Práca s údajmi

Tradičná práca s databázou

Pre prácu s údajmi (databázou) používame najčastejšie dátový typ .data.frame.. Je to tabuľka, ktorá pozostáva zo stĺpcov rozličných typov. Jeden riadok pritom predstavuje jeden záznam databázy.

Príklad

Majme údaje o mojich kamarátoch, ktoré predstavujú tri premenné - iniciála mena, vek a počet koncertov, na ktorých boli:

# Working with data frames

  InicialaMena <- c("A", "K", "J", "M")
  Vek <- c(23,22,22,22)
  PocetKoncertov <- c(4,2,2,3)

Tieto tri premenné nie sú zatiaľ nijako prepojené, predstavujú izolované stĺpce tabuľky. Do tabuľky ich spojíme nasledovne:

udaje <- data.frame(InicialaMena,Vek,PocetKoncertov)
print(udaje)

##   InicialaMena Vek PocetKoncertov
## 1            A  23              4
## 2            K  22              2
## 3            J  22              2
## 4            M  22              3

Vysvetlenie: DataFrame má tri stĺpce: InicialaMena, Vek a PocetKoncertov. Niektoré operácie s údajmi organizovanými v .data.frame. sú uvedené nasledovne

print(udaje$Vek)                 # takto adresujeme jednotlivé premenné v data.frame

## [1] 23 22 22 22

print(mean(udaje$Vek))           # priemerny vek

## [1] 22.25

print(udaje[InicialaMena=="J",]) # adresovanie celého riadku

##   InicialaMena Vek PocetKoncertov
## 3            J  22              2

print(udaje[1,])                  # ina moznost adresovania celeho riadku

##   InicialaMena Vek PocetKoncertov
## 1            A  23              4

print(udaje[,2:3])               # vypisanie druheho a tretieho stlpca tabulky

##   Vek PocetKoncertov
## 1  23              4
## 2  22              2
## 3  22              2
## 4  22              3

print(udaje[1,2])                # vypisanie jednej bunky tabulky

## [1] 23

summary(udaje)                   # zakladna deskriptivna statistika celej tabulky

##  InicialaMena            Vek        PocetKoncertov
##  Length:4           Min.   :22.00   Min.   :2.00  
##  Class :character   1st Qu.:22.00   1st Qu.:2.00  
##  Mode  :character   Median :22.00   Median :2.50  
##                     Mean   :22.25   Mean   :2.75  
##                     3rd Qu.:22.25   3rd Qu.:3.25  
##                     Max.   :23.00   Max.   :4.00

Ak chceme pridať k tabuľke dodatočný stĺpec, potom to robíme nasledovne

IsliZDonutenia <- c(TRUE,FALSE,FALSE,TRUE)
udaje <- cbind(udaje,IsliZDonutenia)
print(udaje)

##   InicialaMena Vek PocetKoncertov IsliZDonutenia
## 1            A  23              4           TRUE
## 2            K  22              2          FALSE
## 3            J  22              2          FALSE
## 4            M  22              3           TRUE

Ak chceme pridať riadok, potom

# New record (must match column order/types)
novy.riadok <- data.frame(InicialaMena = "Ja", Vek = 22, PocetKoncertov = 15, IsliZDonutenia = FALSE)

# Append
udaje <- rbind(udaje, novy.riadok)
print(udaje)

##   InicialaMena Vek PocetKoncertov IsliZDonutenia
## 1            A  23              4           TRUE
## 2            K  22              2          FALSE
## 3            J  22              2          FALSE
## 4            M  22              3           TRUE
## 5           Ja  22             15          FALSE

Tabuľky v prostredí kableextra

library(knitr)
library(kableExtra)
kable(
  udaje,
#  format,
digits = 2,
#  row.names = NA,
#  col.names = NA,
  align=c("c","c","l","r"),
  caption = "Toto je tabuľka"
#  label = NULL,
#  format.args = list(),
#  escape = TRUE,
 # ...
) %>%
      kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center")

Toto je tabuľka
InicialaMena	Vek	PocetKoncertov	IsliZDonutenia
A	23	4	TRUE
K	22	2	FALSE
J	22	2	FALSE
M	22	3	TRUE
Ja	22	15	FALSE

Tidyverse - moderná práca s údajmi

Tidyverse je súbor knižníc, ktoré majú zjednodušiť prácu s údajmi. Majú jednotný komunikačný štandard, vzájomne sa doplňujú.

# Load tidyverse
library(tidyverse)

dplyr - pre manipuláciu s údajmi

.dplyr. poskytuje základné možnosti manipulácie s údajmi, ako napr.:

filter(): vyberá riadky
select(): vyberá stĺpce
mutate(): vytvára nové stĺpce tabuľky
arrange(): triedi riadky
summarise(): sumarizuje

V nasledovnej ukážke využijeme tzv. .pipes. %>% alebo %<% umožňuje posielať výsledky z jednej funkcie priamo do volanie nasledovnej funkcie. To umožňuje ľahšiu čitateľnosť kódov, konvencia sa ujala a má široké použitie.

Výber a triedenie

# výber a následné triedenie
udaje %>%
  filter(PocetKoncertov > 2) %>%    
  arrange(desc(PocetKoncertov)) %>%   
kable %>%
    kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "left"
  )

InicialaMena	Vek	PocetKoncertov	IsliZDonutenia
Ja	22	15	FALSE
A	23	4	TRUE
M	22	3	TRUE

Zoskupenie a sumarizácia

# Zoskupí and sumarizuje
udaje %>%
  group_by(IsliZDonutenia) %>%      
  summarise(
    Priem.Vek = mean(Vek),
    count = n()
  ) %>%
 kable(
    caption = "Priemerny vek podľa premennej IsliZDonutenia",
    col.names = c("Isli s donutenia", "Priemer vek", "Počet"),
    align = "l"
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "right"
  )

Priemerny vek podľa premennej IsliZDonutenia
Isli s donutenia	Priemer vek	Počet
FALSE	22.0	3
TRUE	22.5	2

Vytváranie novej premennej

# Vytváranie novej premennej
udaje %>%
  mutate(
    PojdeZnova = case_when(     # vytvara novu premennu grade podla nasledovnej relacnej schemy
      PocetKoncertov >= 5 ~ "Urctie",
      PocetKoncertov >= 3 ~ "Mozno",
      PocetKoncertov < 3 ~ "Asi nie"
    ),
    VekPoPlnoletosti = round(Vek-18,0)
  ) %>% 
  kable %>%
   kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center"
  )

InicialaMena	Vek	PocetKoncertov	IsliZDonutenia	PojdeZnova	VekPoPlnoletosti
A	23	4	TRUE	Mozno	5
K	22	2	FALSE	Asi nie	4
J	22	2	FALSE	Asi nie	4
M	22	3	TRUE	Mozno	4
Ja	22	15	FALSE	Urctie	4

Import údajov z otv. databáz

Mendeley Data Tuto sa dostaneme z Mendeley Data, kde si údaje viete voľne stiahnúť. Údaje sa vzťahujú k už publikovaným článkom vo vydavateľstve Elsevier. Výber sa dá urobiť jednoducho zadaním kľúčových slov.
Kaggle Data Tuto sa dostaneme z Kaggle Datasets, kde si údaje viete voľne stiahnúť. Údaje sa vzťahujú k projektom podporovaným Kaggle. Výber sa dá urobiť jednoducho zadaním kľúčových slov.
Databázy knižníc R - .library(datasets). alebo .library(wooldridge). ale aj iné - stačí si dať príkaz data()

library(datasets)
# datasets available in the 'datasets' package - nasledovne kody za mna urobil Chat GPT
ds <- as.data.frame(utils::data(package = "datasets")$results)[, c("Item","Title")]
knitr::kable(head(ds, 20), col.names = c("Dataset", "Title"))   # prvych 20 databaz

Dataset	Title
AirPassengers	Monthly Airline Passenger Numbers 1949-1960
BJsales	Sales Data with Leading Indicator
BJsales.lead (BJsales)	Sales Data with Leading Indicator
BOD	Biochemical Oxygen Demand
CO2	Carbon Dioxide Uptake in Grass Plants
ChickWeight	Weight versus age of chicks on different diets
DNase	Elisa assay of DNase
EuStockMarkets	Daily Closing Prices of Major European Stock Indices, 1991-1998
Formaldehyde	Determination of Formaldehyde
HairEyeColor	Hair and Eye Color of Statistics Students
Harman23.cor	Harman Example 2.3
Harman74.cor	Harman Example 7.4
Indometh	Pharmacokinetics of Indomethacin
InsectSprays	Effectiveness of Insect Sprays
JohnsonJohnson	Quarterly Earnings per Johnson & Johnson Share
LakeHuron	Level of Lake Huron 1875-1972
LifeCycleSavings	Intercountry Life-Cycle Savings Data
Loblolly	Growth of Loblolly Pine Trees
Nile	Flow of the River Nile
Orange	Growth of Orange Trees

# kniznica datasets obsahuje databazu nazvanu CO2. Mozeme sa na nu odvolavat nasledovne, ako napr. 
head(CO2)

Môžeme použiť aj databázu určenú pre ekonometriu - package Wooldridge

# install.packages("wooldridge")
library(wooldridge)
ds <- as.data.frame(utils::data(package = "wooldridge")$results)[, c("Item","Title")]
knitr::kable(head(ds, 20), col.names = c("Dataset", "Title")) %>%
    kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE,
    position = "center"
  )

Dataset	Title
admnrev	admnrev
affairs	affairs
airfare	airfare
alcohol	alcohol
apple	apple
approval	approval
athlet1	athlet1
athlet2	athlet2
attend	attend
audit	audit
barium	barium
beauty	beauty
benefits	benefits
beveridge	beveridge
big9salary	big9salary
bwght	bwght
bwght2	bwght2
campus	campus
card	card
catholic	catholic

Moja databáza

Pre prácu na budúcich hodinách som si vybrala databázu https://www.kaggle.com/datasets/dhruvildave/spotify-charts?resource=download , ktorá zobrazuje skladby od rôznych umelcov a ich počet streamov a umiestnenie v rebríčkoch Viral 50 a Top 200 v rôznych krajinách v rôzne dátumy od roku 2017.

Práca s databázou

Eva Dingová

Október 2025