PENGOLAHAN OBJECT, STRUKTUR KENDALI DAN MANAJEMENT DATA FRAME
Pengolahan Object
Terdapat bebepa object yag ada di R diantaranya adalah :
Vector
Vector terbagi atas dua yaitu vector character dan vector numeric. Ada pun pengolahan pada data vector yang paling sederhana adalah penerapan aljabar seperti + - / %% dan bebrapa seperti fungsi c dan : .
Contoh 1 :
a = 1 + 1
b = 3*2
c = a/bMemanggil data vector dapat menggunakan fungsi c dan masukan beberapa yang diinginkan
data <- c(1,2,4,3,5,4)
data## [1] 1 2 4 3 5 4Nilai vector data yang disusun berurutan ataupun pada penggunaan ke-2 dari : dapat digunakan untuk membuat data yang berutan dari data dapat digunakan
data[3]## [1] 4data[1:2]## [1] 1 2da <- 1:-10
da## [1] 1 0 -1 -2 -3 -4 -5 -6 -7 -8 -9 -10Data vector yang berurutan dapat juga digunakan fungsi seq
data <- seq(from = 1, to = 15, by = 2)
data## [1] 1 3 5 7 9 11 13 15Sedangkan untuk vector numerik fungsi seq tidak dapat digunakan. Adapun beberapa fungsi vector characters adalah nchar() , paste() , substr(), substring() :
nchar
### adalah fungsi yang digunakan untuk menghitung jumlah karakter yang ada dalam sebuah kata ataupun kalimat
a <- c("Ani dan Budi pergi kepasar")
ac <- nchar(a)
ac## [1] 26paste()
Adalah fungsi yang digunakan untuk memanggil atau menulis kembali elemen karakter yang telah di input
ap <- paste(a)
ap## [1] "Ani dan Budi pergi kepasar"substr()
Adalah pemanggilan elemen karakter k hingga k+n dengan urutanya
sub <- substr(a,4,10)
sub## [1] " dan Bu"substring()
fungsi ini bersifat sama dengan substr
sb <- substring(a, 4,10)
sb## [1] " dan Bu"List
List pada dasarnya mirip dengan object vector hanya saja pada data list kia dapat memaukan berbagai jenis element tidak hanya numeric saja ataupun karakter saja.
list(10, "B", c(1,2,3,4))## [[1]]
## [1] 10
##
## [[2]]
## [1] "B"
##
## [[3]]
## [1] 1 2 3 4Data Frame
Sama halnya dengan data list data frame adalah object yang bisa memuat beberapa jenis data dan memiliki 2 dimensi yaitu baris (row ) dan kolom (column)
a = c(1,4,5,6,7)
b = c("aku","bersekolah", "online","setiap", "hari")
data <- data.frame(a,b)
data## a b
## 1 1 aku
## 2 4 bersekolah
## 3 5 online
## 4 6 setiap
## 5 7 haridim
Adalah fungsi untuk melihat dimensi dari data
dim(data)## [1] 5 2Str
str adalah fungsi yang digunakan untuk melihat stuktur dari setiap element data
str(data)## 'data.frame': 5 obs. of 2 variables:
## $ a: num 1 4 5 6 7
## $ b: chr "aku" "bersekolah" "online" "setiap" ...Matrix
Object matrix adalah objek yang memiliki 2 dmensi yaitu baris dan kolom dengan tipe data yang sama. jika element yang di input adalah sebuah numerik maka seluruh bagian element adalah numeric.
ma <- matrix(1:10, ncol = 5, nrow = 2, byrow= FALSE)
ma## [,1] [,2] [,3] [,4] [,5]
## [1,] 1 3 5 7 9
## [2,] 2 4 6 8 10m <- matrix(data= 1, nrow =2, ncol=3)
###Mengambil element yang ada didalam matrix
ma[,3]## [1] 5 6ma[2,4]## [1] 8Struktur Kendali
Struktur kendali merupakan hal yang penting dalam pemogrman, struktur kendali adalah struktur pemograman dengan kondisi atau syarat tertentu. Adapun beberapa bentuk fungsi dari struktur kendali adalah :
If
Penggunaan if() hanya dapat digunakaan jika terdapat satu kondisi saja.
\(if(kondisi){ekspresi jika kondisi benar}\)
x = 9
if(x> 10){
print("Saya tidak ingin belajar")}If else
If else digunakan apabila terdapat minimal dua kondisi selebihnya fungsi ini sama dengan fungsi If
if(kondisi){ ekspresi jika kondisi benar } else { ekspresi jika kondisi salah };
x = 9
if(x> 10){
print("Saya tidak ingin belaja")
}else{
print("Saya ingin belajar 6jam sehari")
}## [1] "Saya ingin belajar 6jam sehari"For
Digunakan ketika kita telah mengetahui berapa jumlah iterasinya
for (i in 1:20)
print(i+2)## [1] 3
## [1] 4
## [1] 5
## [1] 6
## [1] 7
## [1] 8
## [1] 9
## [1] 10
## [1] 11
## [1] 12
## [1] 13
## [1] 14
## [1] 15
## [1] 16
## [1] 17
## [1] 18
## [1] 19
## [1] 20
## [1] 21
## [1] 22Contoh : Membangkitkan data distribusi uniform sebanyak 20 dengan kondisi if
d <- rnorm(20,mean = 0,sd = 1)
for(i in d){
if(i<=0.5){
print(i-0.005)
} else print(i+0.005)
}## [1] 1.613865
## [1] 1.455678
## [1] -2.195957
## [1] -0.4371252
## [1] 2.044881
## [1] 0.3742114
## [1] -0.2208326
## [1] -0.3204569
## [1] 0.1276655
## [1] -1.870382
## [1] 0.3095912
## [1] -0.08830634
## [1] -0.324971
## [1] 1.840809
## [1] 1.205718
## [1] -0.4939729
## [1] 0.967698
## [1] 0.8819918
## [1] 0.4206997
## [1] 0.8738076While
Perbedaan dari penggunaan while dan for adalah diketahuinya jumlah iterasi yang akan dijalanka
i <- 1
while (i<= 20){ ## menunjukan rentang nilai yang diinginkan
print(i+2)
i=i+1 ##menunjukan bahwa nilai berjalan berurutan
}## [1] 3
## [1] 4
## [1] 5
## [1] 6
## [1] 7
## [1] 8
## [1] 9
## [1] 10
## [1] 11
## [1] 12
## [1] 13
## [1] 14
## [1] 15
## [1] 16
## [1] 17
## [1] 18
## [1] 19
## [1] 20
## [1] 21
## [1] 22z = 0
while (z<=10){
y = rnorm(20,0,1)
z = sum(y)
print(z)
break
}## [1] -1.581492Switch
Switch adalah fungsi yang hampir mirip dengan fungsi if, dimana fungsi ini digunakan untuk fungsi ini akan menjalakna satu perintah berdasarkan beberapa piihan yang ada.
x <- runif(12,0,1)
type <- 'perkalian'
switch(type,perkalian = x*2,
pernambaha = x+2,
pengurangan = x^2)## [1] 0.13417376 0.03280674 1.63074905 0.81720886 0.28363417 0.75825847
## [7] 1.99740822 1.22785279 0.97265264 1.80959686 0.85150622 0.16082769Latihan
a <- 0
for(i in 1:5){
b <- a+i
print(b)
a<-b
}## [1] 1
## [1] 3
## [1] 6
## [1] 10
## [1] 15i <- 1
z <- 1
while (z<15){
y<-z+1
print(z)
i<- i+1
break
}## [1] 1i <- 1
m <- 2
repeat{m <- m+1
print(m)
i <- i+1
if(m>15)
break}## [1] 3
## [1] 4
## [1] 5
## [1] 6
## [1] 7
## [1] 8
## [1] 9
## [1] 10
## [1] 11
## [1] 12
## [1] 13
## [1] 14
## [1] 15
## [1] 16Manajement Data Frame
Subsetting Data
Adalah metode yang diinginkan apa bila kita ingin mengakses sebagian dari data yang diinginkan saja. subseting data frame yang paling sering []
Beberapa fungsi Logic yang digunakan pada subseting adalah :
==, !=, >, >=, <, <=, %in%, duplicated,is.na, is.null, is.numeric
data <- iris
head(data)## 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## Disini akan mensubset data berdasarkan row dan column. dimana disini data iris di subset dari row 1 hingga 2 dan column 1,3 dan 4
subiris1 <- data[c(1:2),c(1,3:4)]
head(subiris1)## Sepal.Length Petal.Length Petal.Width
## 1 5.1 1.4 0.2
## 2 4.9 1.4 0.2## Mensubset data berdasarkan perlakuan tertentu
syarat1 <- data$Sepal.Length > 4.5
data2 <- data[syarat1,]
head(data2)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosa## mensubset data dengan 2 perlakuan
syarat2 <- data$Sepal.Length > 4 & data$Species == "virginica"
data3 <- data[syarat2,]
data3## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 101 6.3 3.3 6.0 2.5 virginica
## 102 5.8 2.7 5.1 1.9 virginica
## 103 7.1 3.0 5.9 2.1 virginica
## 104 6.3 2.9 5.6 1.8 virginica
## 105 6.5 3.0 5.8 2.2 virginica
## 106 7.6 3.0 6.6 2.1 virginica
## 107 4.9 2.5 4.5 1.7 virginica
## 108 7.3 2.9 6.3 1.8 virginica
## 109 6.7 2.5 5.8 1.8 virginica
## 110 7.2 3.6 6.1 2.5 virginica
## 111 6.5 3.2 5.1 2.0 virginica
## 112 6.4 2.7 5.3 1.9 virginica
## 113 6.8 3.0 5.5 2.1 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 115 5.8 2.8 5.1 2.4 virginica
## 116 6.4 3.2 5.3 2.3 virginica
## 117 6.5 3.0 5.5 1.8 virginica
## 118 7.7 3.8 6.7 2.2 virginica
## 119 7.7 2.6 6.9 2.3 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 121 6.9 3.2 5.7 2.3 virginica
## 122 5.6 2.8 4.9 2.0 virginica
## 123 7.7 2.8 6.7 2.0 virginica
## 124 6.3 2.7 4.9 1.8 virginica
## 125 6.7 3.3 5.7 2.1 virginica
## 126 7.2 3.2 6.0 1.8 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 128 6.1 3.0 4.9 1.8 virginica
## 129 6.4 2.8 5.6 2.1 virginica
## 130 7.2 3.0 5.8 1.6 virginica
## 131 7.4 2.8 6.1 1.9 virginica
## 132 7.9 3.8 6.4 2.0 virginica
## 133 6.4 2.8 5.6 2.2 virginica
## 134 6.3 2.8 5.1 1.5 virginica
## 135 6.1 2.6 5.6 1.4 virginica
## 136 7.7 3.0 6.1 2.3 virginica
## 137 6.3 3.4 5.6 2.4 virginica
## 138 6.4 3.1 5.5 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 140 6.9 3.1 5.4 2.1 virginica
## 141 6.7 3.1 5.6 2.4 virginica
## 142 6.9 3.1 5.1 2.3 virginica
## 143 5.8 2.7 5.1 1.9 virginica
## 144 6.8 3.2 5.9 2.3 virginica
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginica## Subseting data dengan menggunakan fungsi %in%
sub3 <- data$Petal.Length %in% c(4.5,4.8,5.0)
data4 <- data[sub3,]
data4## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 52 6.4 3.2 4.5 1.5 versicolor
## 56 5.7 2.8 4.5 1.3 versicolor
## 67 5.6 3.0 4.5 1.5 versicolor
## 69 6.2 2.2 4.5 1.5 versicolor
## 71 5.9 3.2 4.8 1.8 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
## 85 5.4 3.0 4.5 1.5 versicolor
## 86 6.0 3.4 4.5 1.6 versicolor
## 107 4.9 2.5 4.5 1.7 virginica
## 114 5.7 2.5 5.0 2.0 virginica
## 120 6.0 2.2 5.0 1.5 virginica
## 127 6.2 2.8 4.8 1.8 virginica
## 139 6.0 3.0 4.8 1.8 virginica
## 147 6.3 2.5 5.0 1.9 virginicaSorting Data
Mengurutkan data berdasarkan beberapa variable atau tertentu dan dilakukan dengan membuat vektor logika.Adapun fungsi yang sering digunakan adalah
##order()
head(order(data$Petal.Width))## [1] 10 13 14 33 38 1#### Atau dapat diaplikasikan sebagai berikut
##sort()
head(sort(data$Sepal.Length))## [1] 4.3 4.4 4.4 4.4 4.5 4.6sor <- order(data$Petal.Lengt)
data5 <- data[sor,]
head(data5)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 23 4.6 3.6 1.0 0.2 setosa
## 14 4.3 3.0 1.1 0.1 setosa
## 15 5.8 4.0 1.2 0.2 setosa
## 36 5.0 3.2 1.2 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 17 5.4 3.9 1.3 0.4 setosa##rev()
head(rev(data$Sepal.Length))## [1] 5.9 6.2 6.5 6.3 6.7 6.7re <- rev(data$Petal.Lengt)
data6 <- data[re,]
head(data6)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 5 5 3.6 1.4 0.2 setosa
## 5.1 5 3.6 1.4 0.2 setosa
## 5.2 5 3.6 1.4 0.2 setosa
## 5.3 5 3.6 1.4 0.2 setosa
## 5.4 5 3.6 1.4 0.2 setosa
## 5.5 5 3.6 1.4 0.2 setosa##rank()
head(rev(data$Sepal.Length))## [1] 5.9 6.2 6.5 6.3 6.7 6.7Recording Data
Digunakan untuk membuat nilai baru dari nilai peubah yang sudah ada. Fungsi yang biasa digunakan adalah ifelse() dan recode
##ifelse()
### Jika dilihat cara logical penambahan nilai dalam variabel
data$kode <- 0*(data$Sepal.Length >= 4) + 1*(data$Sepal.Length <= 4 )
data$kode2 <- ifelse(data$Sepal.Length <=5,1,0)
data$kode2## [1] 0 1 1 1 1 0 1 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 1 0 1 1 1 0 0 1 1 0 0 0 1 1 0
## [38] 1 1 0 1 1 1 1 0 1 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
## [75] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
## [112] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [149] 0 0Merging Data
Adalah suatu proses yang digunakan untuk memperluas data. dapat digunakan dengan fungsi rbind() , cbind, dan marge()
##rbind
### adalah rbind adalah mengabungkan row atau baris
number1 <- 1:4
number2 <- 2:8
number <- rbind(number1,number2)## Warning in rbind(number1, number2): number of columns of result is not a
## multiple of vector length (arg 1)number## [,1] [,2] [,3] [,4] [,5] [,6] [,7]
## number1 1 2 3 4 1 2 3
## number2 2 3 4 5 6 7 8##atau dapat dengan matrix
matrix1 <- matrix(1:5,5,1)
matrix2 <- matrix(6:10,5,1)
matrix <- rbind(matrix1,matrix2)
##cbind
matrixc <- cbind(matrix1,matrix2)
matrixc## [,1] [,2]
## [1,] 1 6
## [2,] 2 7
## [3,] 3 8
## [4,] 4 9
## [5,] 5 10Reshaping Data
Membentuk data baru dengan cara:
- Long to wide format
### Long to Wide
data <- data.frame(
Nama = c("Andi","Budi","Jumiten","Azre"),
Kelas = c("1A","1A","1B","1B"),
GPA = c(3.4,3.3,3.25,3.6),
Peringkat = c(2,3,4,1))
data## Nama Kelas GPA Peringkat
## 1 Andi 1A 3.40 2
## 2 Budi 1A 3.30 3
## 3 Jumiten 1B 3.25 4
## 4 Azre 1B 3.60 1R = reshape(data,idvar=c("Nama","Kelas"),timevar = "Peringkat",direction = "wide")
R## Nama Kelas GPA.2 GPA.3 GPA.4 GPA.1
## 1 Andi 1A 3.4 NA NA NA
## 2 Budi 1A NA 3.3 NA NA
## 3 Jumiten 1B NA NA 3.25 NA
## 4 Azre 1B NA NA NA 3.6