ビッグデータ分析-Rの概要

このセクションでは、ユーザーにRプログラミング言語を紹介します。Rはクランのウェブサイトからダウンロードできます。Windowsユーザーの場合は、するのに便利ですrtoolsインストールとrstudio IDEを。

背後にある一般的な概念 R C、C ++、Fortranなどのコンパイル言語で開発された他のソフトウェアへのインターフェイスとして機能し、ユーザーにデータを分析するためのインタラクティブなツールを提供します。

ブックのzipファイルのフォルダーに移動します bda/part2/R_introduction を開きます R_introduction.Rprojファイル。これにより、RStudioセッションが開きます。次に、01_vectors.Rファイルを開きます。スクリプトを1行ずつ実行し、コード内のコメントに従います。学習するためのもう1つの便利なオプションは、コードを入力することです。これは、R構文に慣れるのに役立ちます。Rではコメントは#記号で書かれています。

ブックでRコードを実行した結果を表示するために、コードが評価された後、Rが返す結果にコメントが付けられます。このようにして、本にコードをコピーして貼り付け、Rでコードのセクションを直接試すことができます。

# Create a vector of numbers 
numbers = c(1, 2, 3, 4, 5) 
print(numbers) 

# [1] 1 2 3 4 5  
# Create a vector of letters 
ltrs = c('a', 'b', 'c', 'd', 'e') 
# [1] "a" "b" "c" "d" "e"  

# Concatenate both  
mixed_vec = c(numbers, ltrs) 
print(mixed_vec) 
# [1] "1" "2" "3" "4" "5" "a" "b" "c" "d" "e"

前のコードで何が起こったのかを分析してみましょう。数字と文字でベクトルを作成できることがわかります。事前にどのタイプのデータ型が必要かをRに伝える必要はありませんでした。最後に、数字と文字の両方を含むベクトルを作成することができました。ベクトルmixed_vecは数値を文字に強制変換しました。これは、値が引用符で囲まれてどのように出力されるかを視覚化することで確認できます。

次のコードは、関数クラスによって返されるさまざまなベクトルのデータ型を示しています。クラス関数を使用してオブジェクトを「問い合わせ」、クラスが何であるかを尋ねるのが一般的です。

### Evaluate the data types using class

### One dimensional objects 
# Integer vector 
num = 1:10 
class(num) 
# [1] "integer"  

# Numeric vector, it has a float, 10.5 
num = c(1:10, 10.5) 
class(num) 
# [1] "numeric"  

# Character vector 
ltrs = letters[1:10] 
class(ltrs) 
# [1] "character"  

# Factor vector 
fac = as.factor(ltrs) 
class(fac) 
# [1] "factor"

Rは2次元オブジェクトもサポートします。次のコードには、Rで使用される2つの最も一般的なデータ構造の例があります。matrixとdata.frameです。

# Matrix
M = matrix(1:12, ncol = 4) 
#      [,1] [,2] [,3] [,4] 
# [1,]    1    4    7   10 
# [2,]    2    5    8   11 
# [3,]    3    6    9   12 
lM = matrix(letters[1:12], ncol = 4) 
#     [,1] [,2] [,3] [,4] 
# [1,] "a"  "d"  "g"  "j"  
# [2,] "b"  "e"  "h"  "k"  
# [3,] "c"  "f"  "i"  "l"   

# Coerces the numbers to character 
# cbind concatenates two matrices (or vectors) in one matrix 
cbind(M, lM) 
#     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] 
# [1,] "1"  "4"  "7"  "10" "a"  "d"  "g"  "j"  
# [2,] "2"  "5"  "8"  "11" "b"  "e"  "h"  "k"  
# [3,] "3"  "6"  "9"  "12" "c"  "f"  "i"  "l"   

class(M) 
# [1] "matrix" 
class(lM) 
# [1] "matrix"  

# data.frame 
# One of the main objects of R, handles different data types in the same object.  
# It is possible to have numeric, character and factor vectors in the same data.frame  

df = data.frame(n = 1:5, l = letters[1:5]) 
df 
#   n l 
# 1 1 a 
# 2 2 b 
# 3 3 c 
# 4 4 d 
# 5 5 e

前の例で示したように、同じオブジェクトで異なるデータ型を使用することが可能です。一般に、これはデータベースでのデータの表示方法です。データのAPI部分は、テキストまたは文字ベクトル、およびその他の数値です。Inは、割り当てる統計データ型を決定し、それに正しいRデータ型を使用するアナリストの仕事です。統計では、通常、変数は次のタイプであると見なされます-

  • Numeric
  • 名目またはカテゴリ
  • Ordinal

Rでは、ベクトルは次のクラスになります。

  • 数値-整数
  • Factor
  • オーダードファクター

Rは、変数の統計タイプごとにデータ型を提供します。ただし、順序付き因子はめったに使用されませんが、関数因子によって作成することも、順序付けすることもできます。

次のセクションでは、インデックス作成の概念について説明します。これは非常に一般的な操作であり、オブジェクトのセクションを選択してそれらに変換する問題を扱います。

# Let's create a data.frame
df = data.frame(numbers = 1:26, letters) 
head(df) 
#      numbers  letters 
# 1       1       a 
# 2       2       b 
# 3       3       c 
# 4       4       d 
# 5       5       e 
# 6       6       f 

# str gives the structure of a data.frame, it’s a good summary to inspect an object 
str(df) 
#   'data.frame': 26 obs. of  2 variables: 
#   $ numbers: int  1 2 3 4 5 6 7 8 9 10 ... 
#   $ letters: Factor w/ 26 levels "a","b","c","d",..: 1 2 3 4 5 6 7 8 9 10 ...  

# The latter shows the letters character vector was coerced as a factor. 
# This can be explained by the stringsAsFactors = TRUE argumnet in data.frame 
# read ?data.frame for more information  

class(df) 
# [1] "data.frame"  

### Indexing
# Get the first row 
df[1, ] 
#     numbers  letters 
# 1       1       a  

# Used for programming normally - returns the output as a list 
df[1, , drop = TRUE] 
# $numbers 
# [1] 1 
#  
# $letters 
# [1] a 
# Levels: a b c d e f g h i j k l m n o p q r s t u v w x y z  

# Get several rows of the data.frame 
df[5:7, ] 
#      numbers  letters 
# 5       5       e 
# 6       6       f 
# 7       7       g  

### Add one column that mixes the numeric column with the factor column 
df$mixed = paste(df$numbers, df$letters, sep = ’’)  

str(df) 
# 'data.frame': 26 obs. of  3 variables: 
# $ numbers: int  1 2 3 4 5 6 7 8 9 10 ...
# $ letters: Factor w/ 26 levels "a","b","c","d",..: 1 2 3 4 5 6 7 8 9 10 ... 
# $ mixed  : chr  "1a" "2b" "3c" "4d" ...  

### Get columns 
# Get the first column 
df[, 1]  
# It returns a one dimensional vector with that column  

# Get two columns 
df2 = df[, 1:2] 
head(df2)  

#      numbers  letters 
# 1       1       a 
# 2       2       b 
# 3       3       c 
# 4       4       d 
# 5       5       e 
# 6       6       f  

# Get the first and third columns 
df3 = df[, c(1, 3)] 
df3[1:3, ]  

#      numbers  mixed 
# 1       1     1a
# 2       2     2b 
# 3       3     3c  

### Index columns from their names 
names(df) 
# [1] "numbers" "letters" "mixed"   
# This is the best practice in programming, as many times indeces change, but 
variable names don’t 
# We create a variable with the names we want to subset 
keep_vars = c("numbers", "mixed") 
df4 = df[, keep_vars]  

head(df4) 
#      numbers  mixed 
# 1       1     1a 
# 2       2     2b 
# 3       3     3c 
# 4       4     4d 
# 5       5     5e 
# 6       6     6f  

### subset rows and columns 
# Keep the first five rows 
df5 = df[1:5, keep_vars] 
df5 

#      numbers  mixed 
# 1       1     1a 
# 2       2     2b
# 3       3     3c 
# 4       4     4d 
# 5       5     5e  

# subset rows using a logical condition 
df6 = df[df$numbers < 10, keep_vars] 
df6 

#      numbers  mixed 
# 1       1     1a 
# 2       2     2b 
# 3       3     3c 
# 4       4     4d 
# 5       5     5e 
# 6       6     6f 
# 7       7     7g 
# 8       8     8h 
# 9       9     9i