環境設定

• 建立可以使用R 的環境
• 了解R 的使用界面

學習R 語言

• 透過實際的範例學習R 語言
  • 讀取資料
  • 選取資料
  • 敘述統計量與視覺化
• 利用實例來傳授學習的心法

程式的輸入、輸出、中斷

• 注意最左下腳的符號是 >
• 輸入 "hello world" 後按下Enter，檢查螢幕輸出（記得加上引號）
• 輸入 1 + 1 後按下Enter，檢查螢幕輸出，注意有無引號
• 輸入 1 + 後按下Enter，檢查螢幕輸出，注意最左下角的開頭變成+
• 按下Ctrl + C或ESC，檢查哪一個按鈕會讓左下角回復成>開頭
• 在新的一行命令列區輸入 me 之後按下Enter
• 在新的一行命令列區輸入 me 之後按下tab

• 請建立再編輯界面寫程式的習慣
• 開啟新的R Script檔案
• 在第一行輸入 me 隻後按下Ctrl + Enter後，觀察命令列區
• 利用滑鼠點選 me 後的位置，確認游標閃爍的位置在 me 之後，按下tab

seq 函數列出偶數數列: 2, 4, 6, 8, 10

向量的四則運算，請計算以下五位女藝人的BMI Hint:

height <- c(174, 158, 160, 168, 173)
weight <- c(52, 39, 42, 46, 48)

利用指令壓縮的方式取得 x大於170 或 x小於160 的元素
Hint: 使用邏輯算子 or (|)

民國80年至82年的國民生產毛額

百萬元
5,023,763
5,614,679
6,205,338

gdp <- c("5,023,763", "5,614,679", "6,205,338")
as.numeric(gsub(",", "", gdp))

[1] 5023763 5614679 6205338

將民國年 (字串) 轉為 西元年 (數值)

year <- c("民國101", "民國102", "民國103", "民國104")

• 所有的資料都是向量
• 上述介紹的整數、實數、字串和類別型都是相同型態的向量
• list是R 物件的向量
• data.frame是長度相同的R 物件的向量

• data.frame的概念在各種資料處理的領域非常常見
  • 例：資料庫
• （實務經驗）R 使用者會希望能透過前處理把資料轉換為data.frame的型式
• R 提供將資料匯入成data.frame的功能
• R 提供自data.frame開始的各種進階處理功能
  • 資料的整理
  • 圖形的繪製
  • 模型的配適與預測

• 請問根據以下的輸出，這份ubike的各欄類別為何？

• 請問根據中文名稱，這份ubike的各欄類別是否合理？

• 抓取ubike和天氣的資料
  • 可至 https://goo.gl/I01l4P
  • 可透過USB 隨身碟

# path <- "data/ubikeweatherbig5.csv"
path <- file.choose()
readLines(path, n = 5)

• 先讀取一部分，再讀取全部

ubike <- read.table(path, sep = ",", header = TRUE, nrows = 100)
head(ubike)
ubike <- read.table(path, sep = ",", header = TRUE, 
  colClasses = c("factor", "integer", "integer", "factor", "factor", 
    "numeric", "numeric", "integer", "numeric", "integer", "integer", 
    "numeric", "numeric", "integer", "integer", "numeric", "numeric", 
    "numeric", "numeric", "numeric", "numeric"))
# object.size(ubike) # 約86MB

路徑錯誤

path <- "wrong_path"
power <- read.table(file = path, header = TRUE, sep = ",")

Error in file(file, "rt") : 無法開啟連結
此外: Warning message:
In file(file, "rt") : 無法開啟檔案 'wrong_path' ：No such file or directory

• 絕對路徑
  • 確認檔案是否存在
• 相對路徑
  • 利用getwd了解R 當下的路徑位置

格式錯誤

path <- "data/ubikeweatherbig5.csv"
power <- read.table(file = path, header = TRUE, sep = "1")

Error in read.table(file = path, header = TRUE, sep = "1") : 
  more columns than column names

• 利用其他編輯器確認分隔符號
• 確認每列的資料的欄位是正確的
  • 必要時，請用其他文件編輯器校正欲讀取的檔案

編碼錯誤

path <- "data/ubikeweatherbig5.csv"
power <- read.table(file = path, header = TRUE, sep = ",", nrows = 10)

錯誤在type.convert(data[[i]], as.is = as.is[i], dec = dec, numerals = numerals,  : 
  無效的多位元組字串於 '<ab>H<b8>q<b0><cf>'

• 查詢檔案的編碼
  • 常見的中文編碼有UTF-8和BIG-5
  • 讀取時套上file函數指定編碼
  • 組合readLines、iconv和write來製造符合系統編碼的檔案

class(ubike)

[1] "data.frame"

colnames(ubike) <- 
  c("日期", "時間", "場站代號", "場站區域", "場站名稱", 
  "緯度", "經度", "總停車格", "平均車輛數", "最大車輛數", 
  "最小車輛數", "車輛數標準差", "平均空位數", "最大空位數", 
  "最小空位數", "空位數標準差", "平均氣溫", "溼度", 
  "氣壓", "最大風速", "降雨量")

# install.packages("RSQLite")
library(RSQLite)

Loading required package: DBI

db.path <- "ubike.db"
drv <- dbDriver("SQLite")
db <- dbConnect(drv, db.path)
dbWriteTable(db, "ubike", head(ubike))
dbListTables(db)
dbReadTable(db, "ubike")
dbDisconnect(db)

各式資料庫的連接

• SQL Database: RMySQL, RPostgreSQL, ROracle, RJDBC, RODBC
• No SQL Database: rmongodb, rredis
• 讀取XML和網頁資料
  • XML套件和XPath
• 讀取json資料
  • RJSONIO套件

ubike[2, 3]

[1] 2

        日期 時間 場站代號
1 2014-12-08   15        1
2 2014-12-08   15        2
3 2014-12-08   15        3
4 2014-12-08   15        4
5 2014-12-08   15        5
6 2014-12-08   15        6

head(ubike[["日期"]]) 

[1] "2014-12-08" "2014-12-08" "2014-12-08" "2014-12-08" "2014-12-08"
[6] "2014-12-08"

# head(ubike$日期)
head(ubike[,1])

[1] "2014-12-08" "2014-12-08" "2014-12-08" "2014-12-08" "2014-12-08"
[6] "2014-12-08"

• 請查詢場站代號1099所在的行政區
• 請查詢場站代號1099的氣溫
  1. 自ubike選取場站代號
  2. 利用布林運算，把1.的結果和1099比較
  3. 自ubike選取2.的列之後，用1.的方法選取平均氣溫 3.1 可利用座標的概同時選取出結果

• 請大家學習「被壓縮的程式碼」該如何解讀
  • 掌握運算符號的運算順序

ubike[ubike[["場站代號"]] == 1 & ubike[["日期"]] == "2015-03-01",]

x1 <- ubike[["場站代號"]] == 1
x2 <- ubike[["日期"]] == "2015-03-01"
x3 <- x1 & x2
x4 <- ubike[x3,]

• 壓縮的程式碼不好讀
• 展開的程式碼會產生很多暫存變數
• 套件magrittr部份解決了這個問題
• 請參考Johnson於DSHC meetup的套件介紹

ans1 <- ubike[["場站代號"]]
ans1.1 <- unique(ans1)

unique(ubike[["場站代號"]])

# install.packages("magrittr")
library(magrittr)
ubike[["場站代號"]] %>%
  unique

• 讓R 使用者可以用更有彈性的方式來處理資料
• 針對data.frame做設計（名稱中的d）
• 設計理念
  • 導入資料整理最重要的動作（非常類似SQL）
  • 快
  • 支援異質資料源（data.frame或資料庫中的表格）

vignette(all = TRUE, package = "dplyr")
vignette("introduction", package = "dplyr")

• 更詳細的dplyr介紹可以閱讀dplyr的小論文
• R 的開發者會針對一個主題撰寫小論文做介紹

• 透過?sd嘗試自學標準差的用法
• 選取場站代號為1和日期為"2015-03-01"的資料
• 計算捷運市政府站(3號出口)在"2015-03-01"的降雨量的標準差

x1 <- ubike[["場站代號"]] == 1
x2 <- ubike[["日期"]] == "2015-03-01"
ubike[x1 & x2, "降雨量"]

 [1] 0.000 0.432 0.702 0.947 1.129 1.224 1.241 1.218 1.201 1.207 1.225
[12] 1.233 1.227 1.218 1.220 1.233 1.244 1.246 1.242 1.242 1.249 1.257
[23] 1.258 1.252

sd(ubike[x1 & x2, "降雨量"])

[1] 0.3078623

• 練習使用dplyr & pipes

library(dplyr)
sd(select(
  filter(ubike, 場站代號 == 1, 日期 == "2015-03-01"),
  降雨量)[["降雨量"]])

filter(ubike, 場站代號 == 1, 日期 == "2015-03-01") %>%
  select(降雨量) %>%
  extract2("降雨量") %>%
  sd

每日的平均雨量

group_by(ubike, 日期) %>%
  summarise(平均降雨量 = mean(降雨量))

各場站區域的站點數

group_by(ubike, 場站區域) %>%
  summarise(站點數 = length(unique(場站代號))) %>%
  arrange(站點數)

各場站區域的站點代號清單

group_by(ubike, 場站區域) %>%
  summarise(站點代號清單 = paste(unique(場站代號), collapse = ","))

探索一個質化變數，利用table列出所有的場站名稱出現的次數

• ftable：質化 v.s. 質化
• bar chart：質化 v.s. 量化
• scatter plot： 量化 v.s. 量化

?ftable
example(ftable)

ftable> ## Start with a contingency table.
ftable> ftable(Titanic, row.vars = 1:3)
                   Survived  No Yes
Class Sex    Age                   
1st   Male   Child            0   5
             Adult          118  57
      Female Child            0   1
             Adult            4 140

1. 選取場站區域為信義區且日期為"2015-03-01"的列
2. 選取欄平均車輛數與總停車格
3. 利用布林運算式計算"平均車輛數"是否超過總停車格的一半
   • 命名為空位較多
4. 選取欄時間
5. 比較時間和空位較多的交互關係

x1 <- ubike[["場站區域"]] == "信義區"
x2 <- ubike[["日期"]] == "2015-03-01"
x3 <- ubike[x1 & x2, "平均車輛數"]
x4 <- ubike[x1 & x2, "總停車格"]
x5 <- x3 < x4 / 2
x6 <- ubike[x1 & x2, "時間"]
ftable(x6, x5)

x1 <- filter(ubike, 場站區域 == "信義區", 日期 == "2015-03-01")
x2 <- mutate(x1, 空位較多 = 平均車輛數 < 總停車格 / 2)
ftable(x2[["時間"]], x2[["空位較多"]])

tbl <- filter(ubike, 場站區域 == "信義區", 日期 == "2015-03-01")  %>%
  mutate(空位較多 = 平均車輛數 < 總停車格 / 2)
ftable(tbl[["時間"]], tbl[["空位較多"]])

• 清晰有效地傳達與溝通訊息
• 教學、研究、宣傳
• 美學、功能兼顧
• 統計圖形、訊息可視化
• 參考Johnson於DSHC meetp的介紹

• 當前最多人使用的視覺化R套件
• 取自 “The Grammar of Graphics” (Leland Wilkinson, 2005)
• 由Hadley Wickham於2005年發表 (Chief Scientist in RStudio)
• 設計理念
  • 採用圖層系統
  • 用抽象的概念來控制圖形，避免細節繁瑣
  • 圖形美觀

• 資料 (data) 和映射 (mapping)
• 幾何對象 (geometric)
• 座標尺度 (scale)
• 統計轉換 (statistics)
• 座標系統 (coordinante)
• 圖層 (layer)
• 刻面 (facet)
• 主題 (theme)

ggplot(data=..., aes(x=..., y=...)) + geom_xxx(...) +
  stat_xxx(...) + facet_xxx(...) + ...

• ggplot 描述 data 從哪來
• aes 描述圖上的元素跟 data 之類的對應關係
• geom_xxx 描述要畫圖的類型及相關調整的參數 常用的類型諸如：geom_bar, geom_points, geom_line …

注意

使用 data.frame 儲存資料 (不可以丟 matrix 物件) 使用 long format (利用reshape2套件將資料轉換成 1 row = 1 observation)

信義區各站點在"2015-02"的平均降雨量

# grepl("要搜尋的字串", x, fixed = TRUE)
x1.1 <- grepl("2015-02", ubike[["日期"]], fixed = TRUE)
x1.2 <- ubike[["場站區域"]] == "信義區"
x2 <- group_by(ubike[x1.1,], 場站名稱)
x3 <- summarise(x2, 平均降雨量 = mean(降雨量))

x3 <- filter(ubike, grepl("2015-02", 日期, fixed = TRUE), 
             場站區域 == "信義區") %>%
  group_by(場站名稱) %>% summarise(平均降雨量=mean(降雨量))

thm <- theme(text=element_text(size=18)) + theme_gray(base_family = "STHeiti")
las2 <- theme(axis.text.x = element_text(angle = 90, hjust = 1))

ggplot(x3) +
  geom_bar(aes(x = 場站名稱, y = 平均降雨量), stat = "identity") +
  thm + las2

x1.1 <- grepl("2015-02", ubike[["日期"]], fixed = TRUE)
x1.2 <- ubike[["場站區域"]] == "信義區"
x2 <- group_by(ubike[x1.1,], 場站名稱)
# x3 <- summarise(x2, 平均降雨量 = mean(降雨量))

x3 <- filter(ubike, grepl("2015-02", 日期, fixed = TRUE), 
             場站區域 == "信義區") # %>%
#  group_by(場站名稱) %>% summarise(平均降雨量=mean(降雨量))

ggplot(x3) +
  geom_boxplot(aes(x = 場站名稱, y = 降雨量)) +
  thm + las2

信義區各站點在"2015-02"的平均溼度 vs. 平均雨量

# grepl("要搜尋的字串", x, fixed = TRUE)
x1.1 <- grepl("2015-02", ubike[["日期"]], fixed = TRUE)
x1.2 <- ubike[["場站區域"]] == "信義區"
x2 <- group_by(ubike[x1.1,], 場站名稱)
x3 <- summarise(x2, 平均降雨量 = mean(降雨量), 平均溼度 = mean(溼度))

x3 <- filter(ubike, grepl("2015-02", 日期, fixed = TRUE), 
             場站區域 == "信義區") %>%
  group_by(場站名稱) %>% summarise(平均降雨量 = mean(降雨量), 平均溼度 = mean(溼度))

• 原因在x軸，結果在y軸

ggplot(x3) +
  geom_point(aes(x = 平均溼度, y = 平均降雨量)) +
  thm + las2

ggplot(x3) +
  geom_point(aes(x = 平均溼度, y = 平均降雨量, colour = 場站名稱)) +
  thm + las2

• 官方文件
• Cookbook for R
• R Visualization Using ggplot2
• 使用ggplot2画图
• 2D視覺化進階 GGPLOT
• ggplot2 cheat sheet

• Rstudio UI
• savePlot
• bmp、png、jpeg或tiff
• ggsave

• write.csv
• xtable套件

環境設定

• 建立可以使用R 的環境
• 了解R 的使用界面

學習R 語言

• 透過實際的範例學習R 語言
  • 讀取資料
  • 選取資料
  • 敘述統計量與視覺化
• 利用實例來傳授學習的心法

• 了解自己的需求
• 詢問關鍵字與函數
  • 歡迎來信 johnson@dsp.im、wush978@gmail.com 或其他教師
  • 多多交流
    • Data Science HC
    • Taiwan R User Group，mailing list: Taiwan-useR-Group-list@meetup.com
    • ptt R_Language版
    • R軟體使用者論壇
  • sos套件，請見Demo

• R 是由一群來自世界上的志工貢獻而成的
• 你覺得R 有不好用的地方嗎？
  • 歡迎聯絡我，讓我們一起來貢獻，改進R 的使用體驗