Úvod do softwaru R
Charakteristika:
- nekomerční, volně šiřitelný statistický software,
- analogie S+, objektově orientovaný jazyk,
- ovládání z příkazové řádky, otevřený zdrojový kód,
- možnost tvorby vlastních procedur,
- pod Unix i Windows,
- ke stažení na adrese: http://cran.at.r-project.org/ (zde zdrojový i zkompilovaný kód)
- dodatečné knihovny také na adrese: http://www.bioconductor.org/ Vybrané knihovny
- vegan -balík pro modelování v ekologii
- epi, epitools - nástroje pro epidemiologii
- survival -balík pro analýzu přežití
- tree - klasifikační a regresní stromy
- ts - časové řady
- mgcv - GAM - zobecněné aditivní modely
- bioconductor - soubor balíků pro analýzu Microarrays Instalace:
- klasicky (setup.exe),
- doinstalování dalších knihoven: zkompilovanou knihovnu nakopírovat do adresáře .. ./library, nebo přidat přes Packages —> Instal package(s) from CRAN
Přivolání knihovny (seznam knihoven: help —> Packages):
- knihovnu už musíme mít nainstalovanou
- library(nazevknihovny) např. library(MASS)
- nebo volíme: packages —> Load Package Nápověda:
1
- Help —> Html Help —> Packages + Search Engine & Keywords, Search Engine vyžaduje Javu!
- Spuštění hypertextového helpu z příkazové řádky: help. start ()
- informace o konkrétní proceduře - příkazový řádek: např: help (median)
- vypsání zdrojového kódu procedury: pouze název procedury (např: median)
- kompletní manuály ke stažení na http://www.r-project.org/
- Peter Dalgaar: Introductory Statistics with R, Springer 2002 Začínáme s prací
- Nastavení pracovního adresáře (zde se ukládají a vyhledávají soubory dat a výsledků): File —> Change directory, nebo z příkazového řádku setwdO......').
- Zjištění aktuálního nastavení pracovního adresáře: getwd('......')
- Načtení vlastní procedury ve formátu procedura.r : File —> Source R code nebo z příkazového řádku  source (file)
- Načtení dat:
a datový formát soubor.Rdata: File —> Load Workspace
nebo z příkazového řádku load (file, envir = parent. frame () )
loadC'D:/Rko/mammals2.Rdata")
b textový soubor soubor.txt,
data ve sloupcích, sloupce oddělené mezerou, sloupce nemají jména:
read, table (file, header = FALSE, sep = "", quote = "V"^ dec
Příklad: data ve sloupcích, sloupce oddělené mezerou, sloupce mají jména:
read.tableCmammalsl.txt",header=TRUE,sep=" ",dec=".")
c textový soubor, další předdefinované formáty:
read.csv(file, header = TRUE, sep = quote="\"", dec=".",
read.csv2(file, header = TRUE, sep = quote="\"", dec=",",
read.delim(file, header = TRUE, sep = "\t", quote="\"", dec=". read.delim2(file, header = TRUE, sep = "\t", quote="\"", dec="
- výpis objektů, které máme momentálně v pracovním prostoru: ls()
- ukončení práce s programem: q()
2
Uložení dat:
- ve formátu .Rdata: save(data, f ile="data.Rdata")
- jako textový soubor: write . table () Tvorba objektů:
- názvy proměnných - rozlišují se velká a malá písmena (X,x - dva různé objekty)
- přiřadíme názvu proměnné hodnotu: x<-4
- přiřadíme názvu proměnné hodnotu: z<-x nebo také
z<-x"2+abs(z)/cos(2)+pi-exp(l)*log(8)+logl0(8)/sqrt(10)
- vytvoření vektoru: v<-c(l,2,3,5,6,9)
- k-tý prvek vektoru: v [k]
- vytvoření matice 3x4, která má všechny prvky nulové: matice<-matrix(0,3,4)
- prvek v prvním řádku a druhém sloupci je překvapivě nula: m [1,2]
- posloupnost od jedné do deseti, skok=0.5: posloupnost<-seq(l, 10,by=0.5)
- uchop objekt: attach(objekt)
- vymaž objekt: rm(objekt)
- vypiš seznam existujících objektů : ls()
- vypiš seznam existujících objektů + některé další informace : ls.strO Datové typy
- typ numerický ( speciální numerické hodnoty: Inf, -Inf, NaN — Not A Number)
- typ znakový ("Toto je řetězec")
- typ komplexní
- typ logický (TRUE, FALŠE)
- typ objektu zjistíme pomocí funkce: modeO
- chybějící hodnoty jsou reprezentovány kódem: NA — Not Available Datové struktury
- vektor (vector)
- matice (matrix)
3
- pole (array)
- datová tabulka (data frame)
- seznam (list)
- faktor (factor) Počítání s vektory
- s vektory lze počítat, jako by to byla obyčejná čísla (mají-li vektory stejnou délku!)
- příklad BMI:
weight<-c(60,72,57,90,95,72) height<-c(1.75,1.8,1.65,1.9,1.74,1.91) bmi<-weight/height"2 bmi
- zjištění délky vektoru: length(weight) Elementární vektorové funkce
- sum(weight)
- min(weight), max(weight)
- mean(weight), median(weight)
- var(weight), quantile(weight,c(0.3,0.5))
- cumsum(weight) Práce s maticemi
- tvorba matice z vektoru: např. matice<-matrix(c(l,2,3,4,5,6) ,2,3)
- matice lze transponovat: maticetr<-t (matice)
- matice lze násobit (pozor na rozměry!): matice 7« * 7« maticetr
- sčítat a násobit skalárem...etc.
- submatice 2x2: sub<-matice [1: 2,1: 2]
- spojování matic - "slepujeme sloupce": cbind(a,b)
- spojování matic - "slepujeme řádky": rbind(a,b) Příklad: Násobení matic
- maticel<-matrix(2,2,2)
4
- maticel<-matrix(3,2,2)
- maticel * matice2
- maticel 7« * 7« matice2
- Jak se liší tyto dva druhy násobení? Pole
- 3 rozměrné pole: pole<-array (1: 24, c (3,2,4) )
- jaká je dimenze pole? dim(pole)
- prvek pole (analogicky jako v případě vektoru a matice): pole [1,2,3]
- vrstva pole (analogicky jako v případě matice): pole [1,, ] Seznam
- vytvoření seznamu:
pacient<-list(vek=45,mereni=c(1,1,2),ok=c(TRUE,TRUE,FALŠE),znaky=c(rep("+",3)))
- přístup ke složkám jménem: pacient$vek, pacient$ok
- přístup ke složkám pořadím: pacient [ [1] ]
- přístup k prvkům složek: pacient$ok [3] , pacient [ [3] ] [3]
- jména složek seznamu: names(pacient) Datová tabulka
- speciální případ seznamu,
- složky jsou vektory různého typu, ale stejné délky
- zobecněná matice, řádky — pozorování, sloupce — veličiny
- vytvoření datové tabulky:
clovek<-data.frame(xl=c(rep(l,8),rep(0,8)),pohl=rep(c("Muz","Zena"),c(8,8)))
- názvy položek datové tabulky: names(clovek)
- přístup k jednotlivým položkám: clovek$pohl, clovek$pohl [3]
- tato datová tabulka je nyní aktivní: attach(clovek)
- přístup k jednotlivým položkám (nyní nepotřebujeme $):pohl ,pohl [3]
- ukončení práce s datovou tabulkou: detach(clovek)
- přejmenování: names (clovek) [l]<-"pohll"
- oprava dat: clovek$pohll[3]<-l
5
- je datová tabulka: is. data, frame(clovek) Faktor
- speciální případ znakového vektoru
- má atribut "úroveň": levels
- vytvoření faktoru:   vek_kat<- f actor (rep(c (0,1,2) , c (4,5,6) ) )
- výpis úrovní: levels(vek_kat)
- změna úrovní: levels(vek_kat)<-c("dítě" , "dospělý" , "důchodce")
- je faktor?: is . factor (vek_kat) Rozdělení
- Normální rozdělení:
a hustota, x - kvantil: dnorm(x, mean=0, sd=l, log = FALSE)
b disribuční funkce,q - kvantil: pnorm(q, mean=0, sd=l, lower.tail = TRUE, log.p = FALSE)
c kvantily, p-pravděp.:qnorm(p, mean=0, sd=l, lower.tail = TRUE, log.p = FALSE)
d generování náhodných výběrů, n - rozsah výběru: rnorm (n, mean=0, sd=l)
- Studentovo rozdělení: df - stupně volnosti
dt(x, df, ncp=0, log = FALSE)
pt(q, df, ncp=0, lower.tail = TRUE, log.p
qt(p, df, lower.tail = TRUE, log.p
rt(n, df)
Obrázky a grafy:
- kreslíme graf: příkaz plot, má velké množství parametrů pro nastavení: barvy, bodů, popisu os... etc.
Příklad:
s<-seq(-3,3,by=0.1) d<-dnorm(s)
plot(s,d, main="Hustoty",col="red" , type="p", xlab="kvantily")
- do stávajícího grafu dokreslujeme další funkce: t<-dt(s,5)
lines(s,t,type="l",col="blue")
= FALSE) = FALSE)
6
- uložení obrázku: file —> save as...
- pro listování mezi obrázky je nutné průběžné ukládání: history —> recording
- histogram
x<-rnorm(1000,0,1) hist(x)
- box-ploty
boxplot(x, notch=TRUE)
y<-rnorm(1000,l,l)
r<-c(x,y)
nula<- matrix(0,1,1000) jedna<-matrix(l,1,1000) group<-c(nula,j edna) #group<-c(rep(0,1000),rep(l,1000)) boxplot(r~group, col="yellow")
Testy
- Příklad: t-test - Xn je náhodný výběr z N(0,1) nezávislý s Yn, náhodným výběrem z N(l,l). Testujte Ho o shodnosti středních hodnot.
- ttest<-t.test(x, y , alternative = c("two.sided", "less", "greater"), mu = 0, paired = FALSE, var.equal = FALSE,conf.level =0.95, ...)
- výpis pouze jednoho výstupu: ttest$p. value, ttest$statistic atd. Tvorba vlastních procedur:
- v externím textovém editoru (Notepad, WinEdit,....), přípona.r
- File —> New script (open script)
- struktura:
mojeprocedura<-function(vstupl, vstup2) {
příkaz; příkaz; příkaz;
vysledek<-příkaz; return(výsledek); print(výsledek);
}
7
- načtení do prostředí R: viz. načtení vlastní procedury přes file —> Source R
Code nebo z příkazové řádky pomocí příkazu source ("D: /Rko/mojeprocedura.r" )
- Výstup z procedury (funkce):
- Volání procedury: mojeprocedura(l,2)
- Komentáře: # bia bia bia, co je od křížku až do konce řádku, to zůstává komentářem
- Příklad: secti<-function(x,y=2) {s<-x+y, return(s)}   , volání procedury např.: soucetK-secti(3) , soucet2<-secti(3,2)
Kontrolní příkazy a smyčky
- if (condition) expression
- if (condition) expression 1 else expression2
- while (condition) expression -for (condition) expression
- Příklad: Kódování proměnné:
n<-length(x) xx<-x
for (i in l:n) { if (x[i]>=0)   {xx[i]<-l } else {xx[i]<- 0   } }
- Poznámka: Operátory
—— rovná se != nerovná se & a zároveň
Chybějící pozorování
- Chybějící pozorování jsou reprezentovány kódem NA.
- tNA<-read.table("trees_NA.txt", header=TRUE, sep=" ", dec=".") attach(tNA)
is.na(Height) sum(Height)
sum(Height,na.rm=TRUE) Lineární modely:
- modelK-lm(závisle"nezávislel+nezavisle2*nezavisle3)
- podrobnější výpis: summary (model 1)
- regresní diagnostiky: plot (modell, ask=TRUE)
8
- model2<-update(model, .~.-nezavisle2 )
- testování podmodelu: anova(modell ,model2)
- zobecněný lineární model:
glm(závisle"nezávisle, family="binomial")
- analýza rozptylu - jednoduché třídění :
anova(lm(zavisle~kategorie) )
Příklad: Lineární modely
library(MASS) data(cats) summary(cats) plot(cats) attach(cats)
cor(Bwt, Hwt, method = "spearman") linmodel<-lm(Bwt~Hwt*Sex) summary(linmodel)
plot(resid(linmodel)~Hwt,data=cats)
abline(h=0)
coef(linmodel)
glmmodel<-glm(Sex~Bwt, family="binomial") summary(glmmodel)
9