Názory k článku Programovací jazyk R: práce s datovými rámci, jednoduché grafy

Hezka serie, diky.
Jen par doplneni:
Z datoveho ramce clovek snadno vybere jeden sloupec pomoci "$". To se hodi zejmena v typickem pouziti Rka k pocitani nejake statistiky. Cili napr.:

> languages <- data.frame(
+ id = c (1:9),
+ name = c("C", "Java", "Python", "C++", "C#", "Visual Basic", "JavaScript", "PHP", "R"),
+ usage = c(15.95, 13.48, 10.47, 7.11, 4.58, 4.12, 2.54, 2.49, 2.37),
+ change = c(0.74, -3.18, 0.59, 1.48, 1.18, 0.83, 0.41, 0.62, 1.33),
+ stringsAsFactors = FALSE
+ )
> mean(languages$u­sage)
[1] 7.012222

Souvisi to s tim, ze datovy ramec jako typ objektu vychazi z typu seznam.

Taky:
Pri vyberech je potreba davat pozor na to, ze R defaultne zahazuje "prebytecne dimenze" a pak meni typ. Pokud vybereme radek datoveho ramce, je vysledkem datovy ramec. Pokud ale vybereme sloupec, je pri vychozim nastaveni vysledkem vector (omlouvam se, nepamatuji si, jak to P. T. prelozil). Funguje to i u matic, u datovych ramcu je to zradnejsi v tom, ze pri vyberu radku tohle neprobehne. (Nemuze, protoze radek datoveho ramce muze obsahovat hodnoty ruznych typu - cili bez konverze typu z nich nejde udelat vector, leda seznam, a protoze je datovy ramec taky seznam, zustane datovy ramec)

> # situace u matic:
> a <- matrix(1:6, 2, 3)
> a
[,1] [,2] [,3]
[1,] 1 3 5
[2,] 2 4 6
> class(a)
[1] "matrix"
> b <- a[1, ]
> b
[1] 1 3 5
> class(b)
[1] "integer"
>
> d <- a[ ,1]
> d
[1] 1 2
> class(d)
[1] "integer"
> e <- a[ , 1, drop= FALSE]
> e
[,1]
[1,] 1
[2,] 2
> class(e)
[1] "matrix"
> #situace u datoveho ramce:
> df <- as.data.frame(a)
> df
V1 V2 V3
1 1 3 5
2 2 4 6
> class(df)
[1] "data.frame"
> # u sloupcu konverze probehne:
> f <- df[ ,2]
> f
[1] 3 4
> class(f)
[1] "integer"
> # lze ji zamezit:
> g <- df[ , 2, drop= FALSE]
> g
V2
1 3
2 4
> class(g)
[1] "data.frame"
> # u radku konverze neprobehne:
> h <- df[1, ]
> h
V1 V2 V3
1 1 3 5
> class(h)
[1] "data.frame"
> #lze ji vynutit:
> i <- unlist(h)
> i
V1 V2 V3
1 3 5
> class(i)
[1] "integer"
> #kdyz o tom clovek nevi, muze se mu stat tohle:
> mean(h)
[1] NA
Warning message:
In mean.default(h) : argument is not numeric or logical: returning NA


Posledni vec, jen kosmeticka:
T sice funguje jako TRUE a F jako FALSE, ale rozhodnete si, co je pro prehlednost kodu lepsi.

Já ho prásknu, on také učí erko. :-)

S tím výběrem z datového rámce bych ukázal příklad s testovacími daty:

> languages <- data.frame(
+    id = c (1:9),
+    name = c("C", "Java", "Python", "C++", "C#", "Visual Basic", "JavaScript", "PHP", "R"),
+    usage = c(15.95, 13.48, 10.47, 7.11, 4.58, 4.12, 2.54, 2.49, 2.37),
+    change = c(0.74, -3.18, 0.59, 1.48, 1.18, 0.83, 0.41, 0.62, 1.33),
+    stringsAsFactors = FALSE
+ )
> languages # Všimněte si, že to neobaluji do print(...) :-)
  id         name usage change
1  1            C 15.95   0.74
2  2         Java 13.48  -3.18
3  3       Python 10.47   0.59
4  4          C++  7.11   1.48
5  5           C#  4.58   1.18
6  6 Visual Basic  4.12   0.83
7  7   JavaScript  2.54   0.41
8  8          PHP  2.49   0.62
9  9            R  2.37   1.33
> class(languages["name"])
[1] "data.frame" # datový rámec jako původní zdroj
> class(languages$name)
[1] "character" # vektor
> class(languages[2])
[1] "data.frame" # datový rámec jako původní zdroj
> languages[3]
  usage
1 15.95
2 13.48
3 10.47
4  7.11
5  4.58
6  4.12
7  2.54
8  2.49
9  2.37
> languages["name"]
          name
1            C
2         Java
3       Python
4          C++
5           C#
6 Visual Basic
7   JavaScript
8          PHP
9            R
> languages$name
[1] "C"            "Java"         "Python"       "C++"          "C#"
[6] "Visual Basic" "JavaScript"   "PHP"          "R"
> languages[2]
          name
1            C
2         Java
3       Python
4          C++
5           C#
6 Visual Basic
7   JavaScript
8          PHP
9            R

Možná bych ještě zdůraznil, že ty faktory jsou děsně užitečné, protože se dají snadno použít na třídění, třeba pro krabicové grafy:

langs <- data.frame(languages["name"], languages["usage"])
> langs <- rbind(data.frame(langs$name, jitter(langs$usage)),
data.frame(langs$name, jitter(langs$usage)),
data.frame(langs$name, jitter(langs$usage)),
data.frame(langs$name, jitter(langs$usage)),
data.frame(langs$name, jitter(langs$usage)))
> langs
     langs.name jitter.langs.usage.
1             C           15.948595
2          Java           13.487646
3        Python           10.473382
4           C++            7.117757
5            C#            4.574903
6  Visual Basic            4.119771
7    JavaScript            2.533762
8           PHP            2.481331
9             R            2.378226
10            C           15.955915
11         Java           13.484478
12       Python           10.472911
13          C++            7.103522
14           C#            4.583332
15 Visual Basic            4.129590
16   JavaScript            2.530045
17          PHP            2.496101
18            R            2.366824
19            C           15.955425
20         Java           13.488209
21       Python           10.477087
22          C++            7.112658
23           C#            4.583441
24 Visual Basic            4.119844
25   JavaScript            2.531923
26          PHP            2.491034
27            R            2.362223
28            C           15.943325
29         Java           13.488028
30       Python           10.461460
31          C++            7.110751
32           C#            4.578946
33 Visual Basic            4.121060
34   JavaScript            2.534422
35          PHP            2.486563
36            R            2.379705
37            C           15.949777
38         Java           13.484966
39       Python           10.461877
40          C++            7.110917
41           C#            4.574754
42 Visual Basic            4.113257
43   JavaScript            2.540743
44          PHP            2.494350
45            R            2.366082
boxplot(langs$jitter.langs.usage.~langs$langs.name)

Je to poněkud humpolácké, ale jako ukázka to snad stačí. :-)