1 Temel R kodları

  • <- ya da = atama operatörleri olarak kullanılır.
  • x <- 5 ile değişken tanımlayabiliriz. x<-5
  • print(x) ile x değişkeninin değerini görebiliriz.
  • = yerine <- değişken atama operatörlerini kullanmamız önerilir.

2 R’da “Help” fonksiyonu

  • Bilmediğimiz bir paket hakkında yardım almak için ? kullanırız.
  • Örneğin, ?mean ile mean fonksiyonu hakkında yardım alabiliriz.
  • Yardım fonksiyonu, fonksiyonun ne işe yaradığını, nasıl kullanıldığını ve hangi argümanları kabul ettiğini açıklar.
  • help(mean) ile de aynı şekilde yardım alabiliriz.

3 R’da “Vignette” fonksiyonu

  • Vignette, bir paketin nasıl kullanılacağını anlatan kapsamlı bir rehberdir.
  • vignette("dplyr") ile dplyr paketinin vignette’ine erişebiliriz.
  • Vignette, paketin temel işlevlerini ve kullanım örneklerini içerir.
  • Vignette’ler, paketin yazarları tarafından hazırlanır ve genellikle paketin belgelerinde bulunur.

4 R’da Nesneler (“Objects”)

  • “d” adında bir veri çerçevesi (data frame) oluştur.
  • d <- data.frame(x = 1:2, y = 3:4) ile d veri çerçevesini oluşturabiliriz.
  • d veri çerçevesi, iki sütun (x ve y) ve iki satır içerir.
  • x sütunu 1’den 2’ye kadar olan sayıları, y sütunu ise 3’ten 4’e kadar olan sayıları içerir.
  • d veri çerçevesini görüntülemek için print(d) veya sadece d yazabiliriz.
  • d veri çerçevesini matrise dönüştür ve “m” adında bir matris oluştur.
  • m <- as.matrix(d) ile d veri çerçevesini matrise dönüştürebiliriz.
  • m matrisi, d veri çerçevesinin aynı verilerini içerir, ancak matris formatındadır.
  • m matrisini görüntülemek için print(m) veya sadece m yazabiliriz.
  • d veri çerçevesi ve m matrisi arasındaki farkları anlamak için class(d) ve class(m) komutlarını kullanabiliriz.
  • d veri çerçevesi “data.frame” sınıfına, m matrisi ise “matrix” sınıfına aittir.
  • Veri çerçeveleri, sütun bazında farklı veri tiplerine izin verirken, matrisler tek bir veri tipine sahip olmalıdır.
  • Veri çerçeveleri, veri analizi ve manipülasyonu için daha esnek ve kullanışlıdır.
  • Matrisler ise matematiksel işlemler ve lineer cebir için daha uygundur.
  • Veri çerçeveleri ve matrisler arasındaki farkları anlamak, R’da veri yapılarıyla çalışırken önemlidir.
  • str() fonksiyonu ile nesnenin yapısını inceleyebiliriz.
  • summary() fonksiyonu ile nesnenin özet istatistiklerini görebiliriz.

5 R Paket Yükleme ve Yönetimi

  • R’da paketler, ek fonksiyonlar, veri setleri veya metodolojiler içeren hazır kütüphanelerdir. Paketler sayesinde R’ın temel yeteneklerini genişletebiliriz.

5.1 Paketleri Yükleme

  • R’da paket yüklemenin iki temel aşaması vardır:
  1. Kurulum: Paket daha önce kurulmamışsa önce yüklenir.
  2. Yükleme/Çağırma: Paket yüklendikten sonra kullanılmak üzere belleğe alınır.

5.1.1 Kurulum Örneği

``r - CRAN paketini kurma:install.packages(“ggplot2”)` # ggplot2 paketini kurar

  • Paketi belleğe yükleme: library(ggplot2)

  • Alternatif: require() fonksiyonu da paketi yükler, ancak hata mesajı vermez.

  • if(!require(dplyr)) install.packages("dplyr") library(dplyr)

5.1.2 Paket Yönetimi

  • Yüklü paketleri görüntüleme: `installed.packages()``

  • Kurulu paketi güncelleme:update.packages()

  • Paket kaldırma: remove.packages("ggplot2")

  • Yüklü paketleri listeleme: installed.packages()

  • Yüklü paketleri güncelleme: update.packages()

6 R’da Basit Regresyon

  • Basit regresyon analizi, bir bağımlı değişken ile bir bağımsız değişken arasındaki ilişkiyi incelemek için kullanılır.

  • lm() fonksiyonu ile basit regresyon modeli oluşturabiliriz.

  • Örneğin, y bağımlı değişkeni ve x bağımsız değişkeni için basit regresyon modeli oluşturabiliriz: model <- lm(y ~ x, data = dataset) summary(model)

  • Basit lineer regresyon modeli için:

```d<-data.frame(x = c(1, 2, 3, 4, 5), y = c(2, 3, 5, 7, 11))

model <- lm(y ~ x, data = d) summary(model)``-summary(model)` ile modelin özet istatistiklerini görebiliriz. - Modelin katsayıları, R-kare değeri, p-değerleri ve diğer istatistikler özetlenir. # R’da Rezerv Kelimeler -R dilinde aşağıdaki kelimeler rezervdir ve değişken/fonksiyon adı olarak kullanılamaz:

reserved_words <- c( "if", # Koşul kontrolü "else", # Koşulun aksi "repeat", # Sonsuz döngü (break ile durdurulur) "while", # Koşullu döngü "function", # Fonksiyon tanımı "for", # Döngü "in", # Döngüde kullanılacak elemanlar "next", # Döngüde sonraki adıma geç "break", # Döngüyü kır "TRUE", # Mantıksal doğru "FALSE", # Mantıksal yanlış "NULL", # Boş değer "Inf", # Sonsuz "NaN", # Sayısal olmayan "NA" # Eksik değer )

  • Listeyi görüntüleme reserved_words

  • Bu kelimeler R dilinin yapısal elemanlarıdır ve özel anlamları vardır.

  • Bu nedenle, bu kelimeleri değişken veya fonksiyon adı olarak kullanmaktan kaçınmalıyız.

7 R’da Endeksleme

  • R’da endeksleme, veri yapılarındaki belirli elemanlara erişmek için kullanılır.
  • Vektör, matris, liste ve veri çerçeveleri gibi farklı veri yapılarında endeksleme yöntemleri farklıdır.
  • Vektör endeksleme: v <- c(10, 20, 30, 40, 50)
  • v[1] ile vektörün ilk elemanına erişebiliriz.
  • v[c(2, 4)] ile vektörün 2. ve 4. elemanlarına erişebiliriz.
  • Matris endeksleme: m <- matrix(1:9, nrow = 3)
  • m[1, 2] ile matrisin 1. satır ve 2. sütunundaki elemana erişebiliriz.
  • m[ , 3] ile matrisin 3. sütunundaki tüm elemanlara erişebiliriz.
  • Liste endeksleme: lst <- list(a = 1:5, b = letters[1:5])
  • lst$a ile listenin “a” elemanına erişebiliriz.
  • lst[[2]] ile listenin 2. elemanına erişebiliriz.
  • Veri çerçevesi endeksleme: df <- data.frame(x = 1:5, y = letters[1:5])
  • df[1, ] ile veri çerçevesinin 1. satırına erişebiliriz.
  • df[ , "y"] ile veri çerçevesinin “y” sütununa erişebiliriz.
  • Endeksleme, veri yapılarındaki belirli elemanlara hızlı ve kolay erişim sağlar.
  • Endeksleme yöntemlerini doğru kullanmak, veri analizi ve manipülasyonu için önemlidir. -$ işareti ile veri çerçevesi sütunlarına erişim: df$x ile “x” sütununa erişebiliriz.
  • which() fonksiyonu ile belirli bir koşulu sağlayan elemanların indekslerini bulabiliriz.
  • Negatif endeksleme ile belirli elemanları hariç tutabiliriz: v[-c(2, 4)] ile vektörün 2. ve 4. elemanlarını hariç tutarız.
  • Mantıksal endeksleme ile belirli koşulları sağlayan elemanlara erişebiliriz: v[v > 25] ile 25’ten büyük elemanlara erişiriz.

8 R’da Fonksiyonlar

  • R’da fonksiyonlar, belirli bir görevi yerine getiren kod bloklarıdır.
  • Fonksiyonlar, tekrar kullanılabilir kod parçacıkları oluşturmak için kullanılır.
  • Fonksiyon tanımlama: my_function <- function(arg1, arg2) { # Fonksiyonun yaptığı işlemler return(result) }
  • Fonksiyon çağırma: result <- my_function(value1, value2)
  • Fonksiyonlar, argümanlar alabilir ve bir değer döndürebilir.
  • Fonksiyonlar, kodun okunabilirliğini ve bakımını artırır.
  • Fonksiyonlar, hata ayıklamayı ve test etmeyi kolaylaştırır.
  • Fonksiyonlar, modüler programlama yaklaşımını destekler.
  • Fonksiyonlar, R’ın temel yapı taşlarından biridir ve veri analizi için önemlidir
  • Fonksiyonlar, R’ın zengin fonksiyon kütüphanesinin bir parçasıdır ve birçok yerleşik fonksiyon mevcuttur.
  • Fonksiyonlar, kullanıcı tanımlı fonksiyonlar oluşturmak için de kullanılabilir.
  • Fonksiyonlar, R’da programlama ve veri analizi için temel araçlardır example_function = function (a, b) { output = a + b return (output) } example_function(1,2)

9 R’da Kütüphaneler

  • R’da kütüphaneler, ek fonksiyonlar, veri setleri veya metodolojiler içeren hazır paketlerdir.
  • Kütüphaneler, R’ın temel yeteneklerini genişletmek için kullanılır.
  • Kütüphane yükleme: library(package_name) ile kütüphaneyi belleğe yükleyebiliriz.
  • Kütüphane kurma: install.packages("package_name") ile kütüphaneyi kurabiliriz.
  • Kütüphane kaldırma: remove.packages("package_name") ile kütüphaneyi kaldırabiliriz.
  • Kütüphane yönetimi: installed.packages() ile yüklü kütüphaneleri listeleyebiliriz.
  • Kütüphane güncelleme: update.packages() ile yüklü kütüphaneleri güncelleyebiliriz.
  • Kütüphaneler, veri analizi ve görselleştirme için birçok faydalı fonksiyon içerir.
  • Kütüphaneler, R topluluğu tarafından geliştirilir ve paylaşılır.
  • Kütüphaneler, R’ın esnekliğini ve gücünü artırır.
  • Kütüphaneler, R’da veri bilimi ve istatistik için önemli araçlardır.
  • Kütüphaneler, R’ın zengin ekosisteminin bir parçasıdır ve sürekli olarak yeni kütüphaneler geliştirilir.
  • Kütüphaneler, R kullanıcıları için geniş bir kaynak sağlar ve veri analizi için çeşitli çözümler sunar.