[Week 03] Lectures

[Week 03] Lectures

[33 data loading]

<read.csv>

# Import swimming_pools.csv: pools

pools <- read.csv('swimming_pools.csv')

 

# Print the structure of pools

str(pools)

 

# $ Name : Factor

# $ Address : Factor

 

# read.csv를 해서 파일을 import 하면 character column은 Factor로 인식한다.

# 그래서 Factor로 변경되기 원하지 않는다면 아래와 같이 parameter를 추가할 수 있다.

pools <- read.csv('swimming_pools.csv', stringAsFactors = FALSE)

 

str(pools)

# $ Name : chr 

# $ Address : chr

 

# 파일을 import 할 때 read.csv 안에서 stringAsFactors를 FALSE로 해서 character column을 그대로 가져 올 수 있지만,

# 파일을 불러 온 이후에 변경하는 방법도 있다.

pools <- read.csv('swimming_pools.csv')

 

pools$Name <- as.character(pools$Name)

pools$Address <- as.character(pools$Address)

 

str(pools)

# $ Name : chr

# $ Address : chr

 

 

# read.table

# csv 파일 외 txt 파일을 읽어 올 때 read.table이 쓰인다. (csv 파일도 불러올 수 있다)

# ex) read.table("state2.txt", header = TRUE, sep ="/", stringAsFactors = FALSE)

 

# reading hotdog.txt

hotdogs <- read.table('hotdogs.txt', sep='\t')

 

# Call head() on hotdogs

head(hotdogs)

 

# 파일을 불러 올 때 칼럼 이름을 설정할 수 있다

hotdogs <- read.table('hotdogs.txt', sep='\t', col.names = c('type', 'calories', 'sodium'))

head(hotdogs)

 

# add new variable named 'cal.type'

# 위에서 생성된 hotdogs 데이터프레임에 새로운 열 추가하기

hotdogs$cal.type <- ifelse(hotdogs$calories >= 150, 'heavy', 'light')

head(hotdogs)

 

#    type calories sodium cal.type

# 1  Beef     186     495    heavy

# 2  Beef     181     477    heavy

 

write.csv(hotdogs, file = 'newhotdog.csv', row.names = F)

write.table(hotdogs, file = 'newhotdogs.tsv', row.names = F, sep = '\t')

 

 

# 변수들 RData로 저장하기

# 나중에 저장된 변수들을 불러와서 새로 생성할 필요 없음

v1 <- 10

v2 <- c(1, 2, 3, 5)

v3 <- matrix(1:9, nrow = 3)

save(v1, v2, v3, file = 'mywork.RData')

 

# 변수 파일 불러오기

# load.('mywork.RData')

 

 

[34 apply functions]

apply(X, MARGIN, FUN, ...)

- X is matrix or dataframe

- MARGNI is a variable defining how the function is applied:

  -- MARGIN = 1, it applies over rows

  -- MARGNI = 2, it works over columns

- FUN is the function that you want to apply to the data

 

 

# 예시

my_mat <- matrix(1:6, nrow = 3, byrow = T)

 

# 열의 평균을 계산해서 벡터로 반환하기

apply(my_mat, 1, mean)

[1] 1.5   3.5   5.5

 

# 행의 평균을 계산해서 벡터로 반환하기

apply(my_mat, 2, mean)

[1] 3   4

 

 

# 랜덤 변수 만들기

# runif(12)의 의미는 0부터 1까지 랜덤한 소수를 12개 만들겠다.

set.seed(2018)

myMat <- matrix(runif(12), ncol = 4)

apply(myMat, 1, mean)

apply(myMat, 2, mean)

 

 

# apply() 두 번째 예시

# 아이리스 데이터셋 모든 행, 1열-4열까지의 열 별 평균을 구하고 벡터로 반환한다.

apply(iris[, 1:4], 2, mean)

 

# 아이리스 데이터셋 모든 행, 1열-4열까지의 행 별 평균을 구하고 벡터로 반환한다.

apply(iris[, 1:4], 1, mean)

# 벡터로 반환하지 않는 colMeans

colMeans(iris[, 1:4])

 

 

# lapply()

 - It applies function to dataframes, lists or vectors

 - It gives you back a list

 

myList <- list(num = 3.14, chr = 'char', logi = TRUE)

myList

# lappy는 단순히 (dataframe, 함수)

lapply(myList, typeof)

lapply()

myList2 <- list(vec = 1:5, mat = matrix(runif(12), ncol = 4, df = iris)

result <- lapply(myList2, length) # 리스트의 엘리먼트 별 길이를 리스트로 반환

result

# $vec

# [1] 5 # number of elements

# $mat

# [1] 12 # number of elements

# $df

# [1] 5 # number of columns

 

unlist(result) # list -> vector

## vec  mat  df

##   5     12   5

 

 

# lapply 예시

lapply(c(1, 4, 9, 16), sqrt)

 

lapply(mtcars, max)

unlist(lapply(mtcars, max))

 

sapply()

 - It applies function to dataframes, lists or vectors.

 - It gives you back a vector or matrix.

 

sapply(iris[, 1:4], mean)

sapply(iris, is.numeric)

sapply(c(1,3,5,7,9), function(x) {x ** 2})

## [1] 1  9   25  49   81

 

 

 

# sapply() 예시

myMat <- matrix(1:12, ncol = 4)

sapply(myMat, function(x) {x/2})

## [1] 0.5  1.0  1.5  2.0  2.5  3.0  3.5  4.0  4.5  5.0  5.5  6.0

 

sapply(pools, typeof)

## Name        Address     Latitude    Longitude

## 'character'  'character'   'double'    'double'

 

x <- sapply(iris[, 1:4], function(x) { x > 3})

head(x)

colSums(x)

 

 

tapply()

 - tapply(X, GRP_VAR, FUN, ...)

  -- apply FUN to X after grouping with GRP_VAR

  -- It returns as vector, 

 

tapply(iris$Sepal.Length, iris$Species, mean)

 

tapply(iris$Sepal.Length, iris$Species, mean)

 

tapply(iris$Sepal.Length, iris$Species, mean)

 

# cyl 실린더로 mpg를 그룹화 하여 함수 적용

x <- tapply(mtcars$mpg, mtcars$cyl, function(x) {x>20})

x 

# 실리더 4개 짜리로 그룹화 한 mpg들에 함수 적용 결과

# 실리더 6개 짜리로 그룹화 한 mpg들에 함수 적용 결과

# 실리더 8개 짜리로 그룹화 한 mpg들에 함수 적용 결과

 

 

sapply(x, sum)

## 4   6   8

## 11  3   0

 

[35 aggre order]
aggregate()

aggregate(var1 ~ var2, data = X, FUN = func, ... )
  - Apply func to var1 of X after grouping by var2

  - Alternates to tapply

  - Result is data.frame

 

# 실린더의 개수로 mpg를 그룹화하여서, 평균 함수를 적용한다. 결과는 데이터 프레임.

aggregate(mpg ~ cyl, data = mtcars, FUN = mean)

 

# Species 종류 개수로 Length를 길이를 그룹화해서, 평균 함수를 적용한다. 결과는 데이터 프레임.

aggregate(Sepal.Length ~ Species, data = iris, FUN = mean)

 

 

# Order() and sort()

 - order() gives a vector of index of smallest element, second smallest, .. , the largest element

 - sort() gives a sorted vector of numbers

 - decreasing option to have result in descending order

 

# order는 순위를 벡터로 반환

my_vector <- c(6, 12, 4, 89, 23, 35)

order(my_vector)

## [1] 3 1 2 5 6 4

 

my_vector[order(my_vector)]

## [1] 4 6 12 23 35 89

 

# sort는 벡터를 오름차순/내림차순으로 정렬

sort(my_vecotr)

 

my_vector[order(my_vecotr, decreasing = T)]

## [1] 89  35  23  12  6  4

 

sort(my_vector, decreasing = T)

## [1] 89  35  23  12 6  4

 

 

# mpg를 기준으로 내림차순 정렬

mtcars[order(mtcars$mpg, decreasing = T), ]