R 언어의 중요한 기초 개념 정리
Vectorization
d <- 1:5
d.r <- c(2,1,4,5,3)
d-d.r # -1 1 -1 -1 2 (element-wise operation)
d-mean(d) # -2 -1 0 1 2 (평균인 3이 5개인 vector를 알아서 만들어서 element-wise operation을 수행한다.)
x <- c(2,3,5,7,11)
var(x) # 12.8
* 분산을 구하는 코드를 작성할 때, 일반적인 프로그래밍이라면 벡터안에 있는 원소의 수 만큼 for문을 돌면서 평균을 구하고 분산을 구한다. 하지만 R의 경우 일반적인 프로그래밍처럼 구하지 않는다. 우선, R에서 for문을 사용하는것은 좋지 않다. R은 C로 구현되었는데 for문으로 계속 연산을 실행하면 이 연산 실행하는 수만큼 C 컴파일러와 정보를 주고받는다.
xbar = mean(x)
numer = sum((x-xbar)^2)
n=length(x)
variance = numer/(n-1)
따라서 위와같이 벡터단위로 함수를 실행하여 구하는 게 일반적이고, 효율적인 방법이다.
HELP
객체의 정보를 알아보기 위해 help 함수를 활용하자.
help("mean")
help.search("mean")
apropos("mean") # mean이 포함된 함수를 모두 출력
데이터 구조와 접근법 개요
Series
1:10 # 1 2 3 ... 10
Arithmetic Series
seq(1,9,by=2) # 1,3,5,7,9
seq(1,9,length=5) # 1,3,5,7,9 (1,9를 처음과 끝으로 하여 5개의 수를 만든다.)
Repeated Vector
rep(1,10) # 1 1 1 1 1.... 1
rep(1:3, 3) # 1 2 3 1 2 3 1 2 3
rep(1:3, each=3) # 1 1 1 2 2 2 3 3 3
Assessing data with index (만든 데이터의 원소를 어떻게 불러오나)
d <- 1:5
d[2] # 2
d[1:3] # 1 2 3
d[c(1,3,5)] # 1 3 5
Negaive Index
d[-1] # 2 3 4 5
d[-c(4:5)] # 1 2 3
Replace data
d[1] <- 10
d # 10 2 3 4 5
d[1:3] <- c(10,20,30)
d # 10 20 30 4 5
Get data from logical value
d <- c(1,2,3,4,5)
d > 3.5 # FALSE FALSE FALSE TRUE TRUE
which(d>3.5) # 4 5
d[c>3.5] # 4 5 (TRUE인 원소만 값을 불러온다.)
NA
a <- c(0,1,0,NA,0,0)
a > 0 # FALSE TRUE FALSE NA FALSE FALSE (NA는 어떤 수학적인 연산을 할 수 없다.)
is.na(a) # FALSE FALSE FALSE TRUE FALSE FALSE
mean(a) # NA
mean(a, na.rm=TRUE) # 0.2
Data Type
vector, matrix, array, data.frame, list 5개가 있다.
* matrix와 vector는 비슷하다.
x <- 1:10
attr(x, 'dim') <- c(2,5)
attributes(x) # $dim [1] 2 5
x # 2x5 matrix가 된다.
class(x) # matrix
dim(x) # 2 5
* 따라서 matrix는 vector에 dimension이 추가된 것으로 볼 수 있다.
* 또한 vector는 원소의 타입이 다 같아야한다. 이는 matrix와 array도 마찬가지이다.
* dataframe와 list는 "데이터를 폴더형태로 모아놓은 환경" 이라고 볼 수 있다. 근데 차이는 dataframe은 데이터들의 길이가 같아야하고 list는 데이터의 길이에서 자유롭다.
* R에서 $는 무엇인가? 서로 다른 환경에 접근할 때 $라는 기호를 사용한다. 예를 들어 datat$var 과 같이 data라는 dataframe 내의 var라는 환경에 접근할 수 있다. 이는 list도 마찬가지이다.
x <- data.frame(a=1:10)
x$b <- 11:20 # 해당 컬럼에 값 할당
x$c <- rep(c('a','b'),5))
x$c <- as.factor(x$c) # 이렇게하면 factor로 변경된다.
* 처음 dataframe을 생성하고 변수값을 초기화할 때 string vector를 지정하면 그 string들은 자동으로 factor로 변환된다. 이 때, stringAsFactors=F로해야지 자동으로 factor로 변하지 않고 string으로 저장된다.
class(x) <- NULL
class(x) # list
으로 만들면, x의 class는 list가 된다.
Attach
search()
현재 존재하는 모든 공간을 나타내준다.
attach(x)
이러고 만약 x가 데이터프레임이고 a라는 컬럼이 있다면, 커맨드에 a만쳐도 a 컬럼에 있는 데이터에 접근할 수 있다. 만약 매번 x$a로 접근하는 것이 불편하다면 attach(x)를 통해 서치 공간에 a 컬럼을 추가할 수 있다.
detach(x)
서치공간에서 x를 제거한다.
Data Export
write.table(data, 'x.txt', sep='\t', quote=F, col.names=F, row.names=F) # quote는 문자열에 기본적으로 "를 넣을 것인가? col.names와 row.names는 각각 컬럼 이름과 로우 이름을 출력할지 말지를 나타낸다. 저장되는 위치는 getwd를 통해 알 수 있으며, setwd를 통해 현재 작업디렉토리를 변경할 수 있다.
Data Import
scan(file='a.txt') # (권장하지 않음)
read.table('a.txt', header=TRUE) # 일반적으로 이렇게 읽으며, 데이터프레임으로 읽는다. 또한, 문자열은 자동으로 factor로 변환한다.
만약 데이터를 임포트할 때, 경로를 찾기가 귀찮다면, file.choose()를 이용한다. 그러면 파일 탐색기 창이 뜨고 여기서 파일을 클릭하면 자동으로 해당 경로가 문자열로 나타나게 된다.
함수
f <- function(x, y) {
return(x+y)
}
R의 함수의 기본 문법은 위와 같다. 함수의 종류에도 여러개가 있는데 그 중 하나가 제네릭 함수이다. 예를 들어, summary(f)를 하면 그 함수에 대한 설명이 나온다. 반면, summary(c(1,2,3,4,5))를 하면, 해당 벡터를 연속형 변수로 치고 분포 관련 정보를 보여주게된다. 이는 methods(summary)를 통해 알 수 있다.
> methods(summary)
[1] summary.aov summary.aovlist*
[3] summary.aspell* summary.check_packages_in_dir*
[5] summary.connection summary.data.frame
[7] summary.Date summary.default
[9] summary.ecdf* summary.factor
[11] summary.glm summary.infl*
[13] summary.lm summary.loess*
[15] summary.manova summary.matrix
[17] summary.mlm* summary.nls*
[19] summary.packageStatus* summary.PDF_Dictionary*
[21] summary.PDF_Stream* summary.POSIXct
[23] summary.POSIXlt summary.ppr*
[25] summary.prcomp* summary.princomp*
[27] summary.proc_time summary.srcfile
[29] summary.srcref summary.stepfun
[31] summary.stl* summary.table
[33] summary.tukeysmooth*
이렇게 입력 클래스로 무엇이 들어오느냐에 따라 다른 실행을 한다. lm 클래스가 들어오면, 회귀분석 결과에 관한 요약을 해주고, aov가 들어오면 분산분석 결과에 관한 요약을 해준다.
히스토그램 그리기
x <- rnorm(5000, 1, 5000) # 임의 데이터 생성
> dd <- hist(x)
> class(dd)
[1] "histogram"
class(dd) <- NULL # 클래스를 NULL로 바꾸면 dd가 list가 된다.
dd # 이 dd 안에는 histogram을 그리기 위한 정보들이 들어있다.
$breaks
[1] -18000 -16000 -14000 -12000 -10000 -8000 -6000 -4000 -2000 0
[11] 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000
$counts
[1] 4 9 33 75 155 269 512 665 763 803 619 526 292 156 79 29 8 2
[19] 1
$density
[1] 4.00e-07 9.00e-07 3.30e-06 7.50e-06 1.55e-05 2.69e-05 5.12e-05 6.65e-05
[9] 7.63e-05 8.03e-05 6.19e-05 5.26e-05 2.92e-05 1.56e-05 7.90e-06 2.90e-06
[17] 8.00e-07 2.00e-07 1.00e-07
$mids
[1] -17000 -15000 -13000 -11000 -9000 -7000 -5000 -3000 -1000 1000
[11] 3000 5000 7000 9000 11000 13000 15000 17000 19000
$xname
[1] "x"
$equidist
[1] TRUE
TreeGenes_IGV_Tutorial.pdf
