R 存活指令

The R survival guide for LADs (Linguistic Analysis and Data Science)

三分鐘上手指令

> head(iris)
> str(iris)
> summary(iris)
> plot(iris)

變數、資料類型與基本運算

variables, data types and basic arithmetic

• 變數與賦值

  • 變數命名大小寫有區別 (x 和 X 不一樣)

  • 賦值算子 <-，= 貌似可以，但 R 官方文件強調不該使用，在某些地方會失效。

> x <- 38
> x

• 基本算術運算

  加減乘除、次方、平方根、商數與餘數、指數與對數、等等。

> 20^3
> exp(20)
> logl0(100)

• 資料類型 (data type) 包含以下幾種，可用 class() 函數判斷

  • 文字字串 (character)：用 "" 包起來。 is.character()

  • 實數 (或數值) (numeric)：is.numeric()

  • 整數 (integer)：is.integer()

  • 複數 (complex)：is.complex()

  • 邏輯 (logical)：TRUE (1) 或 FALSE (0) is.logical()

  • 日期 (data): as.Data和 as.POSTXct 進一步可考慮 lubridate 套件

遺失值與虛無值

一般資料都有遺漏的部分，在 R 中使用 NA 來表示，亦即 NA (missing value) 是保留字，作為一種邏輯常數。

> NA <-2
Error in NA <- 2 : (do_set) 賦值公式左側不正確

NA 會被 vector 視為一個元素，可用 is.na 來檢查。

> natest <-c(1,6,NA,20,3)

> natest
[1]  
1  6 NA 20  3


> is.na(natest)

[1] FALSE FALSE  TRUE FALSE FALSE
> 

要注意在運算 mean, min, sd 時，NA 會全局的影響。所以要設 na.rm = TRUE。

> mean(natest, na.rm=TRUE)

[1] 7.5

> as.character(c(1,3,5))
[1] "1" "3" "5"
> as.integer(c("i", "like","you"))
[1] NA NA NA
Warning message:
強制變更過程中產生了 NA

虛無值 (NULL) 則不是遺失的值，而是根本不存在的值。所以不能存入向量裡面。

> nulltest <- c(2, NULL,100); nulltest

[1]   2 100

指令之間的串接，可以使用 (magrittr 套件提供的) pipe 運算子 %>%

如此一來，sum(is.na(natest)) 和 natest %>% is.na %>% sum 的結果是一樣的。

資料匯入與匯出

內建資料

• 用 data() 來載入

資料匯入（讀取）

• 要了解絕對、相對與當前的目錄路徑。

• read.table() 或 read.csv() 幾個重要的參數

  • header =

  • sep =

  • stringAsFactor = FALSE

  • quote =

  • colClass =

> lang <- read.table('/Users/shukai/data4practice/languages.csv',
    header = TRUE, sep = ",")
> lang <- read.csv('/Users/shukai/data4practice/languages.csv', 
    row.names=1)
# row.names=1 告訴 R 第一列是名稱

• 如果要一次載入許多 csv 檔成為不同的 data frame

> folder <- "/Users/shukai/data4practice/"
> file_list <- list.files(path=folder, pattern="*.csv") 
> for (i in 1:length(file_list)){
    assign(file_list[i], 
    read.csv(paste(folder, file_list[i], sep=''))
>     )
> }

• 如果要一次載入許多 csv 檔成為同一個 data frame

> data <- 
>   do.call("rbind", 
>           lapply(file_list, 
>                  function(x) 
>                  read.csv(paste(folder, x, sep=''), 
>                  stringsAsFactors = FALSE)))

資料量較大時，可以考慮 readr 套件，專門用來讀取有分隔符號的文件，也不會自動將 character 轉成 factor。回傳的是一個從 dataframe 衍生出來的資料結構 tibble。

• read_delim()

• read_csv() #分隔符號是 ,

• read_csv2() #分隔符號是 ;

• read_tsv() #分隔符號是 \t

> library(readr)
> data <- read_delim(file = theURL, delim = ',')

文本資料

• For unstructured textual data, it is often easier to read in the file as lines of texts and then parse the contents afterward.

  • readLines() (notice the capital "L") provides such a facility. It accepts a path to a file (or a file connection) and, optionally, a maximum number of lines to read.

> alice <- readLines( "http://www.gutenberg.org/ebooks/11.txt.utf-8" )
> alice[1920:1927]

• R also provides a powerful function scan() to load the contents of text files into vectors.

• 文件編碼與轉碼

R 二進位檔 RData 與 RDS

• 儲存 R 物件的二進位檔，也方便不同系統交換。

> save(data, file = "/Users/shukai/data4practice/data.rdata")
> load("/Users/shukai/data4practice/data.rdata")

• 也可以將物件存成 rds 檔，但是不會連同物件名稱一併儲存，所以讀入時要指派名稱。

> saveRDS(data, file = 'data.rds')
> myData <-readRDS('data.rds')

> identical(data, myData)
[1] TRUE

網路資料

JSON 檔案

• JSON (Javascript Object Notation) 是普遍的資料格式，特別在 API 與文件資料庫中。

• 巢狀結構，純文字檔。

• jsonlite 套件

資料匯出

• 用 write.table() 或 write.csv() 輸出 csv

> mydata <- rivers 
# rivers 是 R 內建的資料集。
> write.table(mydata, file = "rivers.csv", sep = ",")
> write.csv(mydata, 'rivers.csv', row.names=T)

資料結構

• R 的底層把絕大部分的資料（包括常數與變數）都以 向量 物件的形式呈現。內建的向量稱作「原型向量」(atomic vector)；另外可用 array(),list() 來建立陣列（向量）和列表（向量）等等。這種向量稱為「泛型向量」(generic vector)，結構與索引較為複雜，比「原型向量」多了兩個「屬性」(attribute)，可用 attributes() 得出。

• 相關的內建函式不外乎建立、查詢、修改資料。

向量 Vector

• 利用 c() 建立向量，向量元素必須是同個資料類型，不然就會按照 character > complex > numeric > integer > logical 進行資料類型迫轉 (type coercion)

> x <- c(1,2,3)
> y <- c("me","you","they")
> z <- c(x,y)
> z
[1] "1"    "2"    "3"    "me"   "you"  "they"

• seq() 可建立序列 (sequence) 向量

> seq(from = -10, to = 10, by = 1)
> seq(from = -10, to = 10, length = 11)

• rep() 可建立重複的序列

> rep("lads",10)
> rep(c(3,8), each = 4)
> rep(c(3,8), length = 4)

• 用 []查詢擷取向量中的元素（分量）。索引 (index) 從 1 開始。

x[1]

• 文字向量 (character vector) 有一些特殊的運算函式。

  > aa <- c("I", "do", "not", "know") 
  > nchar(aa)
  ## [1] 1 2 3 4 
  > substr("internationalization", 6, 13) 
  ## [1] "national"
  > tolower(aa)
  > toupper(aa)
  > chartr("o", "x", aa)

  • 也方便用來更改行列的變數名稱

> paste("I", "do", "not", "know", sep = " ")
> paste("Student", 1:6, sep="-")
# 或者將所有文字向量黏貼起來
> paste("Student", 1:6, sep="-", collapse = ":")

• 把一段句子採成單字，以空格為界

> strsplit("I do not know", " ")
## [[1]]
## [1] "I"    "do"   "not"  "know"
# 讓元素不重複
> txt <- "I do not not know"
> txt2 <-strsplit(txt," ")[[1]];txt2
## [1] "I"    "do"   "not"  "not"  "know"
> unique(txt2)
## [1] "I"    "do"   "not"  "know"
> unlist(strsplit("I do not know", " "))

另外特別值得一提的是 grep() 和 sub()。前者可用來搜尋特定的字串模式，後者可用來將符合搜尋條件的取代字串。

grep(pattern, x, ignore.case = FALSE)
sub(pattern, replacement, x, ignore.case = FALSE)

> txt <- c("馬的政府","老公對我很好der","自己的人生自己救")
> grep("的", txt)
> grep("der$", txt)
> txt[grep("的", txt)]
> sub("der", "的", txt)

pattern可用 regular expression, 更多的用法與指令請參見附錄「正則表示法」。

因子 Factor

• 基本上是文字向量，但是許多元素(分量)的內容是一樣的。

• 因子可用來描述具等級和類別屬性的資料，如「血型」、「性別」、「職業」。類別變數 (categorical variable) 通常用因子來表示。

> x <- c(5,6,7,7,8,3,5,2)
> x
[1] 5 6 7 7 8 3 5 2
> factor(x)
[1] 5 6 7 7 8 3 5 2
Levels: 2 3 5 6 7 8

上述例子說明 x 是個因子，共有 8 個分量以及 6 個等級 (levels)。所謂的等級 (levels) 可以想成是該因子中不重複的分量。

陣列 Array 與矩陣 Matrix

• 陣列 (array) 可視為多維度的向量結構。跟向量一樣，所有陣列元素的資料類型必須一致。

• 當陣列是 2 維時 稱作矩陣 (matrix)

> matrix(c(1:9), nrow = 3, ncol = 3) 
# 預設是按照 by column 填入資料，也可以設定 by row
> matrix(c(1:9), nrow = 3, ncol = 3, byrow = TRUE)

資料框 Data Frame

• 最常用的資料結構物件。

  • 建立 data.frame()

  • 查找 DF(row, column), DF$column

進階學習者可以考慮使用增強版的 data.table

列表 List

• 列表可以包含不同資料類型和長度的資料。

  • 可用 list() 來建立

  • [[]] 來存取。

資料處理流程邏輯

條件與邏輯判斷式 Conditionals and Control Flow

• 邏輯變數 (logical variable) 也是原型向量，每一分量的值為 TRUE(1) 或 FALSE(0)。

if (4 > 3) {
    print("4 is greater than 3")
} else {
    print("4 is not greater than 3")
}

迴圈結構 Loops and the apply family

• for 和 while

for (i in 1:4) {
  print(i)
}

a <- 10
while (a > 4) {
    cat(a, "...", sep = "")
    a <- a - 1
}

• 儘量使用內建函式 (如 apply()) 並且避免使用迴圈，可以增加程式執行速度。

# apply(X, MARGIN = 1, FUN = sum)

> A <- matrix(1:15, nrow = 5, ncol = 3); A
     [,1] [,2] [,3]
[1,]    1    6   11
[2,]    2    7   12
[3,]    3    8   13
[4,]    4    9   14
[5,]    5   10   15
# 求矩陣中每一列的平均值 (row mean)
> apply(A, MARGIN = 1, FUN = mean)
[1]  6  7  8  9 10

• sweep(X, MARGIN, STATS, FUN) 是另一個可以避免使用迴圈的內建函式。STATS 是 FUN 函式的另一個運算元。

> B <- matrix(1:12, nrow = 4, ncol = 3); B
     [,1] [,2] [,3]
[1,]    1    5    9
[2,]    2    6   10
[3,]    3    7   11
[4,]    4    8   12

# 將第一到第三行的數字分別依行 (by column) 加上 1,2,3  
> sweep(B, MARGIN = 2, STATS = 1:3, FUN = "+")
     [,1] [,2] [,3]
[1,]    2    7   12
[2,]    3    8   13
[3,]    4    9   14
[4,]    5   10   15

• tapply() sapply() lapply()

• 進階學習者可以考慮使用 dplyr 套件。

管線處理思維

利用 purrr 對於 list 作迭代

• 強化與加速迭代運算的套件。

• 運作方式和 lapply 一樣，有個函數 map() 可以獨立套用到 list 中的每個元素，回傳的結果長度和 list 的長度一樣，但它是基於管線處理思維。

> myList <-list(a = matrix(1:9,3), b = 1:10, c=matrix(1:4,2), d=5)
> lapply(myList, sum)
# 一樣結果
> library(purrr)
> myList %>% map(sum)

假設我們的 list 資料中有 NA，那如何設 sum 函式的引數 na.rm=TRUE 呢？

> myList2 <-myList

> myList2[[1]][2,1] <-NA

> myList2[[2]][4] <-NA

#方法一:直接在 map 中傳遞
> myList2 %>% map(sum, na.rm = TRUE)

#方法二：若遇到函式的引數不方便直接使用，可使用匿名函式
> myList2 %>% map(function(x) sum(x, na.rm = TRUE))

• purrr 提供一些 map_*() 函式，可以指定輸出的結果資料類型。

資料探索分析

• 資料探索分析 (exploratory data analysis) 是資料科學分析歷程很重要的一環，目的是適當的來來回回檢視資料以取得合理的假說。

• 涉及到 資料操控、資料視覺化技巧與統計分析。

資料操控

在進行統計分析之前，常需要資料操控 (data manipulation) 的步驟。 包括對於資料的：

• 重整 (transforming data)

• 重組 (re-structuring data)

重整的部分可能涉及到：

• Treatingmissingvalues(NAs)

• Renaming old and Adding new variables

• Calculating New Numeric Variables

• Dividing a Continuous Variable into Categories

• Working with Factor Variables

• More on Type Conversion

• Subsectting

• Sorting

重組的部分可能涉及到

• 合併 merge (rbind(), merge())

• 分割 split

• Stacking and unstacking

• reshape, aggregate

  • When you aggregate data, you replace groups of observations with summary statistics based on those observations.

  • When you reshape data,you alter the structure(rows and columns) determining how the data is organized.

進階學習者可以考慮使用 dplyr 套件。

繪圖與資料視覺化

• 內建繪圖指令，已可以繪製基本統計圖表，如直方圖、長條圖等等。

> hist(iris$Petal.Width,col="green")

• 版型的排列也可自行調整，方便觀察。

> par(mfrow = c(2,2))
> hist(iris$Sepal.Length, breaks = 30, border = 'white', col = 'blue')
> hist(iris$Sepal.Width,breaks = 30, border = 'white', col = 'red')
> hist(iris$Petal.Length,breaks = 30, border = 'white', col = 'green')
> barplot(table(iris$Species),col="purple")

• ggvis

• ggplot2

資料統計

ggplot2 繪圖

EDA with data.table

自訂函式

• 基本語法

  myfun <- function(arg1, arg2, ...){
   statements
   return(object)
  }

• 例如 scale() 這個內建函式做的是將向量標準化 (standardization)：亦即給定一個數值向量，它將每個分量減去樣本平均數，再除以樣本標準差。（標準化可提供不同單位的向量之間一個共同的比較基準）。可以用自訂函式的方式來實作。

scaleFun <- function(x){
   u <- apply(x, MARGIN = 2, FUN = mean)
   v <- apply(x, MARGIN = 2, FUN = sd)
   w <- sweep(x, MARGIN = 2, STATS = u, FUN = "-")
   z <- sweep(w, MARGIN = 2, STATS = v, FUN = "/")
   return(z)
}
C <- matrix(1:15, nrow = 5, ncol = 3)
scaleFun(C)

# 比較 scale(C)

(增效小訣竅)

• setwd()

• crtl + l 清除 console 畫面

• rm(list = ls()) 清楚 workspace 所有物件

• ?看對於內建資料或是指令的輔助說明，如 ?iris, ?rep

• 好習慣提早養成。參考像是 Google's R Style Guide