Session3
Jeong yeonji
2020 7 23
빅데이터 3일차
sqldf()
#install.packages("sqldf")
require(sqldf)## Loading required package: sqldf## Loading required package: gsubfn## Loading required package: proto## Loading required package: RSQLitesqldf() 함수를 이용하여 여러 데이터를 보여줄 수 있다.
sqldf("
select * FROM iris
")## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosa
## 11 5.4 3.7 1.5 0.2 setosa
## 12 4.8 3.4 1.6 0.2 setosa
## 13 4.8 3.0 1.4 0.1 setosa
## 14 4.3 3.0 1.1 0.1 setosa
## 15 5.8 4.0 1.2 0.2 setosa
## 16 5.7 4.4 1.5 0.4 setosa
## 17 5.4 3.9 1.3 0.4 setosa
## 18 5.1 3.5 1.4 0.3 setosa
## 19 5.7 3.8 1.7 0.3 setosa
## 20 5.1 3.8 1.5 0.3 setosa
## 21 5.4 3.4 1.7 0.2 setosa
## 22 5.1 3.7 1.5 0.4 setosa
## 23 4.6 3.6 1.0 0.2 setosa
## 24 5.1 3.3 1.7 0.5 setosa
## 25 4.8 3.4 1.9 0.2 setosa
## 26 5.0 3.0 1.6 0.2 setosa
## 27 5.0 3.4 1.6 0.4 setosa
## 28 5.2 3.5 1.5 0.2 setosa
## 29 5.2 3.4 1.4 0.2 setosa
## 30 4.7 3.2 1.6 0.2 setosa
## 31 4.8 3.1 1.6 0.2 setosa
## 32 5.4 3.4 1.5 0.4 setosa
## 33 5.2 4.1 1.5 0.1 setosa
## 34 5.5 4.2 1.4 0.2 setosa
## 35 4.9 3.1 1.5 0.2 setosa
## 36 5.0 3.2 1.2 0.2 setosa
## 37 5.5 3.5 1.3 0.2 setosa
## 38 4.9 3.6 1.4 0.1 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 40 5.1 3.4 1.5 0.2 setosa
## 41 5.0 3.5 1.3 0.3 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 44 5.0 3.5 1.6 0.6 setosa
## 45 5.1 3.8 1.9 0.4 setosa
## 46 4.8 3.0 1.4 0.3 setosa
## 47 5.1 3.8 1.6 0.2 setosa
## 48 4.6 3.2 1.4 0.2 setosa
## 49 5.3 3.7 1.5 0.2 setosa
## 50 5.0 3.3 1.4 0.2 setosa
## 51 7.0 3.2 4.7 1.4 versicolor
## 52 6.4 3.2 4.5 1.5 versicolor
## 53 6.9 3.1 4.9 1.5 versicolor
## 54 5.5 2.3 4.0 1.3 versicolor
## 55 6.5 2.8 4.6 1.5 versicolor
## 56 5.7 2.8 4.5 1.3 versicolor
## 57 6.3 3.3 4.7 1.6 versicolor
## 58 4.9 2.4 3.3 1.0 versicolor
## 59 6.6 2.9 4.6 1.3 versicolor
## 60 5.2 2.7 3.9 1.4 versicolor
## 61 5.0 2.0 3.5 1.0 versicolor
## 62 5.9 3.0 4.2 1.5 versicolor
## 63 6.0 2.2 4.0 1.0 versicolor
## 64 6.1 2.9 4.7 1.4 versicolor
## 65 5.6 2.9 3.6 1.3 versicolor
## 66 6.7 3.1 4.4 1.4 versicolor
## 67 5.6 3.0 4.5 1.5 versicolor
## 68 5.8 2.7 4.1 1.0 versicolor
## 69 6.2 2.2 4.5 1.5 versicolor
## 70 5.6 2.5 3.9 1.1 versicolor
## 71 5.9 3.2 4.8 1.8 versicolor
## 72 6.1 2.8 4.0 1.3 versicolor
## 73 6.3 2.5 4.9 1.5 versicolor
## 74 6.1 2.8 4.7 1.2 versicolor
## 75 6.4 2.9 4.3 1.3 versicolor
## 76 6.6 3.0 4.4 1.4 versicolor
## 77 6.8 2.8 4.8 1.4 versicolor
## 78 6.7 3.0 5.0 1.7 versicolor
## 79 6.0 2.9 4.5 1.5 versicolor
## 80 5.7 2.6 3.5 1.0 versicolor
## 81 5.5 2.4 3.8 1.1 versicolor
## 82 5.5 2.4 3.7 1.0 versicolor
## 83 5.8 2.7 3.9 1.2 versicolor
## 84 6.0 2.7 5.1 1.6 versicolor
## 85 5.4 3.0 4.5 1.5 versicolor
## 86 6.0 3.4 4.5 1.6 versicolor
## 87 6.7 3.1 4.7 1.5 versicolor
## 88 6.3 2.3 4.4 1.3 versicolor
## 89 5.6 3.0 4.1 1.3 versicolor
## 90 5.5 2.5 4.0 1.3 versicolor
## 91 5.5 2.6 4.4 1.2 versicolor
## 92 6.1 3.0 4.6 1.4 versicolor
## 93 5.8 2.6 4.0 1.2 versicolor
## 94 5.0 2.3 3.3 1.0 versicolor
## 95 5.6 2.7 4.2 1.3 versicolor
## 96 5.7 3.0 4.2 1.2 versicolor
## 97 5.7 2.9 4.2 1.3 versicolor
## 98 6.2 2.9 4.3 1.3 versicolor
## 99 5.1 2.5 3.0 1.1 versicolor
## 100 5.7 2.8 4.1 1.3 versicolor
## 101 6.3 3.3 6.0 2.5 virginica
## 102 5.8 2.7 5.1 1.9 virginica
## 103 7.1 3.0 5.9 2.1 virginica
## 104 6.3 2.9 5.6 1.8 virginica
## 105 6.5 3.0 5.8 2.2 virginica
## 106 7.6 3.0 6.6 2.1 virginica
## 107 4.9 2.5 4.5 1.7 virginica
## 108 7.3 2.9 6.3 1.8 virginica
## 109 6.7 2.5 5.8 1.8 virginica
## 110 7.2 3.6 6.1 2.5 virginica
## 111 6.5 3.2 5.1 2.0 virginica
## 112 6.4 2.7 5.3 1.9 virginica
## 113 6.8 3.0 5.5 2.1 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 115 5.8 2.8 5.1 2.4 virginica
## 116 6.4 3.2 5.3 2.3 virginica
## 117 6.5 3.0 5.5 1.8 virginica
## 118 7.7 3.8 6.7 2.2 virginica
## 119 7.7 2.6 6.9 2.3 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 121 6.9 3.2 5.7 2.3 virginica
## 122 5.6 2.8 4.9 2.0 virginica
## 123 7.7 2.8 6.7 2.0 virginica
## 124 6.3 2.7 4.9 1.8 virginica
## 125 6.7 3.3 5.7 2.1 virginica
## 126 7.2 3.2 6.0 1.8 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 128 6.1 3.0 4.9 1.8 virginica
## 129 6.4 2.8 5.6 2.1 virginica
## 130 7.2 3.0 5.8 1.6 virginica
## 131 7.4 2.8 6.1 1.9 virginica
## 132 7.9 3.8 6.4 2.0 virginica
## 133 6.4 2.8 5.6 2.2 virginica
## 134 6.3 2.8 5.1 1.5 virginica
## 135 6.1 2.6 5.6 1.4 virginica
## 136 7.7 3.0 6.1 2.3 virginica
## 137 6.3 3.4 5.6 2.4 virginica
## 138 6.4 3.1 5.5 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 140 6.9 3.1 5.4 2.1 virginica
## 141 6.7 3.1 5.6 2.4 virginica
## 142 6.9 3.1 5.1 2.3 virginica
## 143 5.8 2.7 5.1 1.9 virginica
## 144 6.8 3.2 5.9 2.3 virginica
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginicastr(Orange)## Classes 'nfnGroupedData', 'nfGroupedData', 'groupedData' and 'data.frame': 35 obs. of 3 variables:
## $ Tree : Ord.factor w/ 5 levels "3"<"1"<"5"<"2"<..: 2 2 2 2 2 2 2 4 4 4 ...
## $ age : num 118 484 664 1004 1231 ...
## $ circumference: num 30 58 87 115 120 142 145 33 69 111 ...
## - attr(*, "formula")=Class 'formula' language circumference ~ age | Tree
## .. ..- attr(*, ".Environment")=<environment: R_EmptyEnv>
## - attr(*, "labels")=List of 2
## ..$ x: chr "Time since December 31, 1968"
## ..$ y: chr "Trunk circumference"
## - attr(*, "units")=List of 2
## ..$ x: chr "(days)"
## ..$ y: chr "(mm)"summary(Orange)## Tree age circumference
## 3:7 Min. : 118.0 Min. : 30.0
## 1:7 1st Qu.: 484.0 1st Qu.: 65.5
## 5:7 Median :1004.0 Median :115.0
## 2:7 Mean : 922.1 Mean :115.9
## 4:7 3rd Qu.:1372.0 3rd Qu.:161.5
## Max. :1582.0 Max. :214.0sqldf(
"
SELECT age, circumference
FROM Orange
WHERE Tree = 1
ORDER BY circumference ASC"
)## age circumference
## 1 118 30
## 2 484 58
## 3 664 87
## 4 1004 115
## 5 1231 120
## 6 1372 142
## 7 1582 145이를 dplyr()와 함께 복합적으로 사용하여 표현할 수 있다. 앞서 2일차에 배웠던 dplyr()를 복습해보도록 한다.
require(dplyr)## Loading required package: dplyr##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionOrange %>%
filter(Tree == 1) %>%
select(age, circumference) %>%
arrange(circumference)## age circumference
## 1 118 30
## 2 484 58
## 3 664 87
## 4 1004 115
## 5 1231 120
## 6 1372 142
## 7 1582 145sqldf()에서 조건을 붙이는 다음과 같은 방식을 알아보자.
head(warpbreaks)## breaks wool tension
## 1 26 A L
## 2 30 A L
## 3 54 A L
## 4 25 A L
## 5 70 A L
## 6 52 A Lsqldf("select * from warpbreaks limit 6")## breaks wool tension
## 1 26 A L
## 2 30 A L
## 3 54 A L
## 4 25 A L
## 5 70 A L
## 6 52 A Lsubset(CO2, grepl("Qn", Plant))## Plant Type Treatment conc uptake
## 1 Qn1 Quebec nonchilled 95 16.0
## 2 Qn1 Quebec nonchilled 175 30.4
## 3 Qn1 Quebec nonchilled 250 34.8
## 4 Qn1 Quebec nonchilled 350 37.2
## 5 Qn1 Quebec nonchilled 500 35.3
## 6 Qn1 Quebec nonchilled 675 39.2
## 7 Qn1 Quebec nonchilled 1000 39.7
## 8 Qn2 Quebec nonchilled 95 13.6
## 9 Qn2 Quebec nonchilled 175 27.3
## 10 Qn2 Quebec nonchilled 250 37.1
## 11 Qn2 Quebec nonchilled 350 41.8
## 12 Qn2 Quebec nonchilled 500 40.6
## 13 Qn2 Quebec nonchilled 675 41.4
## 14 Qn2 Quebec nonchilled 1000 44.3
## 15 Qn3 Quebec nonchilled 95 16.2
## 16 Qn3 Quebec nonchilled 175 32.4
## 17 Qn3 Quebec nonchilled 250 40.3
## 18 Qn3 Quebec nonchilled 350 42.1
## 19 Qn3 Quebec nonchilled 500 42.9
## 20 Qn3 Quebec nonchilled 675 43.9
## 21 Qn3 Quebec nonchilled 1000 45.5sqldf("
select * from CO2 where plant like 'Qn%'
")## Plant Type Treatment conc uptake
## 1 Qn1 Quebec nonchilled 95 16.0
## 2 Qn1 Quebec nonchilled 175 30.4
## 3 Qn1 Quebec nonchilled 250 34.8
## 4 Qn1 Quebec nonchilled 350 37.2
## 5 Qn1 Quebec nonchilled 500 35.3
## 6 Qn1 Quebec nonchilled 675 39.2
## 7 Qn1 Quebec nonchilled 1000 39.7
## 8 Qn2 Quebec nonchilled 95 13.6
## 9 Qn2 Quebec nonchilled 175 27.3
## 10 Qn2 Quebec nonchilled 250 37.1
## 11 Qn2 Quebec nonchilled 350 41.8
## 12 Qn2 Quebec nonchilled 500 40.6
## 13 Qn2 Quebec nonchilled 675 41.4
## 14 Qn2 Quebec nonchilled 1000 44.3
## 15 Qn3 Quebec nonchilled 95 16.2
## 16 Qn3 Quebec nonchilled 175 32.4
## 17 Qn3 Quebec nonchilled 250 40.3
## 18 Qn3 Quebec nonchilled 350 42.1
## 19 Qn3 Quebec nonchilled 500 42.9
## 20 Qn3 Quebec nonchilled 675 43.9
## 21 Qn3 Quebec nonchilled 1000 45.5table(iris$Species)##
## setosa versicolor virginica
## 50 50 50subset(iris, Species %in% c("setosa","virginica"))## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa
## 7 4.6 3.4 1.4 0.3 setosa
## 8 5.0 3.4 1.5 0.2 setosa
## 9 4.4 2.9 1.4 0.2 setosa
## 10 4.9 3.1 1.5 0.1 setosa
## 11 5.4 3.7 1.5 0.2 setosa
## 12 4.8 3.4 1.6 0.2 setosa
## 13 4.8 3.0 1.4 0.1 setosa
## 14 4.3 3.0 1.1 0.1 setosa
## 15 5.8 4.0 1.2 0.2 setosa
## 16 5.7 4.4 1.5 0.4 setosa
## 17 5.4 3.9 1.3 0.4 setosa
## 18 5.1 3.5 1.4 0.3 setosa
## 19 5.7 3.8 1.7 0.3 setosa
## 20 5.1 3.8 1.5 0.3 setosa
## 21 5.4 3.4 1.7 0.2 setosa
## 22 5.1 3.7 1.5 0.4 setosa
## 23 4.6 3.6 1.0 0.2 setosa
## 24 5.1 3.3 1.7 0.5 setosa
## 25 4.8 3.4 1.9 0.2 setosa
## 26 5.0 3.0 1.6 0.2 setosa
## 27 5.0 3.4 1.6 0.4 setosa
## 28 5.2 3.5 1.5 0.2 setosa
## 29 5.2 3.4 1.4 0.2 setosa
## 30 4.7 3.2 1.6 0.2 setosa
## 31 4.8 3.1 1.6 0.2 setosa
## 32 5.4 3.4 1.5 0.4 setosa
## 33 5.2 4.1 1.5 0.1 setosa
## 34 5.5 4.2 1.4 0.2 setosa
## 35 4.9 3.1 1.5 0.2 setosa
## 36 5.0 3.2 1.2 0.2 setosa
## 37 5.5 3.5 1.3 0.2 setosa
## 38 4.9 3.6 1.4 0.1 setosa
## 39 4.4 3.0 1.3 0.2 setosa
## 40 5.1 3.4 1.5 0.2 setosa
## 41 5.0 3.5 1.3 0.3 setosa
## 42 4.5 2.3 1.3 0.3 setosa
## 43 4.4 3.2 1.3 0.2 setosa
## 44 5.0 3.5 1.6 0.6 setosa
## 45 5.1 3.8 1.9 0.4 setosa
## 46 4.8 3.0 1.4 0.3 setosa
## 47 5.1 3.8 1.6 0.2 setosa
## 48 4.6 3.2 1.4 0.2 setosa
## 49 5.3 3.7 1.5 0.2 setosa
## 50 5.0 3.3 1.4 0.2 setosa
## 101 6.3 3.3 6.0 2.5 virginica
## 102 5.8 2.7 5.1 1.9 virginica
## 103 7.1 3.0 5.9 2.1 virginica
## 104 6.3 2.9 5.6 1.8 virginica
## 105 6.5 3.0 5.8 2.2 virginica
## 106 7.6 3.0 6.6 2.1 virginica
## 107 4.9 2.5 4.5 1.7 virginica
## 108 7.3 2.9 6.3 1.8 virginica
## 109 6.7 2.5 5.8 1.8 virginica
## 110 7.2 3.6 6.1 2.5 virginica
## 111 6.5 3.2 5.1 2.0 virginica
## 112 6.4 2.7 5.3 1.9 virginica
## 113 6.8 3.0 5.5 2.1 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 115 5.8 2.8 5.1 2.4 virginica
## 116 6.4 3.2 5.3 2.3 virginica
## 117 6.5 3.0 5.5 1.8 virginica
## 118 7.7 3.8 6.7 2.2 virginica
## 119 7.7 2.6 6.9 2.3 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 121 6.9 3.2 5.7 2.3 virginica
## 122 5.6 2.8 4.9 2.0 virginica
## 123 7.7 2.8 6.7 2.0 virginica
## 124 6.3 2.7 4.9 1.8 virginica
## 125 6.7 3.3 5.7 2.1 virginica
## 126 7.2 3.2 6.0 1.8 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 128 6.1 3.0 4.9 1.8 virginica
## 129 6.4 2.8 5.6 2.1 virginica
## 130 7.2 3.0 5.8 1.6 virginica
## 131 7.4 2.8 6.1 1.9 virginica
## 132 7.9 3.8 6.4 2.0 virginica
## 133 6.4 2.8 5.6 2.2 virginica
## 134 6.3 2.8 5.1 1.5 virginica
## 135 6.1 2.6 5.6 1.4 virginica
## 136 7.7 3.0 6.1 2.3 virginica
## 137 6.3 3.4 5.6 2.4 virginica
## 138 6.4 3.1 5.5 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 140 6.9 3.1 5.4 2.1 virginica
## 141 6.7 3.1 5.6 2.4 virginica
## 142 6.9 3.1 5.1 2.3 virginica
## 143 5.8 2.7 5.1 1.9 virginica
## 144 6.8 3.2 5.9 2.3 virginica
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginicasqldf("
select * from warpbreaks
where breaks between 20 and 30
")## breaks wool tension
## 1 26 A L
## 2 30 A L
## 3 25 A L
## 4 26 A L
## 5 21 A M
## 6 29 A M
## 7 30 A M
## 8 21 A H
## 9 24 A H
## 10 28 A H
## 11 26 A H
## 12 27 B L
## 13 29 B L
## 14 29 B L
## 15 20 B L
## 16 26 B M
## 17 28 B M
## 18 21 B M
## 19 29 B M
## 20 20 B H
## 21 21 B H
## 22 24 B H
## 23 28 B H#install.packages("PASWR")
data(titanic3, package="PASWR")
head(titanic3)## pclass survived name sex age sibsp parch
## 1 1st 1 Allen, Miss. Elisabeth Walton female 29.0000 0 0
## 2 1st 1 Allison, Master. Hudson Trevor male 0.9167 1 2
## 3 1st 0 Allison, Miss. Helen Loraine female 2.0000 1 2
## 4 1st 0 Allison, Mr. Hudson Joshua Crei male 30.0000 1 2
## 5 1st 0 Allison, Mrs. Hudson J C (Bessi female 25.0000 1 2
## 6 1st 1 Anderson, Mr. Harry male 48.0000 0 0
## ticket fare cabin embarked boat body home.dest
## 1 24160 211.3375 B5 Southampton 2 NA St Louis, MO
## 2 113781 151.5500 C22 C26 Southampton 11 NA Montreal, PQ / Chesterville, ON
## 3 113781 151.5500 C22 C26 Southampton NA Montreal, PQ / Chesterville, ON
## 4 113781 151.5500 C22 C26 Southampton 135 Montreal, PQ / Chesterville, ON
## 5 113781 151.5500 C22 C26 Southampton NA Montreal, PQ / Chesterville, ON
## 6 19952 26.5500 E12 Southampton 3 NA New York, NYsqldf("
select age, count(*)
from titanic3
where age is not null
group by age
")## age count(*)
## 1 0.1667 1
## 2 0.3333 1
## 3 0.4167 1
## 4 0.6667 1
## 5 0.7500 3
## 6 0.8333 3
## 7 0.9167 2
## 8 1.0000 10
## 9 2.0000 12
## 10 3.0000 7
## 11 4.0000 10
## 12 5.0000 5
## 13 6.0000 6
## 14 7.0000 4
## 15 8.0000 6
## 16 9.0000 10
## 17 10.0000 4
## 18 11.0000 4
## 19 11.5000 1
## 20 12.0000 3
## 21 13.0000 5
## 22 14.0000 8
## 23 14.5000 2
## 24 15.0000 6
## 25 16.0000 19
## 26 17.0000 20
## 27 18.0000 39
## 28 18.5000 3
## 29 19.0000 29
## 30 20.0000 23
## 31 20.5000 1
## 32 21.0000 41
## 33 22.0000 43
## 34 22.5000 1
## 35 23.0000 26
## 36 23.5000 1
## 37 24.0000 47
## 38 24.5000 1
## 39 25.0000 34
## 40 26.0000 30
## 41 26.5000 1
## 42 27.0000 30
## 43 28.0000 32
## 44 28.5000 3
## 45 29.0000 30
## 46 30.0000 40
## 47 30.5000 2
## 48 31.0000 23
## 49 32.0000 24
## 50 32.5000 4
## 51 33.0000 21
## 52 34.0000 16
## 53 34.5000 2
## 54 35.0000 23
## 55 36.0000 31
## 56 36.5000 2
## 57 37.0000 9
## 58 38.0000 14
## 59 38.5000 1
## 60 39.0000 20
## 61 40.0000 18
## 62 40.5000 3
## 63 41.0000 11
## 64 42.0000 18
## 65 43.0000 9
## 66 44.0000 10
## 67 45.0000 21
## 68 45.5000 2
## 69 46.0000 6
## 70 47.0000 14
## 71 48.0000 14
## 72 49.0000 9
## 73 50.0000 15
## 74 51.0000 8
## 75 52.0000 6
## 76 53.0000 4
## 77 54.0000 10
## 78 55.0000 8
## 79 55.5000 1
## 80 56.0000 4
## 81 57.0000 5
## 82 58.0000 6
## 83 59.0000 3
## 84 60.0000 7
## 85 60.5000 1
## 86 61.0000 5
## 87 62.0000 5
## 88 63.0000 4
## 89 64.0000 5
## 90 65.0000 3
## 91 66.0000 1
## 92 67.0000 1
## 93 70.0000 2
## 94 70.5000 1
## 95 71.0000 2
## 96 74.0000 1
## 97 76.0000 1
## 98 80.0000 1DF <- sqldf("
select age from titanic3 where age !='NA'
")
DF## age
## 1 29.0000
## 2 0.9167
## 3 2.0000
## 4 30.0000
## 5 25.0000
## 6 48.0000
## 7 63.0000
## 8 39.0000
## 9 53.0000
## 10 71.0000
## 11 47.0000
## 12 18.0000
## 13 24.0000
## 14 26.0000
## 15 80.0000
## 16 24.0000
## 17 50.0000
## 18 32.0000
## 19 36.0000
## 20 37.0000
## 21 47.0000
## 22 26.0000
## 23 42.0000
## 24 29.0000
## 25 25.0000
## 26 25.0000
## 27 19.0000
## 28 35.0000
## 29 28.0000
## 30 45.0000
## 31 40.0000
## 32 30.0000
## 33 58.0000
## 34 42.0000
## 35 45.0000
## 36 22.0000
## 37 41.0000
## 38 48.0000
## 39 44.0000
## 40 59.0000
## 41 60.0000
## 42 41.0000
## 43 45.0000
## 44 42.0000
## 45 53.0000
## 46 36.0000
## 47 58.0000
## 48 33.0000
## 49 28.0000
## 50 17.0000
## 51 11.0000
## 52 14.0000
## 53 36.0000
## 54 36.0000
## 55 49.0000
## 56 36.0000
## 57 76.0000
## 58 46.0000
## 59 47.0000
## 60 27.0000
## 61 33.0000
## 62 36.0000
## 63 30.0000
## 64 45.0000
## 65 27.0000
## 66 26.0000
## 67 22.0000
## 68 47.0000
## 69 39.0000
## 70 37.0000
## 71 64.0000
## 72 55.0000
## 73 70.0000
## 74 36.0000
## 75 64.0000
## 76 39.0000
## 77 38.0000
## 78 51.0000
## 79 27.0000
## 80 33.0000
## 81 31.0000
## 82 27.0000
## 83 31.0000
## 84 17.0000
## 85 53.0000
## 86 4.0000
## 87 54.0000
## 88 50.0000
## 89 27.0000
## 90 48.0000
## 91 48.0000
## 92 49.0000
## 93 39.0000
## 94 23.0000
## 95 38.0000
## 96 54.0000
## 97 36.0000
## 98 36.0000
## 99 30.0000
## 100 24.0000
## 101 28.0000
## 102 23.0000
## 103 19.0000
## 104 64.0000
## 105 60.0000
## 106 30.0000
## 107 50.0000
## 108 43.0000
## 109 22.0000
## 110 60.0000
## 111 48.0000
## 112 37.0000
## 113 35.0000
## 114 47.0000
## 115 35.0000
## 116 22.0000
## 117 45.0000
## 118 24.0000
## 119 49.0000
## 120 71.0000
## 121 53.0000
## 122 19.0000
## 123 38.0000
## 124 58.0000
## 125 23.0000
## 126 45.0000
## 127 46.0000
## 128 25.0000
## 129 25.0000
## 130 48.0000
## 131 49.0000
## 132 45.0000
## 133 35.0000
## 134 40.0000
## 135 27.0000
## 136 24.0000
## 137 55.0000
## 138 52.0000
## 139 42.0000
## 140 55.0000
## 141 16.0000
## 142 44.0000
## 143 51.0000
## 144 42.0000
## 145 35.0000
## 146 35.0000
## 147 38.0000
## 148 35.0000
## 149 38.0000
## 150 50.0000
## 151 49.0000
## 152 46.0000
## 153 50.0000
## 154 32.5000
## 155 58.0000
## 156 41.0000
## 157 42.0000
## 158 45.0000
## 159 39.0000
## 160 49.0000
## 161 30.0000
## 162 35.0000
## 163 42.0000
## 164 55.0000
## 165 16.0000
## 166 51.0000
## 167 29.0000
## 168 21.0000
## 169 30.0000
## 170 58.0000
## 171 15.0000
## 172 30.0000
## 173 16.0000
## 174 19.0000
## 175 18.0000
## 176 24.0000
## 177 46.0000
## 178 54.0000
## 179 36.0000
## 180 28.0000
## 181 65.0000
## 182 44.0000
## 183 33.0000
## 184 37.0000
## 185 30.0000
## 186 55.0000
## 187 47.0000
## 188 37.0000
## 189 31.0000
## 190 23.0000
## 191 58.0000
## 192 19.0000
## 193 64.0000
## 194 39.0000
## 195 22.0000
## 196 65.0000
## 197 28.5000
## 198 45.5000
## 199 23.0000
## 200 29.0000
## 201 22.0000
## 202 18.0000
## 203 17.0000
## 204 30.0000
## 205 52.0000
## 206 47.0000
## 207 56.0000
## 208 38.0000
## 209 22.0000
## 210 43.0000
## 211 31.0000
## 212 45.0000
## 213 33.0000
## 214 46.0000
## 215 36.0000
## 216 33.0000
## 217 55.0000
## 218 54.0000
## 219 33.0000
## 220 13.0000
## 221 18.0000
## 222 21.0000
## 223 61.0000
## 224 48.0000
## 225 24.0000
## 226 35.0000
## 227 30.0000
## 228 34.0000
## 229 40.0000
## 230 35.0000
## 231 50.0000
## 232 39.0000
## 233 56.0000
## 234 28.0000
## 235 56.0000
## 236 56.0000
## 237 24.0000
## 238 18.0000
## 239 24.0000
## 240 23.0000
## 241 6.0000
## 242 45.0000
## 243 40.0000
## 244 57.0000
## 245 32.0000
## 246 62.0000
## 247 54.0000
## 248 43.0000
## 249 52.0000
## 250 62.0000
## 251 67.0000
## 252 63.0000
## 253 61.0000
## 254 48.0000
## 255 18.0000
## 256 52.0000
## 257 39.0000
## 258 48.0000
## 259 49.0000
## 260 17.0000
## 261 39.0000
## 262 31.0000
## 263 40.0000
## 264 61.0000
## 265 47.0000
## 266 35.0000
## 267 64.0000
## 268 60.0000
## 269 60.0000
## 270 54.0000
## 271 21.0000
## 272 55.0000
## 273 31.0000
## 274 57.0000
## 275 45.0000
## 276 50.0000
## 277 27.0000
## 278 50.0000
## 279 21.0000
## 280 51.0000
## 281 21.0000
## 282 31.0000
## 283 62.0000
## 284 36.0000
## 285 30.0000
## 286 28.0000
## 287 30.0000
## 288 18.0000
## 289 25.0000
## 290 34.0000
## 291 36.0000
## 292 57.0000
## 293 18.0000
## 294 23.0000
## 295 36.0000
## 296 28.0000
## 297 51.0000
## 298 32.0000
## 299 19.0000
## 300 28.0000
## 301 1.0000
## 302 4.0000
## 303 12.0000
## 304 36.0000
## 305 34.0000
## 306 19.0000
## 307 23.0000
## 308 26.0000
## 309 42.0000
## 310 27.0000
## 311 24.0000
## 312 15.0000
## 313 60.0000
## 314 40.0000
## 315 20.0000
## 316 25.0000
## 317 36.0000
## 318 25.0000
## 319 42.0000
## 320 42.0000
## 321 0.8333
## 322 26.0000
## 323 22.0000
## 324 35.0000
## 325 19.0000
## 326 44.0000
## 327 54.0000
## 328 52.0000
## 329 37.0000
## 330 29.0000
## 331 25.0000
## 332 45.0000
## 333 29.0000
## 334 28.0000
## 335 29.0000
## 336 28.0000
## 337 24.0000
## 338 8.0000
## 339 31.0000
## 340 31.0000
## 341 22.0000
## 342 30.0000
## 343 21.0000
## 344 8.0000
## 345 18.0000
## 346 48.0000
## 347 28.0000
## 348 32.0000
## 349 17.0000
## 350 29.0000
## 351 24.0000
## 352 25.0000
## 353 18.0000
## 354 18.0000
## 355 34.0000
## 356 54.0000
## 357 8.0000
## 358 42.0000
## 359 34.0000
## 360 27.0000
## 361 30.0000
## 362 23.0000
## 363 21.0000
## 364 18.0000
## 365 40.0000
## 366 29.0000
## 367 18.0000
## 368 36.0000
## 369 38.0000
## 370 35.0000
## 371 38.0000
## 372 34.0000
## 373 34.0000
## 374 16.0000
## 375 26.0000
## 376 47.0000
## 377 21.0000
## 378 21.0000
## 379 24.0000
## 380 24.0000
## 381 34.0000
## 382 30.0000
## 383 52.0000
## 384 30.0000
## 385 0.6667
## 386 24.0000
## 387 44.0000
## 388 6.0000
## 389 28.0000
## 390 62.0000
## 391 30.0000
## 392 7.0000
## 393 43.0000
## 394 45.0000
## 395 24.0000
## 396 24.0000
## 397 49.0000
## 398 48.0000
## 399 55.0000
## 400 24.0000
## 401 32.0000
## 402 21.0000
## 403 18.0000
## 404 20.0000
## 405 23.0000
## 406 36.0000
## 407 54.0000
## 408 50.0000
## 409 44.0000
## 410 29.0000
## 411 21.0000
## 412 42.0000
## 413 63.0000
## 414 60.0000
## 415 33.0000
## 416 17.0000
## 417 42.0000
## 418 24.0000
## 419 47.0000
## 420 24.0000
## 421 22.0000
## 422 32.0000
## 423 23.0000
## 424 34.0000
## 425 24.0000
## 426 22.0000
## 427 35.0000
## 428 45.0000
## 429 57.0000
## 430 31.0000
## 431 26.0000
## 432 30.0000
## 433 1.0000
## 434 3.0000
## 435 25.0000
## 436 22.0000
## 437 17.0000
## 438 34.0000
## 439 36.0000
## 440 24.0000
## 441 61.0000
## 442 50.0000
## 443 42.0000
## 444 57.0000
## 445 1.0000
## 446 31.0000
## 447 24.0000
## 448 30.0000
## 449 40.0000
## 450 32.0000
## 451 30.0000
## 452 46.0000
## 453 13.0000
## 454 41.0000
## 455 19.0000
## 456 39.0000
## 457 48.0000
## 458 70.0000
## 459 27.0000
## 460 54.0000
## 461 39.0000
## 462 16.0000
## 463 62.0000
## 464 32.5000
## 465 14.0000
## 466 2.0000
## 467 3.0000
## 468 36.5000
## 469 26.0000
## 470 19.0000
## 471 28.0000
## 472 20.0000
## 473 29.0000
## 474 39.0000
## 475 22.0000
## 476 23.0000
## 477 29.0000
## 478 28.0000
## 479 50.0000
## 480 19.0000
## 481 41.0000
## 482 21.0000
## 483 19.0000
## 484 43.0000
## 485 32.0000
## 486 34.0000
## 487 30.0000
## 488 27.0000
## 489 2.0000
## 490 8.0000
## 491 33.0000
## 492 36.0000
## 493 34.0000
## 494 30.0000
## 495 28.0000
## 496 23.0000
## 497 0.8333
## 498 3.0000
## 499 24.0000
## 500 50.0000
## 501 19.0000
## 502 21.0000
## 503 26.0000
## 504 25.0000
## 505 27.0000
## 506 25.0000
## 507 18.0000
## 508 20.0000
## 509 30.0000
## 510 59.0000
## 511 30.0000
## 512 35.0000
## 513 40.0000
## 514 25.0000
## 515 41.0000
## 516 25.0000
## 517 18.5000
## 518 14.0000
## 519 50.0000
## 520 23.0000
## 521 28.0000
## 522 27.0000
## 523 29.0000
## 524 27.0000
## 525 40.0000
## 526 31.0000
## 527 30.0000
## 528 23.0000
## 529 31.0000
## 530 12.0000
## 531 40.0000
## 532 32.5000
## 533 27.0000
## 534 29.0000
## 535 2.0000
## 536 4.0000
## 537 29.0000
## 538 0.9167
## 539 5.0000
## 540 36.0000
## 541 33.0000
## 542 66.0000
## 543 31.0000
## 544 26.0000
## 545 24.0000
## 546 42.0000
## 547 13.0000
## 548 16.0000
## 549 35.0000
## 550 16.0000
## 551 25.0000
## 552 20.0000
## 553 18.0000
## 554 30.0000
## 555 26.0000
## 556 40.0000
## 557 0.8333
## 558 18.0000
## 559 26.0000
## 560 26.0000
## 561 20.0000
## 562 24.0000
## 563 25.0000
## 564 35.0000
## 565 18.0000
## 566 32.0000
## 567 19.0000
## 568 4.0000
## 569 6.0000
## 570 2.0000
## 571 17.0000
## 572 38.0000
## 573 9.0000
## 574 11.0000
## 575 39.0000
## 576 27.0000
## 577 26.0000
## 578 39.0000
## 579 20.0000
## 580 26.0000
## 581 25.0000
## 582 18.0000
## 583 24.0000
## 584 35.0000
## 585 5.0000
## 586 9.0000
## 587 3.0000
## 588 13.0000
## 589 5.0000
## 590 40.0000
## 591 23.0000
## 592 38.0000
## 593 45.0000
## 594 21.0000
## 595 23.0000
## 596 17.0000
## 597 30.0000
## 598 23.0000
## 599 13.0000
## 600 20.0000
## 601 32.0000
## 602 33.0000
## 603 0.7500
## 604 0.7500
## 605 5.0000
## 606 24.0000
## 607 18.0000
## 608 40.0000
## 609 26.0000
## 610 20.0000
## 611 18.0000
## 612 45.0000
## 613 27.0000
## 614 22.0000
## 615 19.0000
## 616 26.0000
## 617 22.0000
## 618 20.0000
## 619 32.0000
## 620 21.0000
## 621 18.0000
## 622 26.0000
## 623 6.0000
## 624 9.0000
## 625 40.0000
## 626 32.0000
## 627 21.0000
## 628 22.0000
## 629 20.0000
## 630 29.0000
## 631 22.0000
## 632 22.0000
## 633 35.0000
## 634 18.5000
## 635 21.0000
## 636 19.0000
## 637 18.0000
## 638 21.0000
## 639 30.0000
## 640 18.0000
## 641 38.0000
## 642 17.0000
## 643 17.0000
## 644 21.0000
## 645 21.0000
## 646 21.0000
## 647 28.0000
## 648 24.0000
## 649 16.0000
## 650 37.0000
## 651 28.0000
## 652 24.0000
## 653 21.0000
## 654 32.0000
## 655 29.0000
## 656 26.0000
## 657 18.0000
## 658 20.0000
## 659 18.0000
## 660 24.0000
## 661 36.0000
## 662 24.0000
## 663 31.0000
## 664 31.0000
## 665 22.0000
## 666 30.0000
## 667 70.5000
## 668 43.0000
## 669 35.0000
## 670 27.0000
## 671 19.0000
## 672 30.0000
## 673 9.0000
## 674 3.0000
## 675 36.0000
## 676 59.0000
## 677 19.0000
## 678 17.0000
## 679 44.0000
## 680 17.0000
## 681 22.5000
## 682 45.0000
## 683 22.0000
## 684 19.0000
## 685 30.0000
## 686 29.0000
## 687 0.3333
## 688 34.0000
## 689 28.0000
## 690 27.0000
## 691 25.0000
## 692 24.0000
## 693 22.0000
## 694 21.0000
## 695 17.0000
## 696 36.5000
## 697 36.0000
## 698 30.0000
## 699 16.0000
## 700 1.0000
## 701 0.1667
## 702 26.0000
## 703 33.0000
## 704 25.0000
## 705 22.0000
## 706 36.0000
## 707 19.0000
## 708 17.0000
## 709 42.0000
## 710 43.0000
## 711 32.0000
## 712 19.0000
## 713 30.0000
## 714 24.0000
## 715 23.0000
## 716 33.0000
## 717 65.0000
## 718 24.0000
## 719 23.0000
## 720 22.0000
## 721 18.0000
## 722 16.0000
## 723 45.0000
## 724 39.0000
## 725 17.0000
## 726 15.0000
## 727 47.0000
## 728 5.0000
## 729 40.5000
## 730 40.5000
## 731 18.0000
## 732 26.0000
## 733 21.0000
## 734 9.0000
## 735 18.0000
## 736 16.0000
## 737 48.0000
## 738 25.0000
## 739 22.0000
## 740 16.0000
## 741 9.0000
## 742 33.0000
## 743 41.0000
## 744 31.0000
## 745 38.0000
## 746 9.0000
## 747 1.0000
## 748 11.0000
## 749 10.0000
## 750 16.0000
## 751 14.0000
## 752 40.0000
## 753 43.0000
## 754 51.0000
## 755 32.0000
## 756 20.0000
## 757 37.0000
## 758 28.0000
## 759 19.0000
## 760 24.0000
## 761 17.0000
## 762 28.0000
## 763 24.0000
## 764 20.0000
## 765 23.5000
## 766 41.0000
## 767 26.0000
## 768 21.0000
## 769 45.0000
## 770 25.0000
## 771 11.0000
## 772 27.0000
## 773 18.0000
## 774 26.0000
## 775 23.0000
## 776 22.0000
## 777 28.0000
## 778 28.0000
## 779 2.0000
## 780 22.0000
## 781 43.0000
## 782 28.0000
## 783 27.0000
## 784 42.0000
## 785 30.0000
## 786 27.0000
## 787 25.0000
## 788 29.0000
## 789 21.0000
## 790 20.0000
## 791 48.0000
## 792 17.0000
## 793 34.0000
## 794 26.0000
## 795 22.0000
## 796 33.0000
## 797 31.0000
## 798 29.0000
## 799 4.0000
## 800 1.0000
## 801 49.0000
## 802 33.0000
## 803 19.0000
## 804 27.0000
## 805 23.0000
## 806 32.0000
## 807 27.0000
## 808 20.0000
## 809 21.0000
## 810 32.0000
## 811 17.0000
## 812 21.0000
## 813 30.0000
## 814 21.0000
## 815 33.0000
## 816 22.0000
## 817 4.0000
## 818 39.0000
## 819 18.5000
## 820 34.5000
## 821 44.0000
## 822 22.0000
## 823 26.0000
## 824 4.0000
## 825 29.0000
## 826 26.0000
## 827 1.0000
## 828 18.0000
## 829 36.0000
## 830 25.0000
## 831 37.0000
## 832 22.0000
## 833 26.0000
## 834 29.0000
## 835 29.0000
## 836 22.0000
## 837 22.0000
## 838 32.0000
## 839 34.5000
## 840 36.0000
## 841 39.0000
## 842 24.0000
## 843 25.0000
## 844 45.0000
## 845 36.0000
## 846 30.0000
## 847 20.0000
## 848 28.0000
## 849 30.0000
## 850 26.0000
## 851 20.5000
## 852 27.0000
## 853 51.0000
## 854 23.0000
## 855 32.0000
## 856 24.0000
## 857 22.0000
## 858 29.0000
## 859 30.5000
## 860 35.0000
## 861 33.0000
## 862 15.0000
## 863 35.0000
## 864 24.0000
## 865 19.0000
## 866 55.5000
## 867 21.0000
## 868 24.0000
## 869 21.0000
## 870 28.0000
## 871 25.0000
## 872 6.0000
## 873 27.0000
## 874 34.0000
## 875 24.0000
## 876 18.0000
## 877 22.0000
## 878 15.0000
## 879 1.0000
## 880 20.0000
## 881 19.0000
## 882 33.0000
## 883 12.0000
## 884 14.0000
## 885 29.0000
## 886 28.0000
## 887 18.0000
## 888 26.0000
## 889 21.0000
## 890 41.0000
## 891 39.0000
## 892 21.0000
## 893 28.5000
## 894 22.0000
## 895 61.0000
## 896 23.0000
## 897 22.0000
## 898 9.0000
## 899 28.0000
## 900 42.0000
## 901 31.0000
## 902 28.0000
## 903 32.0000
## 904 20.0000
## 905 23.0000
## 906 20.0000
## 907 20.0000
## 908 16.0000
## 909 31.0000
## 910 2.0000
## 911 6.0000
## 912 3.0000
## 913 8.0000
## 914 29.0000
## 915 1.0000
## 916 7.0000
## 917 2.0000
## 918 16.0000
## 919 14.0000
## 920 41.0000
## 921 21.0000
## 922 19.0000
## 923 32.0000
## 924 0.7500
## 925 3.0000
## 926 26.0000
## 927 21.0000
## 928 25.0000
## 929 22.0000
## 930 25.0000
## 931 24.0000
## 932 28.0000
## 933 19.0000
## 934 25.0000
## 935 18.0000
## 936 32.0000
## 937 17.0000
## 938 24.0000
## 939 38.0000
## 940 21.0000
## 941 10.0000
## 942 4.0000
## 943 7.0000
## 944 2.0000
## 945 8.0000
## 946 39.0000
## 947 22.0000
## 948 35.0000
## 949 50.0000
## 950 47.0000
## 951 2.0000
## 952 18.0000
## 953 41.0000
## 954 50.0000
## 955 16.0000
## 956 25.0000
## 957 38.5000
## 958 14.5000
## 959 24.0000
## 960 21.0000
## 961 39.0000
## 962 1.0000
## 963 24.0000
## 964 4.0000
## 965 25.0000
## 966 20.0000
## 967 24.5000
## 968 29.0000
## 969 22.0000
## 970 40.0000
## 971 21.0000
## 972 18.0000
## 973 4.0000
## 974 10.0000
## 975 9.0000
## 976 2.0000
## 977 40.0000
## 978 45.0000
## 979 19.0000
## 980 30.0000
## 981 32.0000
## 982 33.0000
## 983 23.0000
## 984 21.0000
## 985 60.5000
## 986 19.0000
## 987 22.0000
## 988 31.0000
## 989 27.0000
## 990 2.0000
## 991 29.0000
## 992 16.0000
## 993 44.0000
## 994 25.0000
## 995 74.0000
## 996 14.0000
## 997 24.0000
## 998 25.0000
## 999 34.0000
## 1000 0.4167
## 1001 16.0000
## 1002 32.0000
## 1003 30.5000
## 1004 44.0000
## 1005 25.0000
## 1006 7.0000
## 1007 9.0000
## 1008 29.0000
## 1009 36.0000
## 1010 18.0000
## 1011 63.0000
## 1012 11.5000
## 1013 40.5000
## 1014 10.0000
## 1015 36.0000
## 1016 30.0000
## 1017 33.0000
## 1018 28.0000
## 1019 28.0000
## 1020 47.0000
## 1021 18.0000
## 1022 31.0000
## 1023 16.0000
## 1024 31.0000
## 1025 22.0000
## 1026 20.0000
## 1027 14.0000
## 1028 22.0000
## 1029 22.0000
## 1030 32.5000
## 1031 38.0000
## 1032 51.0000
## 1033 18.0000
## 1034 21.0000
## 1035 47.0000
## 1036 28.5000
## 1037 21.0000
## 1038 27.0000
## 1039 36.0000
## 1040 27.0000
## 1041 15.0000
## 1042 45.5000
## 1043 14.5000
## 1044 26.5000
## 1045 27.0000
## 1046 29.0000시각화는 2일차애 배웠듯이 ggplot2 패키지를 통해 가능하다.
require(ggplot2)## Loading required package: ggplot2qplot(DF$age, data=DF, geom = 'histogram')## Warning: Use of `DF$age` is discouraged. Use `age` instead.## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
DF <- sqldf("
select count(*) total from titanic3
where age=29
group by survived
")
DF2 <- t(DF)
colnames(DF2) <- c("Died", "Survived")
DF2## Died Survived
## total 17 13#write.csv(iris, "iris.csv")
iris2 <- read.csv.sql(
"iris.csv",
sql = "
select * from file
where Species = 'setosa'
"
)
iris2## [1] X Sepal.Length Sepal.Width Petal.Length Petal.Width
## [6] Species
## <0 rows> (or 0-length row.names)mtcars 데이터를 sqldf()를 이용해 구조화해보도록 한다.
sqldf(
"select * from mtcars
where mpg between 20 and 30"
)## mpg cyl disp hp drat wt qsec vs am gear carb
## 1 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## 2 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## 3 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## 4 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## 5 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## 6 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## 7 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## 8 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## 9 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## 10 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2mtcars$carnames <- rownames(mtcars)
sqldf(
"select * from mtcars
where carnames like 'Merc%'"
)%>%
ggplot(aes(x=wt, y=hp)
) +
geom_point() +
geom_smooth(method="lm", col="red") +
geom_text(aes(y=hp, label=carnames))## `geom_smooth()` using formula 'y ~ x'
###연습문제1
library(readxl)
library <- read_excel("C:/Users/SEC/Desktop/useofthelibrary.xlsx")
View(library)hist(library$전체만족도)
mean(library$전체만족도)## [1] 3.228986var(library$전체만족도)## [1] 2.927064sd(library$전체만족도)## [1] 1.710867fivenum(library$전체만족도)## [1] 1 2 3 4 7###샘플링 ###연습문제2
table(library$신분)##
## 1 2 3 4 5 6
## 100 63 117 23 21 21table(library$신분, library$학력)##
## 1 2 3
## 1 85 15 0
## 2 2 48 13
## 3 53 28 36
## 4 19 4 0
## 5 4 17 0
## 6 0 4 17library[sample(nrow(library), 10), ]## Warning: `...` is not empty.
##
## We detected these problematic arguments:
## * `needs_dots`
##
## These dots only exist to allow future extensions and should be empty.
## Did you misspecify an argument?## # A tibble: 10 x 40
## ID 정보시스템1 정보시스템2 정보시스템3 정보시스템4 정보시스템5 정보시스템6
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 P_13 3 1 1 2 1 4
## 2 P_180 4 1 2 2 2 5
## 3 P_112 3 3 3 3 3 3
## 4 P_325 5 7 5 7 7 5
## 5 P_84 5 3 5 5 5 3
## 6 P_123 4 2 2 2 2 5
## 7 P_172 6 1 6 6 3 4
## 8 P_260 3 3 2 3 3 3
## 9 P_204 7 5 7 7 4 5
## 10 P_223 7 7 5 3 5 5
## # ... with 33 more variables: 정보시스템7 <dbl>, 정보시스템8 <dbl>,
## # 정보시스템9 <dbl>, 정보시스템10 <dbl>, 정보시스템11 <dbl>,
## # 정보시스템12 <dbl>, 정보시스템13 <dbl>, 디지털장서01 <dbl>,
## # 디지털장서02 <dbl>, 디지털장서03 <dbl>, 디지털장서04 <dbl>,
## # 디지털장서05 <dbl>, 디지털장서06 <dbl>, 디지털장서07 <dbl>, X3_1 <dbl>,
## # X3_2 <dbl>, X3_3 <dbl>, X3_4 <dbl>, X3_5 <dbl>, X3_6 <dbl>, X3_7 <dbl>,
## # X3_8 <dbl>, X3_9 <dbl>, X3_10 <dbl>, 전체만족도 <dbl>, 고객불평 <dbl>,
## # 재사용의도1 <dbl>, 재사용의도2 <dbl>, 이용횟수 <dbl>, 신분 <dbl>,
## # 학력 <dbl>, 연령 <dbl>, 성별 <dbl>다음은 층화추출 기법을 이용하여 데이터를 추출한 것이다.
#install.packages("sampling")
require(sampling)## Loading required package: samplingstrata(c("학력"), size=c(3,3,3), method="srswor", data=library)## 학력 ID_unit Prob Stratum
## 141 1 141 0.01840491 1
## 258 1 258 0.01840491 1
## 267 1 267 0.01840491 1
## 51 2 51 0.02586207 2
## 87 2 87 0.02586207 2
## 202 2 202 0.02586207 2
## 40 3 40 0.04545455 3
## 47 3 47 0.04545455 3
## 234 3 234 0.04545455 3###가설검증
boxplot(library$성별, library$전체만족도)
t.test(library$성별, library$전체만족도)##
## Welch Two Sample t-test
##
## data: library$성별 and library$전체만족도
## t = -17.347, df = 401.52, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.852316 -1.475221
## sample estimates:
## mean of x mean of y
## 1.565217 3.228986