Pakiet ggplot
Ggplot2 jest biblioteką, pozwalającą na tworzenie eleganckich grafik i wykresów. Jest szczególnie przydatna w przypadku analizy danych wielowymiarowych oraz jako pomoc do data mining. Bibliotekę uruchamiamy komendą library(ggplot2) (w przypadku braku, należy zainstalować ją uzywając komendy install.packages("ggplot2")).
# PRZYKŁAD 1.1
library(ggplot2)Podstawowe dwie cechy pakietu: dane, które chcemy wyświetlić, muszą być typu dataframe, wykresy składają się z warst, które dodajemy do bazowego obiektu.
Bazową funkcją, od której musimy zacząć tworzenie każdego wykresu jest ggplot(). Jako jej argument można podać od razu zbiór danych, który będziemy wykorzystywać, mapując poprzez funkcję aes() (aesthethics - właściwości) cechy. Samo wywołanie funkcji ggplot(), nawet z określeniem mapowania, nie da żadnego sensownego efektu.
# PRZYKŁAD 1.2
df1 <- data.frame(a = 1:10, b = (1:10) + runif(10,-2,2), c = 1:10)
df1## a b c
## 1 1 -0.4769591 1
## 2 2 2.1090795 2
## 3 3 3.2203672 3
## 4 4 5.5035895 4
## 5 5 4.4789019 5
## 6 6 6.0625283 6
## 7 7 6.2089541 7
## 8 8 9.7750896 8
## 9 9 7.6310188 9
## 10 10 9.5474727 10ggplot(df1, aes(x = a, y = b))
Dopiero ustalenie odpowiedniej warstwy (w tym przypadku chcemy narysować punkty za pomocą geometrii geom_point()) umożliwia otrzymanie wykresu.
# PRZYKŁAD 1.3
ggplot(df1, aes(x = a, y = b)) + geom_point()
Należy przy tym zwrócić uwagę, że ten sam wykres może zostać otrzymany za pomocą różnych operacji
# PRZYKŁAD 1.4
ggplot(df1, aes(x = a, y = b)) + geom_point()
ggplot(df1) + geom_point(aes(x = a, y = b))
ggplot() + geom_point(data = df1, aes(x = a, y = b))
ggplot(df1, aes(x = a)) + geom_point(aes(y = b))
Poza tym można (a nawet jest dość polecane dla czystości kodu) umieścić bazową warstwę w zmiennej i nastepnie dodawać do niej kolejne warstwy.
# PRZYKŁAD 1.5
g <- ggplot(df1, aes(x = a, y = b))
g + geom_point()
Istotną opcją jest możliwość "podmiany" źródłowego zbioru danych "w locie" za pomocą operatora %+%
# PRZYKŁAD 1.6
df2 <- data.frame(a = 1:10, b = (1:10)+runif(10,-2,2), c = 1:10)
g <- ggplot(df1)
g + geom_point(aes(x = a, y = b))
g %+% df2 + geom_point(aes(x = a, y = b))
Operując cechami size="", shape="", colour="" oraz fill="", a także dodając kolejne warstwy, otrzymujemy pożądany efekt.
# PRZYKŁAD 1.7
g <- ggplot(df1, aes(x = a))
g + geom_point(aes(y=b), size=4, shape=22, colour="red") + geom_point(aes(y = c), size=3, shape=21, fill="blue")
Umieszczenie wszystkich danych w jednej kolumnie oraz stworzenie dodatkowej (dodatkowych) kolumn, określających serie daje możliwość skorzystania z automatycznego przpisywania cech.
# PRZYKŁAD 1.8
df2 <- data.frame(a = c(df1$a, df1$a), b = c(df1$b, df1$c), n = sample(20), ser = c(rep("S1",10), rep("S2", 10)))
df2## a b n ser
## 1 1 -0.4769591 10 S1
## 2 2 2.1090795 1 S1
## 3 3 3.2203672 15 S1
## 4 4 5.5035895 3 S1
## 5 5 4.4789019 6 S1
## 6 6 6.0625283 9 S1
## 7 7 6.2089541 12 S1
## 8 8 9.7750896 14 S1
## 9 9 7.6310188 18 S1
## 10 10 9.5474727 20 S1
## 11 1 1.0000000 11 S2
## 12 2 2.0000000 8 S2
## 13 3 3.0000000 5 S2
## 14 4 4.0000000 17 S2
## 15 5 5.0000000 13 S2
## 16 6 6.0000000 4 S2
## 17 7 7.0000000 16 S2
## 18 8 8.0000000 2 S2
## 19 9 9.0000000 7 S2
## 20 10 10.0000000 19 S2g <- ggplot(df2)
g + geom_point(aes(x = a, y = b, fill=ser), size=3, shape=21)
g + geom_point(aes(x = a, y = b, shape=ser), size=3, colour="blue")
Bardzo użytecznym zabiegiem jest także mapowanie rozmiaru, szczególnie, gdy ma on określać np liczbę obserwacji wchodzących do danego punktu.
# PRZYKŁAD 1.9
g + geom_point(aes(x = a, y = b, fill=ser, size=n), shape=21)
Za pomocą geometrii geom_histogram() można utworzyć histogram wartości. W poniższym przykładzie najpierw w zmiennej typu dataframe utworzymy kilka serii danych, a nastepnie zacznimy od wizualizacji dwóch z nich.
# PRZYKŁAD 1.10
N1 <- 10000
N2 <- 5000
N3 <- 20000
sigma1 <- 1
sigma2 <- 0.5
mu <- 0
x1 <- rnorm(N1, mu, sigma1)
x2 <- rnorm(N2, mu, sigma1)
x3 <- rnorm(N3, mu, sigma1)
x4 <- rnorm(N1, mu, sigma2)
x5 <- rnorm(N2, mu, sigma2)
x6 <- rnorm(N3, mu, sigma2)
label.size <- c(rep("Size 1", N1), rep("Size 2", N2), rep("Size 3", N3))
label.par <- c(rep("Par 1", N1 + N2 + N3), rep("Par 2", N1 + N2 + N3))
df <- data.frame(x = c(x1, x2, x3, x4, x5, x6), size = c(label.size, label.size), par = label.par)
g1 <- ggplot(data = df[df$size == "Size 1",])
g1 + geom_histogram(aes(x = x, fill = par, colour = par))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Za pomocą opcji position="" można sterować wyglądem histogramów - domyślne position="stack" ustawia jeden słupek na drugim, position="fill" normalizuje sumę do jedynki, position="dodge" ustawia jeden obok drugiego. Opcja position="identity" przesłania jedną serię drugą, więc przydatne jest użycie cechy przezroczystości (za pomocą opcji alpha="").
# PRZYKŁAD 1.11
g1 + geom_histogram(aes(x = x, fill = par, colour = par), position="identity", alpha=0.3)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Aby zamiast liczby zliczeń uzyskać gęstość prawdopodobieństwa można skorzystać albo z geometrii geom_density() albo też z opcji ..density.., podanej po zmiennej. Jeśli dodatkowo potrzebujemy wykreślić pewną funkcję (np. gęstość prawdopodobieństwa rozkładu normalnego), korzystamy wtedy z funkcji stat_function().
# PRZYKŁAD 1.12
g1 + geom_density(aes(x = x, fill = par), colour="black", alpha=0.3)
g1 + geom_histogram(aes(x = x,..density.., fill = par, colour = par), position="identity", alpha=0.3) +
stat_function(fun = dnorm, args = list(mean = 0, sd = 0.5))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Potoki
R jest językiem funkcyjnym, co oznacza, że nasz kod jest często wręcz upstrzony kolejnymi nawiasami, które mocno zaciemniają obraz tego, co faktycznie jest wykonywane. Szczególnie, gdy kod jest skomplikowany, a funkcje zagnieżdżone w sobie prowadzi to estetycznych i programistycznych problemów.
# PRZYKŁAD 1.13
x <- c(0.109, 0.359, 0.63, 0.996, 0.515, 0.142, 0.017, 0.829, 0.907)
round(exp(diff(log(x))), 1)## [1] 3.3 1.8 1.6 0.5 0.3 0.1 48.8 1.1Zamiast takiego zapisu, wygodnie jest skorzystać z pakietu magrittr, który oferuje operator potoku (pipe) %>%:
# PRZYKŁAD 1.14
library(magrittr)
x %>% log() %>%
diff() %>%
exp() %>%
round(1)## [1] 3.3 1.8 1.6 0.5 0.3 0.1 48.8 1.1Ogólna idea jest taka, że operator potoku korzysta ze zmiennej po lewej stronie operacji i podmienia ją w funkcji (czy operacji) po prawej stronie. Najczęstyszym przypakiem jest zapisanie operacji f(x) jako x %>% f np.
# PRZYKŁAD 1.15
log(2)## [1] 0.69314722 %>% log## [1] 0.6931472Inną opcją jest zastąpienie operacji f(x,y) za pomocą x %>% f(y)
# PRZYKŁAD 1.15
round(pi, 6)## [1] 3.141593pi %>% round(6)## [1] 3.141593W przypadku, gdy domyślny argument nie jest akurat pierwszy, korzystamy z ``wypełniacza'' realizowanego za pomocą kropki f(x, .)
# PRZYKŁAD 1.16
round(pi, 6)## [1] 3.1415936 %>% round(pi, digits=.)## [1] 3.141593Operator %>% nie jest jedynym operatorem potoku z pakietu magrittr. W przypadku, gdybyśmy chcieli dokonać zmiany zmiennej, tzn wykonać operację po prawej stronie operatora, a następnie przypisać wynik do lewej strony, z pomocą przychodzi operator %<>%
# PRZYKŁAD 1.16
x <- 2
x## [1] 2x %<>% log()
x## [1] 0.6931472Oczywiście po prawej stronie dalej można wykonywać inne operacje. Istotne, aby %<>% był pierwszym operatorem.
# PRZYKŁAD 1.17
x <- 2
x %<>% log() %>% round(2)
x## [1] 0.69Innym opcją jest wyłuskanie konkretnej zmiennej z większego obiektu po lewej stronie i przekazanie do wykorzystania po stronie prawej. Wtedy korzystamy z operatora %$%. Chodzi tu kwestię widoczności zmiennych - niektóre popularne funkcje nie mają takiej opcji.
# PRZYKŁAD 1.18
df1 <- data.frame(a = 1:10, b = (1:10) + runif(10,-2,2), c = 1:10)
# Pełna macierz korelacji
df1 %>% cor## a b c
## a 1.000000 0.955308 1.000000
## b 0.955308 1.000000 0.955308
## c 1.000000 0.955308 1.000000# Teraz chcemy korelowac jedynie kolumny a i b
df1 %>% cor(a,b)## Error in pmatch(use, c("all.obs", "complete.obs", "pairwise.complete.obs", : object 'b' not found# A do tego potrzebny jest operator %$%
df1 %$% cor(a,b)## [1] 0.955308Pakiet dplyr
Często bardzo dużym problemem jest warunkowanie zmiennych (tzn. wypisywanie części obiektu, które spełniają pewne okreslone założenia), a w szczególności kolumn w obiekcie typu ramka danych. Podobnie jest z pozornie prostymi operacjami jak sortowanie, czy wręcz wybieranie konkretnych kolumn. Do obsługi takich przypadków bardzo wygodny jest pakiet dplyr. Wexmy prosty przypadek ramki danych df1, którą chcielibyśmy posortować wg. drugiej kolumny. Normalnie, musielibyśmy użyć następującej konstrukcji
# PRZYKŁAD 1.19
df1 <- data.frame(a = 1:10, b = runif(10,-2,2), c = 1:10)
df1[order(df1$b),]## a b c
## 10 10 -1.9421530 10
## 9 9 -1.8714934 9
## 5 5 -1.5333940 5
## 6 6 -1.4016227 6
## 3 3 0.8672414 3
## 7 7 0.8805913 7
## 2 2 0.9253768 2
## 1 1 1.2807686 1
## 4 4 1.3450420 4
## 8 8 1.4384216 8Korzystając z dyplr używamy funkcji arrange() podając zmienną, z której chcemy skorzystać
# PRZYKŁAD 1.19
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionarrange(df1, b)## a b c
## 1 10 -1.9421530 10
## 2 9 -1.8714934 9
## 3 5 -1.5333940 5
## 4 6 -1.4016227 6
## 5 3 0.8672414 3
## 6 7 0.8805913 7
## 7 2 0.9253768 2
## 8 1 1.2807686 1
## 9 4 1.3450420 4
## 10 8 1.4384216 8Podobnie funkcja select() wybiera kolumny z ramki
# PRZYKŁAD 1.20
df1[,c("b","a")]## b a
## 1 1.2807686 1
## 2 0.9253768 2
## 3 0.8672414 3
## 4 1.3450420 4
## 5 -1.5333940 5
## 6 -1.4016227 6
## 7 0.8805913 7
## 8 1.4384216 8
## 9 -1.8714934 9
## 10 -1.9421530 10select(df1, b, a)## b a
## 1 1.2807686 1
## 2 0.9253768 2
## 3 0.8672414 3
## 4 1.3450420 4
## 5 -1.5333940 5
## 6 -1.4016227 6
## 7 0.8805913 7
## 8 1.4384216 8
## 9 -1.8714934 9
## 10 -1.9421530 10Natomiast filter(), umożliwia wybranie konkretnych wartości rekordów
# PRZYKŁAD 1.20
df1[df1$a < 5 & df1$b < 0,]## [1] a b c
## <0 rows> (or 0-length row.names)filter(df1, a < 5, b < 0)## [1] a b c
## <0 rows> (or 0-length row.names)Oczywiście, nic nie stoi na przeszkodzie, aby zastosować poznany mechanizm potoku i połączyć to w jedną całość:
# PRZYKŁAD 1.20
df1 %>%
filter(a < 5, b < 0) %>%
select(c, b) %>%
arrange(desc(b), c)## [1] c b
## <0 rows> (or 0-length row.names)Funkcja summarise wykonuje podsumowanie danych
# PRZYKŁAD 1.21
df1 %>%
summarise(mean(a))## mean(a)
## 1 5.5przy czym sama nie ma większego sensu, natomiast jest bardzop przydatna, gdy połączy się ją z funkcją group_by
# PRZYKŁAD 1.21
df1 <- data.frame(a = 1:10, b = runif(10,-2,2), c = rep(c(1,0), each = 5))
df1 %>%
group_by(c) %>%
summarise(ma = mean(a), mb = mean(b))## # A tibble: 2 x 3
## c ma mb
## <dbl> <dbl> <dbl>
## 1 0 8 -0.0185
## 2 1 3 -0.490