Big Data Analytics - Wprowadzenie do R.

Ta sekcja jest poświęcona wprowadzeniu użytkowników w język programowania R. R można pobrać ze strony internetowej Cran . Dla użytkowników Windows przydatne jest zainstalowanie rtools i rstudio IDE .

Ogólna koncepcja R ma służyć jako interfejs do innych programów opracowanych w językach kompilowanych, takich jak C, C ++ i Fortran, oraz zapewnić użytkownikowi interaktywne narzędzie do analizy danych.

Przejdź do folderu pliku zip książki bda/part2/R_introduction i otwórz R_introduction.Rprojplik. Otworzy się sesja RStudio. Następnie otwórz plik 01_vectors.R. Uruchom skrypt wiersz po wierszu i postępuj zgodnie z komentarzami w kodzie. Inną przydatną opcją do nauki jest po prostu wpisanie kodu, co pomoże ci przyzwyczaić się do składni języka R. W R komentarze są zapisane symbolem #.

Aby wyświetlić wyniki działania kodu R w książce, po ocenie kodu, wyniki zwracane przez R są komentowane. W ten sposób możesz skopiować, wkleić kod do książki i wypróbować bezpośrednio jego sekcje w R.

# 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"

Przeanalizujmy, co się stało w poprzednim kodzie. Widzimy, że można tworzyć wektory z liczbami i literami. Nie musieliśmy wcześniej mówić R, jakiego typu danych potrzebowaliśmy. Wreszcie udało nam się stworzyć wektor zawierający zarówno cyfry, jak i litery. Wektor mixed_vec zmusił liczby do znaku, możemy to zobaczyć, wizualizując, jak wartości są drukowane w cudzysłowach.

Poniższy kod przedstawia typ danych różnych wektorów zwracanych przez klasę funkcji. Często używa się funkcji klasy do „przesłuchania” obiektu, pytając go, jaka jest jego klasa.

### 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 obsługuje również obiekty dwuwymiarowe. W poniższym kodzie znajdują się przykłady dwóch najpopularniejszych struktur danych używanych w R: macierz i data.frame.

# 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

Jak pokazano w poprzednim przykładzie, możliwe jest użycie różnych typów danych w tym samym obiekcie. Ogólnie rzecz biorąc, w ten sposób dane są prezentowane w bazach danych, API częścią danych jest tekst lub wektory znakowe i inne wartości liczbowe. Zadaniem analityka jest określenie, który typ danych statystycznych należy przypisać, a następnie użycie do tego prawidłowego typu danych R. W statystykach zwykle uważamy, że zmienne są następujących typów -

  • Numeric
  • Nominalne lub kategorialne
  • Ordinal

W R wektor może należeć do następujących klas -

  • Liczbowo - liczba całkowita
  • Factor
  • Zamówiony współczynnik

R zapewnia typ danych dla każdego statystycznego typu zmiennej. Uporządkowany współczynnik jest jednak rzadko używany, ale może zostać utworzony przez współczynnik funkcji lub uporządkowany.

W poniższej sekcji omówiono pojęcie indeksowania. Jest to dość powszechna operacja i dotyczy problemu wybierania fragmentów obiektu i dokonywania w nich transformacji.

# 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