Dataramar i R: Lär dig grunderna

I tidigare handledningar har du lärt dig om , och . För den här handledningen kommer du att lära dig om dataramar i R.

Dataramar är i huvudsak vektorer som kombineras för att bilda rader och kolumner med data.

En kolumn består av en vektor. Så i exemplet ovan är den första kolumnen en strängkolumn, följt av en numerisk kolumn och sedan av en logisk. Detta liknar hur en tabell skulle se ut i LuckyTemplates.

Du måste också komma ihåg att för dataramar bör det finnas samma antal objekt för alla kolumner. Det vill säga att det ska finnas ett konsekvent antal rader.

När du använder , kommer du vanligtvis att arbeta med dataramar. Så det är viktigt att förstå vad de är och hur de kan användas.

Innehållsförteckning

• Laddar och visar en levererad dataram
• Utforska dataramar i R med hjälp av funktioner
• Indexering av dataramar
• Visar dataramstatistik i R
• Slutsats

Laddar och visar en levererad dataram

RStudio kommer redan med levererade dataramar som du kan använda. För att identifiera dem måste du använda datafunktionen ( ) .

Öppna RStudio och kör data ( ) . Du behöver inte sätta några argument inom parentes.

När du är klar ser du en lista över inbyggda datamängder i R som du kan använda.

De är verkligen användbara för att öva och bli bekanta med hur man använder dataramar i R.

Den vanligaste inbyggda datamängden är iris . Iris används ofta när man lär sig datavetenskap eller dataanalys i allmänhet. Skriv ut iris så att du kan se dess data i konsolen.

Du kan se att det finns mycket data. När du rullar uppåt ser du att den består av olika kolumner.

Utforska dataramar i R med hjälp av funktioner

Ett av sätten att se data bättre är att använda funktionen view ( ) . När du kör kodvyn (iris) ser du en ny flik som innehåller en tabell visas i RScript.

Det som gör att vyn ( ) fungerar bättre är att du kan göra justeringar i tabellen. Du kan justera ordningen på data genom att använda pilarna på varje kolumnrubrik. Det finns också en filterknapp.

Du kan också klicka på ikonen bredvid filtret för att öppna data i ett nytt fönster.

Det här nya fönstret liknar där du kan titta på data men inte röra vid den. Det vill säga, du kan inte ange eller ersätta värden ovanpå befintlig data.

En annan användbar funktion att känna till är huvudfunktionen ( ) . Denna funktion skriver ut de första raderna i datamängden.

Så om du kör huvud (iris) ser du att den bara skriver ut de första sex raderna. 

Detta är bra när du vill få bättre känsla för din data. Konsolen är inte överväldigad och datapresentationen är snyggare.

Indexering av dataramar

Indexering diskuterades också i en tidigare handledning om vektorer. Du behöver bara använda hakparenteser ( [ ] ) för att indexera en position. Nu eftersom dataramar består av rader och kolumner, måste du indexera båda. Formatet är namn [rad, kolumn] .

Till exempel, om du vill indexera den andra raden och den fjärde kolumnen i irisdatauppsättningen, kör bara iris [2, 4] .

Du kan också indexera ett rad- och kolumnintervall. Allt du behöver är att använda ett kolon ( : ) för att ange intervallet. Här är ett exempel:

Du kan också indexera en hel kolumn. Använd dollartecknet ( $ ) efter datauppsättningsnamnet och ange det kolumnnamn du vill ha. Om du till exempel vill indexera hela kolumnen med namnet Species, kör iris$Species .

Du kommer då att se att hela kolumnen Species har skrivits ut i konsolen.

Visar dataramstatistik i R

Som du har lärt dig i tidigare tutorials, byggdes R för syftet med dataanalys, statistik och visualiseringar. Så en annan användbar sak att lära sig om dataramar i R är hur man sammanfattar dem.

När du använder sammanfattningsfunktionen ( ) returnerar konsolen sammanfattningsstatistiken för dessa data.

Körsammanfattning (iris) . Detta ger dig grundläggande information om datamängden i form av beskrivande statistik.

Det finns andra paket för att få mer sammanfattande statistik såsom standardavvikelse och kurtosis. Men dessa kommer att diskuteras i efterföljande tutorials.

Slutsats

Du har lärt dig komponenterna i R successivt. Först lärde du dig om objekt, sedan avancerade du med vektorer fram till den här lektionen om dataramar. Du har nu att göra med större och mer komplexa data.

Med dataramar är du nu bättre bekant med de olika datamängderna i R och lärt dig hur du kommer fram till grundläggande statistikinformation.

Du kommer att fortsätta att lära dig successivt när nästa självstudiekurs tar itu med sätt att utöka och utforska större data i R.