LAB1_Exercicis
NúriaBernat
2024-04-03
Exercici 1
- Paquets instal·lats a RStudio
library()- Instal·lar paquets MASS i Survival
install.packages("MASS", "survival")- Comprovar informació que contenen
library(help="MASS")
library(help="survival")- Buscar informació paquet Rcmdr des de la consola
??Rcmdr## starting httpd help server ... doneEcercici 2
a) Importar arxiu de text i buscar un summary() de tres variables que triem
library(readr)
read.csv("exercici2.txt", sep="")## id pais freq expt
## 1 1 1"espanya"10"si" NA NA
## 2 2 2"anglaterra"0"no" NA NA
## 3 3 3"brasil"1"si" NA NA
## 4 4 4"USA"2"si" NA NAsummary("ecercici2.csv")## Length Class Mode
## 1 character characterb) Importar un arxiu .csv i buscar un fivenum() de dues variables que ens semblin rellevants per a l’estudi
library(readr)
read.csv("exercici2.csv")## X id pais freq expt
## 1 1 1 espanya 10 si
## 2 2 2 anglaterra 0 no
## 3 3 3 brasil 1 si
## 4 4 4 USA 2 siExercici 3
A partir del conjunt de dades anorexia del paquet MASS, que corresponen a les dades de canvi de pes de pacients joves amb anorèxia, mostreu els tipus de dades que conté i comproveu si hi ha valors NA i NULL. Per a la variable Treat, transformeu els valors «CBT», «Cont» i FT en «Cogn Beh Tr», «Contr» i «Fam Tr», respectivament.
library(MASS)
data(anorexia)
head(anorexia)## Treat Prewt Postwt
## 1 Cont 80.7 80.2
## 2 Cont 89.4 80.1
## 3 Cont 91.8 86.4
## 4 Cont 74.0 86.3
## 5 Cont 78.1 76.1
## 6 Cont 88.3 78.1summary(anorexia)## Treat Prewt Postwt
## CBT :29 Min. :70.00 Min. : 71.30
## Cont:26 1st Qu.:79.60 1st Qu.: 79.33
## FT :17 Median :82.30 Median : 84.05
## Mean :82.41 Mean : 85.17
## 3rd Qu.:86.00 3rd Qu.: 91.55
## Max. :94.90 Max. :103.60dim(anorexia)## [1] 72 3table(is.na(anorexia))##
## FALSE
## 216table(is.null(anorexia))##
## FALSE
## 1anorexia_M<-factor(anorexia$"Treat", levels=c("CBT", "Cont", "FT"), labels=c("Cogn Beh Tr", "Contr", "Fam Tr"))
anorexia_M## [1] Contr Contr Contr Contr Contr Contr
## [7] Contr Contr Contr Contr Contr Contr
## [13] Contr Contr Contr Contr Contr Contr
## [19] Contr Contr Contr Contr Contr Contr
## [25] Contr Contr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr
## [31] Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr
## [37] Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr
## [43] Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr
## [49] Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr Cogn Beh Tr
## [55] Cogn Beh Tr Fam Tr Fam Tr Fam Tr Fam Tr Fam Tr
## [61] Fam Tr Fam Tr Fam Tr Fam Tr Fam Tr Fam Tr
## [67] Fam Tr Fam Tr Fam Tr Fam Tr Fam Tr Fam Tr
## Levels: Cogn Beh Tr Contr Fam TrExercici 4
getwd()## [1] "C:/Users/1553979/OneDrive - UAB/Documentos/Master Bioinfo i bioestadística/Programari per a l'anàlisi de dades/Lab1"a) Exporteu les dades biopsy del paquet MASS a un arxiu «.csv.»
library(MASS)
data(biopsy)
write.csv(biopsy, file="biopsyds.csv")b) Exporteu les dades melanoma del paquet MASS a arxius de tres diferents formats i comproveu que s’han creat els diferents arxius en els formats i les rutes especificats. Podeu generar una captura de pantalla de la seva ubicació a la carpeta.
library(MASS)
data("Melanoma")
write.csv(Melanoma, file="Melanoma.csv")
write.table(Melanoma, file="C:/Users/1553979/OneDrive - UAB/Documentos/Master Bioinfo i bioestadística/Programari per a l'anàlisi de dades/Melanoma.txt", sep="")
library(xlsx)
write.xlsx(Melanoma, file="C:/Users/1553979/OneDrive - UAB/Documentos/Master Bioinfo i bioestadística/Programari per a l'anàlisi de dades/Lab1/Exercici 3/Melanoma.xlsx")c) Genereu un resum (summary) de la variable age de melanoma i deseu la sortida que us apareix en un document .doc
library(MASS)
data(Melanoma)
Melanoma.age <- summary(Melanoma$age)d) Busqueu un data frame en algun repositori de dades de Biomedicina, descarregueu un conjunt de dades en «.csv» i importeu aquest fitxer a un document R Markdown usant el codi o el menú d’importació d’RStudio.
Exercici 5
A l’exemple següent veurem com utilitzar diferents operadors sobre el conjunt de dades birthwt, així com també algunes funcions que ens permeten obtenir més informació de les variables:
a) Quina és l’edat màxima de les mares del conjunt de dades?
library(MASS)
data(birthwt)
head(birthwt)## low age lwt race smoke ptl ht ui ftv bwt
## 85 0 19 182 2 0 0 0 1 0 2523
## 86 0 33 155 3 0 0 0 0 3 2551
## 87 0 20 105 1 1 0 0 0 1 2557
## 88 0 21 108 1 1 0 0 1 2 2594
## 89 0 18 107 1 1 0 0 1 0 2600
## 91 0 21 124 3 0 0 0 0 0 2622attach(birthwt)
max(age)## [1] 45b) Quina és l’edat mínima de les mares del conjunt de dades?
min(age)## [1] 14c) Quin és el rang d’edat de les mares?
range(age)## [1] 14 45d) Fumava la mare que el seu nounat era el de menys pes?
smoke[bwt==min(bwt)]## [1] 1e) Quant va pesar el nounat la mare del qual tenia l’edat màxima?
bwt[age==max(age)]## [1] 4990f) Feu una llista els pesos dels nounats, les mares dels quals visitaran menys de dues vegades el metge durant el primer trimestre.
list(bwt[ftv<2])## [[1]]
## [1] 2523 2557 2600 2622 2637 2637 2663 2665 2722 2733 2751 2769 2769 2778 2807
## [16] 2821 2836 2863 2877 2906 2920 2920 2920 2948 2948 2977 2977 2922 3033 3062
## [31] 3062 3062 3062 3090 3090 3100 3104 3132 3175 3175 3203 3203 3203 3225 3225
## [46] 3232 3234 3260 3274 3317 3317 3331 3374 3374 3402 3416 3444 3459 3460 3473
## [61] 3544 3487 3544 3572 3572 3586 3600 3614 3614 3629 3637 3643 3651 3651 3651
## [76] 3651 3699 3728 3756 3770 3770 3770 3790 3799 3827 3884 3912 3940 3941 3941
## [91] 3969 3997 3997 4054 4054 4111 4174 4238 4593 4990 709 1135 1330 1474 1588
## [106] 1588 1701 1729 1790 1818 1885 1893 1899 1928 1936 1970 2055 2055 2084 2084
## [121] 2100 2125 2187 2187 2211 2225 2240 2240 2282 2296 2296 2325 2353 2353 2367
## [136] 2381 2381 2381 2410 2410 2410 2424 2442 2466 2466 2495 2495Exercici 6
A partir del conjunt de dades anorexia treballat en apartats anteriors, creeu una matriu que tingui com a columnes els valors de Prewt i Postwt, i cada fila siguin els valors corresponents per a cada posició.
library(MASS)
data(anorexia)
head(anorexia)## Treat Prewt Postwt
## 1 Cont 80.7 80.2
## 2 Cont 89.4 80.1
## 3 Cont 91.8 86.4
## 4 Cont 74.0 86.3
## 5 Cont 78.1 76.1
## 6 Cont 88.3 78.1Prewt <- c(anorexia$Prewt)
Postwt <- c(anorexia$Postwt)
Matriu <- matrix(Prewt, Postwt, ncol=2)## Warning in matrix(Prewt, Postwt, ncol = 2): data length [72] is not a
## sub-multiple or multiple of the number of rows [80]Matriu## [,1] [,2]
## [1,] 80.7 80.6
## [2,] 89.4 78.4
## [3,] 91.8 77.6
## [4,] 74.0 88.7
## [5,] 78.1 81.3
## [6,] 88.3 78.1
## [7,] 87.3 70.5
## [8,] 75.1 77.3
## [9,] 80.6 85.2
## [10,] 78.4 86.0
## [11,] 77.6 84.1
## [12,] 88.7 79.7
## [13,] 81.3 85.5
## [14,] 78.1 84.4
## [15,] 70.5 79.6
## [16,] 77.3 77.5
## [17,] 85.2 72.3
## [18,] 86.0 89.0
## [19,] 84.1 80.5
## [20,] 79.7 84.9
## [21,] 85.5 81.5
## [22,] 84.4 82.6
## [23,] 79.6 79.9
## [24,] 77.5 88.7
## [25,] 72.3 94.9
## [26,] 89.0 76.3
## [27,] 80.5 81.0
## [28,] 84.9 80.5
## [29,] 81.5 85.0
## [30,] 82.6 89.2
## [31,] 79.9 81.3
## [32,] 88.7 76.5
## [33,] 94.9 70.0
## [34,] 76.3 80.4
## [35,] 81.0 83.3
## [36,] 80.5 83.0
## [37,] 85.0 87.7
## [38,] 89.2 84.2
## [39,] 81.3 86.4
## [40,] 76.5 76.5
## [41,] 70.0 80.2
## [42,] 80.4 87.8
## [43,] 83.3 83.3
## [44,] 83.0 79.7
## [45,] 87.7 84.5
## [46,] 84.2 80.8
## [47,] 86.4 87.4
## [48,] 76.5 83.8
## [49,] 80.2 83.3
## [50,] 87.8 86.0
## [51,] 83.3 82.5
## [52,] 79.7 86.7
## [53,] 84.5 79.6
## [54,] 80.8 76.9
## [55,] 87.4 94.2
## [56,] 83.8 73.4
## [57,] 83.3 80.5
## [58,] 86.0 81.6
## [59,] 82.5 82.1
## [60,] 86.7 77.6
## [61,] 79.6 83.5
## [62,] 76.9 89.9
## [63,] 94.2 86.0
## [64,] 73.4 87.3
## [65,] 80.5 80.7
## [66,] 81.6 89.4
## [67,] 82.1 91.8
## [68,] 77.6 74.0
## [69,] 83.5 78.1
## [70,] 89.9 88.3
## [71,] 86.0 87.3
## [72,] 87.3 75.1
## [73,] 80.7 80.6
## [74,] 89.4 78.4
## [75,] 91.8 77.6
## [76,] 74.0 88.7
## [77,] 78.1 81.3
## [78,] 88.3 78.1
## [79,] 87.3 70.5
## [80,] 75.1 77.3Exercici 7
Copia el codi següent a la teva consola per generar un data frame amb 25 registres i sis variables, i respon als apartats següents:
Identificador <-c("I1","I2","I3","I4","I5","I6","I7","I8","I9","I10","I11","I12","I13","I14","I15","I16","I17","I18","I19","I20","I21","I22","I23","I24","I25")
Edat <-c(23,24,21,22,23,25,26,24,21,22,23,25,26,24,22,21,25,26,24,21,25,27,26,22,29)
Sexe <-c(1,2,1,1,1,2,2,2,1,2,1,2,2,2,1,1,1,2,2,2,1,2,1,1,2) #1 per a dones i 2 per a homes
Pes <-c(76.5,81.2,79.3,59.5,67.3,78.6,67.9,100.2,97.8,56.4,65.4,67.5,87.4,99.7,87.6,93.4,65.4,73.7,85.1,61.2,54.8,103.4,65.8,71.7,85.0)
Alt <-c(165,154,178,165,164,175,182,165,178,165,158,183,184,164,189,167,182,179,165,158,183,184,189,166,175) #altura en cm
Fuma <-c("SÍ","NO","SÍ","SÍ","NO","NO","NO","SÍ","SÍ","SÍ","NO","NO","SÍ","SÍ","SÍ","SÍ","NO","NO","SÍ","SÍ","SÍ","NO","SÍ","NO","SÍ")
Tract_Pulmo <- data.frame(Identificador,Edat,Sexe,Pes,Alt,Fuma)
Tract_Pulmo## Identificador Edat Sexe Pes Alt Fuma
## 1 I1 23 1 76.5 165 SÍ
## 2 I2 24 2 81.2 154 NO
## 3 I3 21 1 79.3 178 SÍ
## 4 I4 22 1 59.5 165 SÍ
## 5 I5 23 1 67.3 164 NO
## 6 I6 25 2 78.6 175 NO
## 7 I7 26 2 67.9 182 NO
## 8 I8 24 2 100.2 165 SÍ
## 9 I9 21 1 97.8 178 SÍ
## 10 I10 22 2 56.4 165 SÍ
## 11 I11 23 1 65.4 158 NO
## 12 I12 25 2 67.5 183 NO
## 13 I13 26 2 87.4 184 SÍ
## 14 I14 24 2 99.7 164 SÍ
## 15 I15 22 1 87.6 189 SÍ
## 16 I16 21 1 93.4 167 SÍ
## 17 I17 25 1 65.4 182 NO
## 18 I18 26 2 73.7 179 NO
## 19 I19 24 2 85.1 165 SÍ
## 20 I20 21 2 61.2 158 SÍ
## 21 I21 25 1 54.8 183 SÍ
## 22 I22 27 2 103.4 184 NO
## 23 I23 26 1 65.8 189 SÍ
## 24 I24 22 1 71.7 166 NO
## 25 I25 29 2 85.0 175 SÍa) Seleccioneu els registres amb edat > 22.
subset(Tract_Pulmo,Edat>22)## Identificador Edat Sexe Pes Alt Fuma
## 1 I1 23 1 76.5 165 SÍ
## 2 I2 24 2 81.2 154 NO
## 5 I5 23 1 67.3 164 NO
## 6 I6 25 2 78.6 175 NO
## 7 I7 26 2 67.9 182 NO
## 8 I8 24 2 100.2 165 SÍ
## 11 I11 23 1 65.4 158 NO
## 12 I12 25 2 67.5 183 NO
## 13 I13 26 2 87.4 184 SÍ
## 14 I14 24 2 99.7 164 SÍ
## 17 I17 25 1 65.4 182 NO
## 18 I18 26 2 73.7 179 NO
## 19 I19 24 2 85.1 165 SÍ
## 21 I21 25 1 54.8 183 SÍ
## 22 I22 27 2 103.4 184 NO
## 23 I23 26 1 65.8 189 SÍ
## 25 I25 29 2 85.0 175 SÍb) Seleccioneu l’element 3 de la columna 4 del conjunt de dades (comptant l’identificador).
Tract_Pulmo[3,4]## [1] 79.3c) Useu l’ordre subset() per seleccionar totes les files que tenen una edat més petita que 27 anys i sense incloure la columna Alt.
subset(Tract_Pulmo, Edat<27, select=-c(Alt))## Identificador Edat Sexe Pes Fuma
## 1 I1 23 1 76.5 SÍ
## 2 I2 24 2 81.2 NO
## 3 I3 21 1 79.3 SÍ
## 4 I4 22 1 59.5 SÍ
## 5 I5 23 1 67.3 NO
## 6 I6 25 2 78.6 NO
## 7 I7 26 2 67.9 NO
## 8 I8 24 2 100.2 SÍ
## 9 I9 21 1 97.8 SÍ
## 10 I10 22 2 56.4 SÍ
## 11 I11 23 1 65.4 NO
## 12 I12 25 2 67.5 NO
## 13 I13 26 2 87.4 SÍ
## 14 I14 24 2 99.7 SÍ
## 15 I15 22 1 87.6 SÍ
## 16 I16 21 1 93.4 SÍ
## 17 I17 25 1 65.4 NO
## 18 I18 26 2 73.7 NO
## 19 I19 24 2 85.1 SÍ
## 20 I20 21 2 61.2 SÍ
## 21 I21 25 1 54.8 SÍ
## 23 I23 26 1 65.8 SÍ
## 24 I24 22 1 71.7 NOExercici 8
Incorporeu el dataset ChickWeight que conté informació sobre el pes de 578 pollets en grams (weight), el temps des del mesurament en néixer (Time), una variable identificadora de cada pollet (Chick) a partir del rang de pes i una variable factor amb el tipus de dieta experimental que cada pollet va rebre (Diet).
a) Incorporeu el conjunt de dades ChickWeight del paquet datasets al vostre entorn de treball.
library(datasets)
data(ChickWeight)
head(ChickWeight)## weight Time Chick Diet
## 1 42 0 1 1
## 2 51 2 1 1
## 3 59 4 1 1
## 4 64 6 1 1
## 5 76 8 1 1
## 6 93 10 1 1- Genereu un gràfic de dispersió de la variable weight.
plot(ChickWeight$weight, type="p", main="Scatter plot", xlab="chicken ID", ylab="Weight")
c) Creeu un diagrama de caixa amb la variable Time.
boxplot(ChickWeight$Time, main="Boxplot", ylab="Time")
# Exercici 9
A partir del conjunt de dades anorexia del paquet MASS, creeu un altre data frame que s’anomeni anorexia_treat_df format per Treat i per un vector nou calculat a partir de la diferència Prewt-Postwt. D’aquesta manera, ens quedarà un data frame que contingui el tipus de tractament i el valor del pes guanyat o perdut després d’haver fet el tractament. Seleccioneu aquells individus que han guanyat pes després del tractament i creeu un nou conjunt anomenat anorexia_treat_C_df que contingui només les dades d’aquells que han seguit el tractament «Cont» i que han guanyat pes després del tractament.
library(MASS)
data(anorexia)
head(anorexia)## Treat Prewt Postwt
## 1 Cont 80.7 80.2
## 2 Cont 89.4 80.1
## 3 Cont 91.8 86.4
## 4 Cont 74.0 86.3
## 5 Cont 78.1 76.1
## 6 Cont 88.3 78.1df <- c(anorexia$Prewt)-c(anorexia$Postwt)
anorexia_treat_df <- data.frame(Tract=c(anorexia$Treat), Result=df)
anorexia_treat_df## Tract Result
## 1 Cont 0.5
## 2 Cont 9.3
## 3 Cont 5.4
## 4 Cont -12.3
## 5 Cont 2.0
## 6 Cont 10.2
## 7 Cont 12.2
## 8 Cont -11.6
## 9 Cont 7.1
## 10 Cont -6.2
## 11 Cont 0.2
## 12 Cont 9.2
## 13 Cont -8.3
## 14 Cont -3.3
## 15 Cont -11.3
## 16 Cont 0.0
## 17 Cont 1.0
## 18 Cont 10.6
## 19 Cont 4.6
## 20 Cont 6.7
## 21 Cont -2.8
## 22 Cont -0.3
## 23 Cont -1.8
## 24 Cont -3.7
## 25 Cont -15.9
## 26 Cont 10.2
## 27 CBT -1.7
## 28 CBT -0.7
## 29 CBT 0.1
## 30 CBT 0.7
## 31 CBT 3.5
## 32 CBT -14.9
## 33 CBT -3.5
## 34 CBT -17.1
## 35 CBT 7.6
## 36 CBT -1.6
## 37 CBT -11.7
## 38 CBT -6.1
## 39 CBT -1.1
## 40 CBT 4.0
## 41 CBT -20.9
## 42 CBT 9.1
## 43 CBT -2.1
## 44 CBT 1.4
## 45 CBT -1.4
## 46 CBT 0.3
## 47 CBT 3.7
## 48 CBT 0.8
## 49 CBT -2.4
## 50 CBT -12.6
## 51 CBT -1.9
## 52 CBT -3.9
## 53 CBT -0.1
## 54 CBT -15.4
## 55 CBT 0.7
## 56 FT -11.4
## 57 FT -11.0
## 58 FT -5.5
## 59 FT -9.4
## 60 FT -13.6
## 61 FT 2.9
## 62 FT 0.1
## 63 FT -7.4
## 64 FT -21.5
## 65 FT 5.3
## 66 FT 3.8
## 67 FT -13.4
## 68 FT -13.1
## 69 FT -9.0
## 70 FT -3.9
## 71 FT -5.7
## 72 FT -10.7anorexia_treat_C_df <- subset(anorexia_treat_df, Tract=="Cont", Result>0)