Лекція 3. Дата фрейми
Олексій Ігнатенко
October 23, 2017
Почнемо з датафреймів
Data frame
Вектори незалежно від типу є послідовностями даних одного типу. Але дані, як правило мають певну структуру. Як правило, це таблиця з рядками, які відповідають спостереженням. Кожне спостереження містить декілька змінних. Такі структури в R називаються датафреймами (Data frames).
Датафрейм це набір векторів, кожен з яких має бути однакової довжини. Виглядає як двовимірна таблиця. Як правило, ми трактуємо датафрейм як спостереження (рядки) певного набору величин (стовпці).
Створення DF
Для створення DF використовується функція data.frame()
df <- data.frame(a = 1:4, b = letters[1:4])
df## a b
## 1 1 a
## 2 2 b
## 3 3 c
## 4 4 dЗадача
Давайте створемо датафрейм з відповідями на анкету.
завдання:
1. Потрібно створити датафрейм зі стовпчиками "стать", "Ваша улюблена кава?", "Чи п'єте Ви каву з молоком?", "Скільки чашок кави Ви випиваєте за день?".
2. Створити відповіді на цю анкету - спостереження або рядки нашого датафрейму.Для створення векторів з даними ми будемо використовувати функцію sample:
Використаємо функцію sample()
sample(x, size, replace = FALSE, prob = NULL)
- x вектор або число
- n число, кількість потрібних елементів
- replace чи можна повторювати значення?
- prob вектор ймовірностей для отримання елементів.Генеруємо вектори
test <- sample(1:100,5) # 5 випадкових чисел з проміжку 1 - 100
test <- sample(1:3,50,replace = TRUE)Задача 1. Як порахувати кількість одиниць, двійок і трійок?
підрахувати кількість елементів зі значенням у векторівикористайте функцію table()Створення датафрейму
Створюємо окремі вектори
x <- sample(c("чоловік","жінка"),100,replace = TRUE,prob = c(0.7,0.3))
y <- sample(c("Jacobs","Lavazza","Nescafe","Ambassador","Chibo"),100,replace = TRUE)
z <- sample(c("так","ні"),100,replace = TRUE)
u <- sample.int(5, 100, replace = TRUE)Тепер потрібно об’єднати їх у один датафрейм. Для цього є декілька можливостей.
- Перша можливість.
df <- data.frame(x,y)
df$z <- z
df$u <- uhead(df)## x y z u
## 1 чоловік Ambassador ні 4
## 2 жінка Chibo ні 2
## 3 чоловік Nescafe так 5
## 4 чоловік Nescafe ні 5
## 5 чоловік Lavazza так 4
## 6 чоловік Lavazza ні 2names(df) <- c("Cтать", "Ваша улюблена кава?", "Чи п'єте Ви каву з молоком?", "Скільки чашок кави Ви випиваєте за день?")
head(df)## Cтать Ваша улюблена кава? Чи п'єте Ви каву з молоком?
## 1 чоловік Ambassador ні
## 2 жінка Chibo ні
## 3 чоловік Nescafe так
## 4 чоловік Nescafe ні
## 5 чоловік Lavazza так
## 6 чоловік Lavazza ні
## Скільки чашок кави Ви випиваєте за день?
## 1 4
## 2 2
## 3 5
## 4 5
## 5 4
## 6 2Це зручно для розуміння що означає той чи інший вектор даних, але для програмування краще короткі англійські терміни.
names(df) <- c("x","y","z","u")Subset - створення підмножин
subset(df, df$x == "чоловік")## x y z u
## 1 чоловік Ambassador ні 4
## 3 чоловік Nescafe так 5
## 4 чоловік Nescafe ні 5
## 5 чоловік Lavazza так 4
## 6 чоловік Lavazza ні 2
## 7 чоловік Lavazza так 2
## 8 чоловік Nescafe так 2
## 9 чоловік Chibo ні 5
## 10 чоловік Chibo так 2
## 12 чоловік Jacobs ні 3
## 13 чоловік Nescafe так 1
## 16 чоловік Lavazza ні 2
## 17 чоловік Ambassador ні 5
## 18 чоловік Ambassador ні 3
## 20 чоловік Lavazza так 5
## 22 чоловік Ambassador так 4
## 23 чоловік Jacobs ні 4
## 24 чоловік Lavazza ні 1
## 25 чоловік Nescafe так 5
## 26 чоловік Ambassador ні 4
## 27 чоловік Nescafe ні 3
## 28 чоловік Ambassador ні 4
## 29 чоловік Chibo так 2
## 30 чоловік Ambassador ні 3
## 31 чоловік Chibo так 3
## 33 чоловік Lavazza так 1
## 35 чоловік Chibo так 4
## 36 чоловік Lavazza так 5
## 37 чоловік Chibo так 4
## 38 чоловік Chibo ні 2
## 39 чоловік Jacobs ні 5
## 40 чоловік Jacobs так 3
## 41 чоловік Nescafe так 4
## 42 чоловік Nescafe так 1
## 43 чоловік Nescafe ні 1
## 45 чоловік Nescafe так 3
## 46 чоловік Chibo так 3
## 47 чоловік Lavazza так 5
## 49 чоловік Nescafe так 3
## 52 чоловік Jacobs ні 3
## 54 чоловік Chibo ні 1
## 55 чоловік Chibo так 4
## 59 чоловік Lavazza ні 2
## 60 чоловік Chibo так 1
## 62 чоловік Nescafe так 4
## 63 чоловік Ambassador ні 2
## 64 чоловік Ambassador ні 3
## 65 чоловік Chibo так 2
## 67 чоловік Jacobs так 2
## 68 чоловік Chibo так 1
## 71 чоловік Nescafe так 3
## 72 чоловік Chibo так 2
## 74 чоловік Ambassador так 2
## 75 чоловік Chibo ні 4
## 76 чоловік Nescafe так 2
## 78 чоловік Ambassador ні 3
## 79 чоловік Chibo ні 1
## 80 чоловік Ambassador ні 5
## 81 чоловік Nescafe ні 3
## 83 чоловік Ambassador так 1
## 84 чоловік Lavazza ні 5
## 85 чоловік Chibo так 5
## 86 чоловік Lavazza ні 2
## 87 чоловік Jacobs так 5
## 88 чоловік Chibo так 4
## 90 чоловік Lavazza ні 4
## 91 чоловік Jacobs так 3
## 92 чоловік Chibo ні 3
## 94 чоловік Lavazza ні 1
## 96 чоловік Jacobs так 4
## 98 чоловік Nescafe так 1
## 99 чоловік Nescafe ні 3
## 100 чоловік Jacobs так 5або можна вибрати всіх людей, що п’ють 5 чашок кави на день
subset(df, u == 5)## x y z u
## 3 чоловік Nescafe так 5
## 4 чоловік Nescafe ні 5
## 9 чоловік Chibo ні 5
## 17 чоловік Ambassador ні 5
## 20 чоловік Lavazza так 5
## 25 чоловік Nescafe так 5
## 36 чоловік Lavazza так 5
## 39 чоловік Jacobs ні 5
## 47 чоловік Lavazza так 5
## 56 жінка Ambassador ні 5
## 80 чоловік Ambassador ні 5
## 84 чоловік Lavazza ні 5
## 85 чоловік Chibo так 5
## 87 чоловік Jacobs так 5
## 97 жінка Lavazza ні 5
## 100 чоловік Jacobs так 5Задачки на розминку
Скільки чоловіків п’ють каву з молоком?
Скільки жінок люблять каву Аmbassador?
Скільки людей п’ють більше однієї чашки в день?
Який відсоток людей п’є каву з молоком?
Які долі (відсотки) популярності кожної кавової марки?
Спробуємо поекспериментувати з функцією plot
plot(df$x)
plot(df$y)
Питання до всіх: що буде з іншими стовпцями?
plot(df$y,df$x)
Ще один важливий спосіб аналізу даних це гістограма
hist(islands)
Побудуємо гістограму кількості чашок кави
hist(df$u)
Мозаічний графік
a <- table(df$y,df$x)
prop.table(a)##
## жінка чоловік
## Ambassador 0.07 0.13
## Chibo 0.05 0.19
## Jacobs 0.06 0.10
## Lavazza 0.04 0.14
## Nescafe 0.05 0.17mosaicplot(prop.table(a))
Реальний датасет про каву
Розглянемо тепер реальні дані: файл coffee.csv
coffee <- read.csv2("/home/oleksii/MyCode/R/BrovaryLectures/Data/coffee.csv")
head(coffee)## Cups.of.coffee.in.one.week. Cups.of.coffee.outside.home.per.week.
## 1 3 5
## 2 6 4
## 3 14 2
## 4 28 24
## 5 7 0
## 6 15 5
## Taste.Preference Tempature.Preference
## 1 black frozen
## 2 milk/cream hot
## 3 black hot
## 4 milk/cream hot
## 5 milk/cream hot
## 6 milk/cream hotЗавдання 2.
Який відсоток людей любить гарячу, холодну чи зз льодом?
Побудувати гістограму споживання кави.
Побудувати залежність кількості чашок кави випитих взагалі від кількості чашок кави випитих вдома.
Тепер попрацюємо з датафреймом про населення України
population <- read.csv("/home/oleksii/MyCode/R/BrovaryLectures/Data/population-for-ukraine.csv")
names(population)## [1] "Year" "Population.for.Ukraine"names(population) <- c("Рік","Населення")Найпростіша візуалізація
plot(population)
Трошки інша візуалізація
plot(population, type = "l")
Ще про датафрейми
Звернення до елементів
population[1,1]## [1] 1990population[1,2]## [1] 51.37Отримання рядка і ствопця
population[1,]## Рік Населення
## 1 1990 51.37population[2,]## Рік Населення
## 2 1991 51.361population[,1]## [1] 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
## [15] 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014population[,2]## [1] 51.370 51.361 51.314 51.217 51.053 50.812 50.490 50.096 49.655 49.197
## [11] 48.746 48.311 47.891 47.494 47.127 46.795 46.503 46.249 46.028 45.831
## [21] 45.647 45.478 45.320 45.165 45.002Отримання рядка і ствопця іншим способом
population[,"Рік"]## [1] 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
## [15] 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014population$Рік## [1] 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
## [15] 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014Але населення важко порахувати, тому важливо мати декілька джерел
population2 <- read.csv("/home/oleksii/MyCode/R/BrovaryLectures/Data/population-for-ukraine2.csv", stringsAsFactors = FALSE)
head(population2)## X1990 X51891400
## 1 1991 52000500
## 2 1992 52150400
## 3 1993 52179200
## 4 1994 51921400
## 5 1995 51512800
## 6 1996 51057800Додаємо імена (аналогічно до попереднього прикладу)
names(population2) <- c("Рік","Населення")Задача 3.
- Як маштабувати і утворити один датасет?
Другий спосіб створення датафреймів - функція merge.data.frame() Для використання потрібно викликати функцію для двох датафреймів, які ми хочемо об’єднати, та задати додаткові параметри:
all = TRUE - означає, що ми хочемо об'єднати всі значення першого датафрейму і всі значення другого.
by = "Рік" - це спільний рядок, в результаті буде створено датафрейм в якому є рядок Рік і всі інші з обох датафреймівpopulation2$Населення <- population2$Населення/1000000
population3 <- merge.data.frame(population,population2, all = TRUE,by = "Рік")Завдання додому!
Виконати наступний код і надіслати мені графіки на пошту.
Для датасету animals провести аналіз, який ми вже проходили:
2.1. Знайти максимальні, мінімальні значення.
2.2. Знайти середнє від кожного вектора.
2.3. Створити функцію, яка рахує відношення маси тіла до маси мозку. Обчислити це співідношення для кожної тварини і додати в свій датафрейм (в вашому датафреймі мають бути рядки: animal, body, brain, ratio).
2.4. Побудувати гістограми для ваги тіла і ваги мозку.
2.5. Побудувати графік - залежність між вагою тіла і вагою мозку.
Для отримання датасету з тваринами:
library(MASS)
Animals## body brain
## Mountain beaver 1.350 8.1
## Cow 465.000 423.0
## Grey wolf 36.330 119.5
## Goat 27.660 115.0
## Guinea pig 1.040 5.5
## Dipliodocus 11700.000 50.0
## Asian elephant 2547.000 4603.0
## Donkey 187.100 419.0
## Horse 521.000 655.0
## Potar monkey 10.000 115.0
## Cat 3.300 25.6
## Giraffe 529.000 680.0
## Gorilla 207.000 406.0
## Human 62.000 1320.0
## African elephant 6654.000 5712.0
## Triceratops 9400.000 70.0
## Rhesus monkey 6.800 179.0
## Kangaroo 35.000 56.0
## Golden hamster 0.120 1.0
## Mouse 0.023 0.4
## Rabbit 2.500 12.1
## Sheep 55.500 175.0
## Jaguar 100.000 157.0
## Chimpanzee 52.160 440.0
## Rat 0.280 1.9
## Brachiosaurus 87000.000 154.5
## Mole 0.122 3.0
## Pig 192.000 180.0Візуалізація
plot(population3$Рік,population3$Населення.x,type="l",col="red")
lines(population3$Рік,population3$Населення.y, col="green")Може скластись хибне враження від невірного маштабування
plot.new()
plot.window(xlim=c(1990, 2016),
ylim = c(0,55))
lines(population3$Рік,population3$Населення.x,type="l",col="red")
lines(population3$Рік,population3$Населення.y,col="green")
axis(1)
axis(2)
box()
title(main = "Населення України",xlab = "Рік", ylab = "Кількість (млн. чол.)")