R-প্রোগ্রামিং এর জনপ্রিয় প্যাকেজসমূহস

১. dplyr (ডেটা ম্যানিপুলেশন)

Note

dplyr হলো ডেটা ম্যানিপুলেশনের জন্য একটি অত্যন্ত জনপ্রিয় R প্যাকেজ। এর সহজ সিনট্যাক্স এবং বিভিন্ন ফাংশন বা ‘ভার্ব’ ব্যবহার করে খুব সহজেই ডেটাসেট ট্রান্সফর্ম বা পরিবর্তন করা যায়।

প্রয়োজনীয় ফাংশনসমূহ

• select(): ডেটা ফ্রেম থেকে নির্দিষ্ট কলাম বেছে নিতে ব্যবহৃত হয়।
• filter(): নির্দিষ্ট শর্ত অনুযায়ী ডেটার সারি (rows) আলাদা করতে ব্যবহৃত হয়।
• mutate(): নতুন কলাম তৈরি করতে বা বিদ্যমান কলাম পরিবর্তন করতে ব্যবহৃত হয়।
• arrange(): কলামের মানের ভিত্তিতে ডেটাকে ছোট থেকে বড় বা বড় থেকে ছোট ক্রমে সাজাতে ব্যবহৃত হয়।
• summarise(): অনেকগুলো ডেটাকে সংক্ষিপ্ত করে একটি সামারি রিপোর্ট তৈরি করে।
• group_by(): বিভিন্ন গ্রুপ অনুযায়ী ডেটাকে ভাগ করে হিসাব করতে ব্যবহৃত হয়।

select

library(tidyverse)

starwars %>% 
  select(name, species, contains("color")) %>%
  head(10)

# A tibble: 10 × 5
   name               species hair_color    skin_color  eye_color
   <chr>              <chr>   <chr>         <chr>       <chr>    
 1 Luke Skywalker     Human   blond         fair        blue     
 2 C-3PO              Droid   <NA>          gold        yellow   
 3 R2-D2              Droid   <NA>          white, blue red      
 4 Darth Vader        Human   none          white       yellow   
 5 Leia Organa        Human   brown         light       brown    
 6 Owen Lars          Human   brown, grey   light       blue     
 7 Beru Whitesun Lars Human   brown         light       blue     
 8 R5-D4              Droid   <NA>          white, red  red      
 9 Biggs Darklighter  Human   black         light       brown    
10 Obi-Wan Kenobi     Human   auburn, white fair        blue-gray

filter

starwars %>% 
  select(name, species, contains("color")) %>% 
  head(10)

# A tibble: 10 × 5
   name               species hair_color    skin_color  eye_color
   <chr>              <chr>   <chr>         <chr>       <chr>    
 1 Luke Skywalker     Human   blond         fair        blue     
 2 C-3PO              Droid   <NA>          gold        yellow   
 3 R2-D2              Droid   <NA>          white, blue red      
 4 Darth Vader        Human   none          white       yellow   
 5 Leia Organa        Human   brown         light       brown    
 6 Owen Lars          Human   brown, grey   light       blue     
 7 Beru Whitesun Lars Human   brown         light       blue     
 8 R5-D4              Droid   <NA>          white, red  red      
 9 Biggs Darklighter  Human   black         light       brown    
10 Obi-Wan Kenobi     Human   auburn, white fair        blue-gray

mutate

starwars %>% 
  select(name, height, mass, species) %>% 
  mutate(height = height/100) %>%
  head(10) 

# A tibble: 10 × 4
   name               height  mass species
   <chr>               <dbl> <dbl> <chr>  
 1 Luke Skywalker       1.72    77 Human  
 2 C-3PO                1.67    75 Droid  
 3 R2-D2                0.96    32 Droid  
 4 Darth Vader          2.02   136 Human  
 5 Leia Organa          1.5     49 Human  
 6 Owen Lars            1.78   120 Human  
 7 Beru Whitesun Lars   1.65    75 Human  
 8 R5-D4                0.97    32 Droid  
 9 Biggs Darklighter    1.83    84 Human  
10 Obi-Wan Kenobi       1.82    77 Human  

arrange

msleep %>% 
  select(genus, order, sleep_total) %>% 
  arrange(sleep_total) %>%
  head(10) 

# A tibble: 10 × 3
   genus         order          sleep_total
   <chr>         <chr>                <dbl>
 1 Giraffa       Artiodactyla           1.9
 2 Globicephalus Cetacea                2.7
 3 Equus         Perissodactyla         2.9
 4 Capreolus     Artiodactyla           3  
 5 Equus         Perissodactyla         3.1
 6 Loxodonta     Proboscidea            3.3
 7 Phoca         Carnivora              3.5
 8 Ovis          Artiodactyla           3.8
 9 Elephas       Proboscidea            3.9
10 Bos           Artiodactyla           4  

recode

starwars %>% 
  select(name, contains("color"), species) %>% 
  mutate(species = recode(species,
                    "Droid" = "Robot")) %>%
  head(10) 

# A tibble: 10 × 5
   name               hair_color    skin_color  eye_color species
   <chr>              <chr>         <chr>       <chr>     <chr>  
 1 Luke Skywalker     blond         fair        blue      Human  
 2 C-3PO              <NA>          gold        yellow    Robot  
 3 R2-D2              <NA>          white, blue red       Robot  
 4 Darth Vader        none          white       yellow    Human  
 5 Leia Organa        brown         light       brown     Human  
 6 Owen Lars          brown, grey   light       blue      Human  
 7 Beru Whitesun Lars brown         light       blue      Human  
 8 R5-D4              <NA>          white, red  red       Robot  
 9 Biggs Darklighter  black         light       brown     Human  
10 Obi-Wan Kenobi     auburn, white fair        blue-gray Human  

summarise

starwars %>% 
  select(sex, height, mass) %>% 
  filter(sex == "male" | sex == "female") %>%
  mutate(height = height/100) %>% 
  drop_na() %>%
  group_by(sex) %>% 
  summarise('Average height' = (mean(height)),
            'Average mass' = mean(mass))

# A tibble: 2 × 3
  sex    `Average height` `Average mass`
  <chr>             <dbl>          <dbl>
1 female             1.72           54.7
2 male               1.78           80.2

২. ggplot2 (ডেটা ভিজ্যুয়ালাইজেশন)

Note

ggplot2 হলো ডেটা ভিজ্যুয়ালাইজেশনের জন্য একটি শক্তিশালী প্যাকেজ। এর মাধ্যমে আপনি খুব সুন্দর এবং জটিল গ্রাফ বা চার্ট তৈরি করতে পারেন।

প্রয়োজনীয় ফাংশনসমূহ

• ggplot(): একটি প্লট অবজেক্ট শুরু করে।
• geom_point(): স্ক্যাটার প্লট তৈরি করতে ব্যবহৃত হয়।
• geom_line(): ট্রেন্ড বা পরিবর্তনের জন্য লাইন চার্ট তৈরি করে।
• geom_bar(): বার চার্ট তৈরি করে।
• facet_wrap() / facet_grid(): Create subplots based on factors.
• labs(): গ্রাফের শিরোনাম, অক্ষের নাম ইত্যাদি পরিবর্তন করতে ব্যবহৃত হয়।

স্ক্যাটার প্লট

if(!require(pacman)) install.packages("pacman")
pacman::p_load(tidyverse, plotly, ggridges)

library(palmerpenguins)

ggplot(data = penguins,
       aes(x = flipper_length_mm,
           y = body_mass_g,
           color = species)) +
    geom_point(size = 3,
               alpha = 0.5)+
    labs(title =
           "Flipper Length vs Body Mass by Species",
         x = "Flipper Length (mm)",
         y = "Body Mass (g)") +
    theme_minimal()

বক্স প্লট

penguins %>%
ggplot(aes(x = species, 
           y = bill_length_mm, 
           fill = species))+
    geom_boxplot(alpha = 0.5) +
    labs(title = "Bill Length Distribution by Species",
         x = "Species",
         y = "Bill Length (mm)") +
    theme_minimal()

বার প্লট

ggplot(penguins, 
       aes(x = species, 
           y = body_mass_g, 
           fill = species)) +
    geom_bar(stat = "summary",
             fun = "mean",
             alpha = 0.5) +
    labs(title = "Average Body Mass of Penguin Species",
         x = "Species",
         y = "Average Body Mass (g)") +
    theme_minimal() 

ললিপপ প্লট

chickwts %>% 
  group_by(feed) %>%
  mutate(mean_by_feed = mean(weight)) %>%
  ungroup() %>%
  mutate(feed = fct_reorder(feed, mean_by_feed)) %>%
  ggplot(aes(x = feed, 
             y = weight, 
             colour = feed)) +
  coord_flip() +
  geom_jitter(show.legend = F,
              size = 4,
              alpha = 0.2,
              width = 0.05) +
  geom_point(stat = "summary",
             fun = "mean",
             size = 8,
             show.legend = F)+
  geom_hline(aes(yintercept = mean(weight)),
             colour = "gray70",
             size = 0.9) +
  geom_segment(aes(
                   x = feed,
                   y = mean(weight),
                   xend = feed,
                   yend = mean_by_feed),
               size = 2, 
               show.legend = F) +
  labs(title = "Weight of chickens by feed group",
       x = "Feed",
       y = "Weight of chickens") +
  theme(legend.position = "none") +
  theme_minimal()

রিজ প্লট

library(ggridges)
library(viridis)

ggplot(lincoln_weather, 
       aes(x = `Mean Temperature [F]`, 
           y = `Month`, 
           fill = ..x..)) +
  geom_density_ridges_gradient(scale = 3,
                               rel_min_height = 0.01,
                               alpha = 5) +
  scale_fill_viridis(name = "Temp. [F]",
                     option = "C") +
  labs(title = 'Temperatures in Lincoln NE in 2016') +
  theme_bw() +
  theme(
    legend.position="none",
    panel.spacing = unit(0.1, "lines"),
    strip.text.x = element_text(size = 8)
  )

৩. forcats (ফ্যাক্টর বা ক্যাটাগরি ডেটা)

Note

forcats প্যাকেজটি ক্যাটাগরিকাল ডেটা বা ফ্যাক্টর নিয়ে কাজ করার জন্য ব্যবহৃত হয়। এটি ফ্যাক্টরের অর্ডার বা নাম পরিবর্তন করা সহজ করে দেয়।

প্রয়োজনীয় ফাংশনসমূহ

• fct_relevel(): ফ্যাক্টর লেভেলগুলোর ক্রম ম্যানুয়ালি পরিবর্তন করতে ব্যবহৃত হয়।
• fct_reorder(): অন্য কোনো ভেরিয়েবলের মানের ওপর ভিত্তি করে লেভেলগুলো সাজাতে ব্যবহৃত হয়।
• fct_infreq(): ফ্রিকোয়েন্সি বা কতবার আছে তার ওপর ভিত্তি করে লেভেলগুলো সাজায়।
• fct_rev(): ফ্যাক্টর লেভেলগুলোর বর্তমান ক্রমকে উল্টে দেয়।

original

gss_cat %>% 
  count(marital)

# A tibble: 6 × 2
  marital           n
  <fct>         <int>
1 No answer        17
2 Never married  5416
3 Separated       743
4 Divorced       3383
5 Widowed        1807
6 Married       10117

fct_relevel()

gss_cat %>% 
  mutate(marital = fct_relevel(marital,
                               "Never married",
                               "Married",
                               "Separated",
                               "Divorced",
                               "Widowed",
                               "No answer")) %>%
  count(marital)

# A tibble: 6 × 2
  marital           n
  <fct>         <int>
1 Never married  5416
2 Married       10117
3 Separated       743
4 Divorced       3383
5 Widowed        1807
6 No answer        17

fct_infreq()

gss_cat %>% 
  mutate(marital = fct_infreq(marital)) %>%
  count(marital) 

# A tibble: 6 × 2
  marital           n
  <fct>         <int>
1 Married       10117
2 Never married  5416
3 Divorced       3383
4 Widowed        1807
5 Separated       743
6 No answer        17

fct_rev()

gss_cat %>% 
  mutate(marital = fct_infreq(marital)) %>% 
  mutate(marital = fct_rev(marital)) %>%
  count(marital) 

# A tibble: 6 × 2
  marital           n
  <fct>         <int>
1 No answer        17
2 Separated       743
3 Widowed        1807
4 Divorced       3383
5 Never married  5416
6 Married       10117

fct_reorder()

gss_cat %>% 
  group_by(relig) %>% 
  summarise(meantv = mean(tvhours, na.rm = T)) %>% 
  mutate(relig = fct_reorder(relig, meantv)) %>%
  ggplot(aes(meantv, relig))+
  geom_point(size = 4, 
             color = "steelblue")+
  theme_minimal()+
  labs(title = "Average TV watchtime by religion",
       x = "Averate TV watch time",
       y = "")

৪. stringr (টেক্সট ম্যানিপুলেশন)

Note

stringr প্যাকেজটি টেক্সট বা স্ট্রিং ডেটা নিয়ে কাজ করার জন্য ব্যবহৃত হয়। এটি দিয়ে টেক্সট খোঁজা, পরিবর্তন করা বা জোড়া লাগানো যায়।

প্রয়োজনীয় ফাংশনসমূহ

• str_c(): দুই বা ততোধিক টেক্সট বা স্ট্রিংকে একত্রে জোড়া লাগানোর জন্য এটি ব্যবহার করা হয় (যেমন: ‘Hello’ এবং ‘World’ মিলে ‘Hello World’ করা)।
• str_detect(): কোনো টেক্সটের ভেতরে নির্দিষ্ট কোনো শব্দ বা প্যাটার্ন আছে কি না, তা খুঁজে বের করতে এটি ব্যবহৃত হয় (এটি TRUE বা FALSE রেজাল্ট দেয়)।
• str_sub(): একটি বড় টেক্সট থেকে নির্দিষ্ট কোনো অংশ কেটে আলাদা করা বা এক্সট্র্যাক্ট করার জন্য এটি ব্যবহার করা হয়।
• str_to_upper(): টেক্সটের সব অক্ষরকে বড় হাতের অক্ষরে (Uppercase) রূপান্তর করতে এটি ব্যবহার করা হয়।
• str_replace(): টেক্সটের কোনো নির্দিষ্ট অংশ খুঁজে সেটি পরিবর্তন করে নতুন কিছু বসানোর জন্য এটি ব্যবহৃত হয়।
• str_split(): একটি স্ট্রিং বা বাক্যকে নির্দিষ্ট কোনো চিহ্নের (যেমন: কমা বা স্পেস) ভিত্তিতে কয়েকটি ভাগে ভাগ করতে এটি ব্যবহার করা হয়।

str_c()

iris %>%
  select(Species, Sepal.Length) %>% 
  mutate(Description =
           str_c(Species,
                 ": ",
                 Sepal.Length,
                 " cm")) %>%
  head(10) 

   Species Sepal.Length    Description
1   setosa          5.1 setosa: 5.1 cm
2   setosa          4.9 setosa: 4.9 cm
3   setosa          4.7 setosa: 4.7 cm
4   setosa          4.6 setosa: 4.6 cm
5   setosa          5.0   setosa: 5 cm
6   setosa          5.4 setosa: 5.4 cm
7   setosa          4.6 setosa: 4.6 cm
8   setosa          5.0   setosa: 5 cm
9   setosa          4.4 setosa: 4.4 cm
10  setosa          4.9 setosa: 4.9 cm

str_detect()

mtcars %>% 
    rownames_to_column(var = "model") %>%
    mutate(has_M = str_detect(model, "M")) %>%
    filter(has_M == TRUE) %>%
    select(model, mpg, cyl, disp) %>% 
  head(10)

           model  mpg cyl  disp
1      Mazda RX4 21.0   6 160.0
2  Mazda RX4 Wag 21.0   6 160.0
3      Merc 240D 24.4   4 146.7
4       Merc 230 22.8   4 140.8
5       Merc 280 19.2   6 167.6
6      Merc 280C 17.8   6 167.6
7     Merc 450SE 16.4   8 275.8
8     Merc 450SL 17.3   8 275.8
9    Merc 450SLC 15.2   8 275.8
10   AMC Javelin 15.2   8 304.0

str_sub()

mtcars %>%
  rownames_to_column(var = "model") %>%  
  mutate('short name' =
           str_sub(model, 1, 3)) %>%
  select(model, 'short name', mpg, cyl, disp) %>% 
  head(10) 

               model short name  mpg cyl  disp
1          Mazda RX4        Maz 21.0   6 160.0
2      Mazda RX4 Wag        Maz 21.0   6 160.0
3         Datsun 710        Dat 22.8   4 108.0
4     Hornet 4 Drive        Hor 21.4   6 258.0
5  Hornet Sportabout        Hor 18.7   8 360.0
6            Valiant        Val 18.1   6 225.0
7         Duster 360        Dus 14.3   8 360.0
8          Merc 240D        Mer 24.4   4 146.7
9           Merc 230        Mer 22.8   4 140.8
10          Merc 280        Mer 19.2   6 167.6

str_to_upper()

starwars %>%
    select(name, species) %>% 
    mutate(species = str_to_upper(species)) %>%
    head(10) 

# A tibble: 10 × 2
   name               species
   <chr>              <chr>  
 1 Luke Skywalker     HUMAN  
 2 C-3PO              DROID  
 3 R2-D2              DROID  
 4 Darth Vader        HUMAN  
 5 Leia Organa        HUMAN  
 6 Owen Lars          HUMAN  
 7 Beru Whitesun Lars HUMAN  
 8 R5-D4              DROID  
 9 Biggs Darklighter  HUMAN  
10 Obi-Wan Kenobi     HUMAN  

৫. gtExtras (টেবিল ডিজাইন এবং স্টাইলিং)

Note

gtExtras হলো gt প্যাকেজের একটি শক্তিশালী এক্সটেনশন। এটি টেবিলকে আরও আকর্ষণীয় করে তুলতে বিভিন্ন স্টাইলিং অপশন এবং ভিজ্যুয়াল এলিমেন্ট (যেমন: ছোট গ্রাফ বা কালার বক্স) যোগ করতে সাহায্য করে।

প্রয়োজনীয় ফাংশনসমূহ

• gt_color_box(): টেবিলের সেলের মানের পেছনে রঙিন শ্যাডিং যোগ করে।
• gt_highlight_rows(): টেবিলের নির্দিষ্ট সারিগুলোকে হাইলাইট বা আলাদা করে দেখায়।
• gt_plt_sparkline(): টেবিল সেলের ভেতরেই ছোট ট্রেন্ড লাইন বা স্পার্কলাইন যোগ করে।
• gt_fa_repeats(): মান অনুযায়ী ফন্ট-অসাম(Font-awesome) আইকন ব্যবহার করে ডেটাকে প্রকাশ করে।

visuals

library(gtExtras)
library(gapminder)
library(RColorBrewer)
library(svglite)

gapminder %>%
  rename(Country = country) %>%
  filter(continent == "Europe") %>%
  group_by(Country) %>%
  summarise(`GDP per capita` = round(mean(gdpPercap)),
            `Pop size` = round(mean(pop)),
            `Life expectance` = list(lifeExp)) %>%
  arrange(-`GDP per capita`) %>%
  head(10) %>%
  gt() %>%
  gt_theme_pff() %>%
  gt_plt_dist('Life expectance') %>%
  gt_color_rows(column = 'Pop size',
                palette = "Pastel1") %>%
  gt_plt_bar_pct('GDP per capita',
                 fill = "steelblue",
                 height = 15,
                 width = 120) %>%
  tab_header(title = "The GDP and Pop Size of Europe") %>%
  cols_align(align = "left")

The GDP and Pop Size of Europe
Country	GDP per capita	Pop size	Life expectance
Switzerland		6384293
Norway		4031441
Netherlands		13786798
Denmark		4994187
Germany		77547043
Iceland		226978
Austria		7583298
Sweden		8220029
Belgium		9725119
United Kingdom		56087801

highlighting rows

gapminder %>%
  head(10) %>% 
  gt %>% 
  gt_highlight_rows(row = year == 1972,
                    fill = 'steelblue') %>%
  tab_header(title = "Life Expectancy, Population and GDP in 1972") %>% 
  gt_theme_espn()

Life Expectancy, Population and GDP in 1972
country	continent	year	lifeExp	pop	gdpPercap
Afghanistan	Asia	1952	28.801	8425333	779.4453
Afghanistan	Asia	1957	30.332	9240934	820.8530
Afghanistan	Asia	1962	31.997	10267083	853.1007
Afghanistan	Asia	1967	34.020	11537966	836.1971
Afghanistan	Asia	1972	36.088	13079460	739.9811
Afghanistan	Asia	1977	38.438	14880372	786.1134
Afghanistan	Asia	1982	39.854	12881816	978.0114
Afghanistan	Asia	1987	40.822	13867957	852.3959
Afghanistan	Asia	1992	41.674	16317921	649.3414
Afghanistan	Asia	1997	41.763	22227415	635.3414

৬. plotly (ইন্টারেক্টিভ প্লট)

Note

plotly হলো এমন একটি প্যাকেজ যা ওয়েব-বেজড ইন্টারেক্টিভ প্লট বা গ্রাফ তৈরি করতে ব্যবহৃত হয়। এটি সাধারণত ggplot2-এ তৈরি করা গ্রাফগুলোকে আরও উন্নত করতে এবং সেগুলোতে জুম করা বা মাউস নিয়ে তথ্য দেখার মতো সুবিধা যোগ করতে ব্যবহার করা হয়।

প্রয়োজনীয় ফাংশনসমূহ

• plot_ly(): নতুন একটি ইন্টারেক্টিভ প্লট তৈরি করতে ব্যবহৃত হয়।
• ggplotly(): ggplot2-এ তৈরি গ্রাফকে ইন্টারেক্টিভ প্লটে রূপান্তর করে।
• layout(): প্লটের লেআউট এবং ডিজাইন কাস্টমাইজ করতে ব্যবহৃত হয়।
• add_trace(): গ্রাফে নতুন কোনো ডেটা বা লেয়ার যোগ করতে ব্যবহৃত হয়।

interactive plot

library(plotly)

p <- starwars %>%
  drop_na(height, mass, eye_color) %>% 
  filter(mass < 250) %>% 
  filter(eye_color %in% c("blue", 
                          "brown",
                          "black",
                          "pink",
                          "red",
                          "orange")) %>% 
  ggplot(aes(x = height,
             y = mass, 
         color = eye_color))+
  geom_jitter(size = 6,
              alpha = 0.5)+
  scale_color_manual(values = c("blue" = "blue",
                                "brown" = "brown",
                                "black" = "black",
                                "pink" = "pink",
                                "red" = "red",
                                "orange" = "orange"))+
  theme_minimal()+
  theme(legend.position = c(0.05,0.98),
        legend.justification = c("left", "top"))+ #<35
  labs(title = "height, mass and eye color",
       x = "Height of characters",
       y = "Mass of characters",
       color = "Eye Color")

ggplotly(p) 

3D plot

trees %>% 
  plot_ly(x = ~ Girth,
          y = ~ Height,
          z = ~ Volume)

surface plot

plot_ly(z = volcano, type = "surface") 

সহজ এবং সংক্ষিপ্ত ভিডিও কন্টেন্টের মাধ্যমে R এবং স্ট্যাটিস্টিকস শিখতে ভিজিট করুন premieranalytics.com.bd। আমাদের প্রতিটি লেসন এমন ডেটা দিয়ে তৈরি যা আপনার R-এই দেওয়া আছে, ফলে আপনি বাড়িতে সহজেই প্র্যাকটিস করতে পারবেন। এখানে পরিসংখ্যান এবং গবেষণা পদ্ধতির ওপরও বিস্তারিত শিখানো হয়।