I tidligere selvstudier lærte du om og . Til denne øvelse lærer du om datarammer i R.
Datarammer er i det væsentlige vektorer kombineret for at danne rækker og kolonner af data.
En kolonne består af én vektor. Så i eksemplet ovenfor er den første kolonne en strengkolonne, efterfulgt af en numerisk kolonne og derefter af en logisk. Dette svarer til, hvordan en tabel ville se ud i LuckyTemplates.
Du skal også huske, at for datarammer skal der være det samme antal elementer for alle kolonner. Det vil sige, at der skal være et ensartet antal rækker.
Når du bruger , vil du normalt arbejde med datarammer. Så det er vigtigt at forstå, hvad de er, og hvordan de kan bruges.
Indholdsfortegnelse
Indlæsning og visning af en afsendt dataramme
RStudio leveres allerede med afsendte datarammer, som du kan bruge. For at identificere dem skal du bruge datafunktionen ( ) .
Åbn RStudio og kør data ( ) . Du behøver ikke at sætte noget argument i parentes.
Når du er færdig, vil du se en liste over indbyggede datasæt i R, som du kan bruge.
De er virkelig nyttige til at øve og blive fortrolige med, hvordan man bruger datarammer i R.
Det mest almindeligt anvendte indbyggede datasæt er iris . Iris bruges ofte, når man lærer datavidenskab eller dataanalyse generelt. Udskriv iris, så du kan se dens data i konsollen.
Du kan se, at der er en masse data. Når du ruller op, vil du se, at den er sammensat af forskellige kolonner.
Udforskning af datarammer i R ved hjælp af funktioner
En af måderne til at få et bedre overblik over dataene er ved at bruge visningsfunktionen ( ) . Når du kører kodevisningen (iris) , vil du se en ny fane, der indeholder en tabel, vises i RScript.
Det, der får visningen ( ) til at fungere bedre, er, at du kan foretage justeringer i tabellen. Du kan justere rækkefølgen af dataene ved at bruge pilene på hver kolonneoverskrift. Der er også en filterknap.
Du kan også klikke på ikonet ved siden af filteret for at åbne dataene i et nyt vindue.
Dette nye vindue ligner det, hvor du kan se på dataene, men ikke røre dem. Det vil sige, at du ikke kan indtaste eller erstatte værdier oven i de eksisterende data.
En anden nyttig funktion at kende er hovedfunktionen ( ) . Denne funktion udskriver de første rækker af datasættet.
Så hvis du kører hoved (iris) , vil du se, at den kun udskriver de første seks rækker.
Dette er fantastisk, når du ønsker at få en bedre mening med dine data. Konsolen er ikke overvældet, og datapræsentationen er pænere.
Indeksering af datarammer
Indeksering blev også diskuteret i en tidligere tutorial om vektorer. Du behøver kun at bruge firkantede parenteser ( [ ] ) for at indeksere en position. Nu da datarammer er sammensat af rækker og kolonner, skal du indeksere begge. Formatet er navn [række, kolonne] .
For eksempel, hvis du vil indeksere 2. række og 4. kolonne i irisdatasættet , skal du bare køre iris [2, 4] .
Du kan også indeksere et række- og kolonneområde. Alt du behøver er at bruge et kolon ( : ) til at angive rækkevidden. Her er et eksempel:
Du kan også indeksere en hel kolonne. Brug dollartegnet ( $ ) efter datasættets navn, og angiv det kolonnenavn, du ønsker. For eksempel, hvis du vil indeksere hele kolonnen med navnet Species, skal du køre iris$Species .
Du vil derefter se, at hele kolonnen Species er blevet udskrevet i konsollen.
Viser datarammestatistikker i R
Som du har lært i tidligere selvstudier, blev R bygget med henblik på dataanalyse, statistik og visualiseringer. Så en anden nyttig ting at lære om datarammer i R er, hvordan man opsummerer dem.
Når du bruger oversigtsfunktionen ( ) , returnerer konsollen oversigtsstatistikken for disse data.
Kør oversigt (iris) . Dette vil give dig grundlæggende oplysninger om datasættet i form af beskrivende statistik.
Der er andre pakker til at få mere opsummerende statistik såsom standardafvigelse og kurtosis. Men disse vil blive diskuteret i efterfølgende tutorials.
Konklusion
Du har gradvist lært komponenterne i R. Først lærte du om objekter, derefter avancerede du med vektorer, indtil denne lektion om datarammer. Du har nu at gøre med større og mere komplekse data.
Med datarammer er du nu bedre bekendt med de forskellige datasæt i R og lærte, hvordan du kommer frem til grundlæggende statistikinformation.
Du vil fortsætte med at lære gradvist, efterhånden som de næste selvstudier tager fat på måder at opstørre og udforske større data i R.
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
Find ud af, hvorfor det er vigtigt at have en dedikeret datotabel i LuckyTemplates, og lær den hurtigste og mest effektive måde at gøre det på.
Denne korte vejledning fremhæver LuckyTemplates mobilrapporteringsfunktion. Jeg vil vise dig, hvordan du kan udvikle rapporter effektivt til mobilenheder.
I denne LuckyTemplates Showcase gennemgår vi rapporter, der viser professionel serviceanalyse fra et firma, der har flere kontrakter og kundeengagementer.
Gå gennem de vigtigste opdateringer til Power Apps og Power Automate og deres fordele og implikationer for Microsoft Power Platform.
Opdag nogle almindelige SQL-funktioner, som vi kan bruge, såsom streng, dato og nogle avancerede funktioner til at behandle eller manipulere data.
I denne tutorial lærer du, hvordan du opretter din perfekte LuckyTemplates-skabelon, der er konfigureret til dine behov og præferencer.
I denne blog vil vi demonstrere, hvordan man lagdelte feltparametre med små multipler for at skabe utrolig nyttig indsigt og visuals.
I denne blog vil du lære, hvordan du bruger LuckyTemplates rangerings- og brugerdefinerede grupperingsfunktioner til at segmentere et eksempeldata og rangordne det efter kriterier.
I denne tutorial vil jeg dække en specifik teknik omkring, hvordan du kun viser Kumulativ Total op til en bestemt dato i dine visuals i LuckyTemplates.
