite nicht, dann kann man mit example(command) oder demo(command) versuchen, den Befehl und seine Nutzung am Beispiel zu lernen.

11 Eingebautes Hilfesystem I help.start() zeigt die Dokumentation im Standard-Webbrowser an. I Die meisten von Nutzern hinzugefügten Pakete enthalten eine sog. Vignette, eine kurzes Handbuch im PDF Format. Mit dem Kommando vignette() kann man sich dieses anzeigen lassen.

12 Externe Hilfe I Dokumentation auf CRAN: cran.r-project.org Sehr viel gut geschriebene Dokumentation! Installationshandbuch, Referenzhandbuch, Dokumentation für Datenaustausch, FAQ usw. I Archive der Mailinglisten mit Suchinterface auf CRAN

13 Ultima ratio I Selbst auf der Mailingliste r-help fragen. Unbedingt den posting guide beachten, sonst wird man ge`ripleyed'. Mehrere tausend Leser, mehr als 100 Mails am Tag. Es gibt praktisch auf jede vernünftig gestellte Frage ein fundierte Antwort. I Bekommt man sein Problem gelöst, so sollte man sein Wissen teilen, in dem man die Antwort z.b. in das R-Wiki einträgt.

14 Buchhaltung Immer nur mit Kopien arbeiten! Nie mit Originalen!

15 Buchhaltung I ls() zeigt in einer R-Sitzung alle aktuell exisitierenden Objekte an. Für etwas mehr Auskünfte über die Objekte kann man ls.str() versuchen. Alle Objekte der aktuellen Sitzung werden in der Datei.Rdata im aktuellen Arbeitsverzeichnis gespeichert, wenn man mit 'y' auf 'q()' antwortet. I Das aktuelle Arbeitsverzeichis liest und schreibt man mit getwd() und setwd(). I Pro: Automatische Datensicherung! I Kontra: Es handelt sich um ein Binärformat! Man sollte dies nicht als Hauptsicherung wichtiger Daten nutzen! I Siehe auch save() und save.image().

16 Buchhaltung I Eine natürliche Art der Arbeitsorganisation ist deshalb, pro Projekt ein Arbeitsverzeichnis zu verwenden. I Den Verlauf der letzten eingegebenen Befehle ndet man in der Datei.Rhistory.

17 Initiale Datenanalyse I Ziel ist die Aufbereitung eines erhaltenen Datensatzes, so dass die echte Datenanalyse durchgeführt werden kann I Beispieldaten aus Faraway, Linear Models with R > install.packages("faraway") > library(faraway) > data(pima) I Nutzung eines Datensatzes, der im Internet zur Verfügung gestellt wird. I Studie des National Institute of Diabetes and Digestive and Kidney Diseases an 768 erwachsenen Frauen der Pima Indianer.

18 Hintergrundinformation I Wegweisende Studie über den Zusammenhang von Diabetes mit genetischen Ursachen. I Pima Indianer haben die weltweit höchste Diabetesrate. I Sie sind in der Nähe von Phoenix/Arizona beheimatet.

19 Der Datensatz I Welche Daten enthält der Datensatz und wie sind diese kodiert? > help(pima) pima package:faraway R Documentation Diabetes survey on Pima Indians Description: The National Institute of Diabetes and Digestive and Kidney Diseases conducted a study on 768 adult female Pima Indians living near Phoenix. Usage: data(pima) Format: The dataset contains the following variables 'pregnant' Number of times pregnant 'glucose' Plasma glucose concentration at 2 hours in an oral glucose tolerance test 'diastolic' Diastolic blood pressure (mm Hg) 'triceps' Triceps skin fold thickness (mm) 'insulin' 2-Hour serum insulin (mu U/ml)

20 'bmi' Body mass index (weight in kg/(height in metres squared)) 'diabetes' Diabetes pedigree function 'age' Age (years) 'test' test whether the patient shows signs of diabetes (coded 0 if negative, 1 if positive) Source: The data may be obtained from UCI Repository of machine learning databases at <URL:

21 Der erste Blick > str(pima) 'data.frame': 768 obs. of 9 variables: $ pregnant : int $ glucose : int $ diastolic: int $ triceps : int $ insulin : int $ bmi : num $ diabetes : num $ age : int $ test : int I Man könnte 768 Beobachtungen noch einzeln durchgucken. Man kann es sich aber auch leichter machen! I Handarbeit ist schlecht!

22 Einfache, datenbeschreibende Verfahren Was fällt auf? > summary(pima) pregnant glucose diastolic triceps Min. : Min. : 0.0 Min. : 0.0 Min. : st Qu.: st Qu.: st Qu.: st Qu.: 0.00 Median : Median :117.0 Median : 72.0 Median :23.00 Mean : Mean :120.9 Mean : 69.1 Mean : rd Qu.: rd Qu.: rd Qu.: rd Qu.:32.00 Max. : Max. :199.0 Max. :122.0 Max. :99.00 insulin bmi diabetes age Min. : 0.0 Min. : 0.00 Min. : Min. : st Qu.: 0.0 1st Qu.: st Qu.: st Qu.:24.00 Median : 30.5 Median :32.00 Median : Median :29.00 Mean : 79.8 Mean :31.99 Mean : Mean : rd Qu.: rd Qu.: rd Qu.: rd Qu.:41.00 Max. :846.0 Max. :67.10 Max. : Max. :81.00 test Min. : st Qu.: Median : Mean : rd Qu.: Max. :1.0000

23 Was fällt auf? I 17 Schwangerschaften ist ungewöhnlich, aber nicht ausgeschlossen! I Blutdruck 0 ist ungesund, ebenso BMI 0... > pima$diastolic... I Wie viele sind es nun genau? Achtung: wichtiger Trick! > sum(pima$diastolic == 0) [1] 35 I Vermutlich sind in der Studie fehlende Werte als 0 festgehalten worden.

24 Aufgabe 2 Aufgabe: Vollziehen Sie die bisherigen Schritte der Analyse des Datensatzes pima nach! Ersetzen Sie für alle Variablen die fehlenden Werte durch NA. Speichern Sie den bearbeiteten Datensatz ab.