2. Frá tilraun til gagna

Mörg verk þarf að vinna frá því að niðurstöðum rannsóknar hefur verið safnað þar til að hægt er að framkvæma tölfræðiúrvinnslu á þeim niðurstöðum. Í þessum kafla verður gengið í gegnum þau helstu skref sem þarf að stíga á þeirri leið.

Við hefjum umfjöllunina á góðum ráðleggingum varðandi innslátt og skráningu gagnanna, sem er efni kafla 2.1. Í kafla 2.2 sýnum við hvernig gögnin eru lesin inn í R, með aðstoð skipunarinnar read.table(). Einnig sýnum við nokkrar handhægar skipanir til að búa til mælingar, þær eru c(), rep() og seq().

Eftir að gögn hafa verið lesið inn er mikilvægt að fá gróft yfirlit yfir gögnin til að tryggja að innlesturinn hafi gengið sem skildi. Til þess notum við skipanirnar View(), names(), head(), str(), length() og dim() sem við sjáum í kafla 2.2.

Mikilvægt atriði í meðhöndlun gagna er meðhöndlun mælinga sem vantar í gagnasafnið. Það er umfjöllunarefni kafla 2.4 þar sem við kynnumst skipununum is.na() og na.omit(). Í kafla 2.5 sjáum við svo leiðir til að velja tilteknar línur úr gagnatöflunni. Til þess notum við skipanirnar slice(), filter(), which() og grep().

Í kafla 2.6 sýnum við handhægar skipanir til að koma breytunum okkar á það form sem við viljum vinna með, þ.e.a.s. kóða þær. Mesta púðrið fer yfirleitt í að kóða flokkabreytur en einnig lýsum við því beita má vörpunum á talnabreytur og dagsetningar eru meðhöndlaðar. Þar koma við sögu skipanirnar factor(), levels(), cut(), as.Date() og rename().

Síðast en ekki síst fjallar kafli 2.7 um handhægar leiðir til að umraða og umbreyta gagnatöflum. Skipunin select() hjálpar okkur að búa til minni gagnatöflur með færri breytum. Skipanirnar sort() og arrange() gera okkur kleift að raða gildum eftir línum og dálkum á meðan skipanirnar spread() og gather() varpað úr löngu sniði í vítt og öfugt. Að lokum gerir skipunin merge() okkur kleift að sameina tvær eða fleiri gagnatöflur.

2.1. Skráning gagna

Fyrsta ráðleggingin sem við viljum gefa varðandi skráningu gagna er að gæta þess að geyma ætíð frumeintak af mælingunum í annarri skrá áður en þið hefjist handa við nokkra úrvinnslu, þar á meðal að undirbúa lestur gagnanna inn í R. Bæði viljum við ekki eiga á hættu á að gera einhverjar óafturkræfar breytingar á mælingunum og eins gætum við viljað skrá hjá okkur ýmsar upplýsingar sem við notum ekki beint í tölfræðiúrvinnslunni en gætum viljað kanna síðar meir.

Gögn eru oftar en ekki skráð í einhvers konar töflureikni, til dæmis Excel, Numbers, LibreOffice eða Google Sheets, og miðum við umfjöllun kaflans við það. Við gerum ráð fyrir að við mælum margar breytur en höfum eingöngu eina mælingu á hverri breytu fyrir hvert viðfangsefni. Séu fleiri en ein mæling framkvæmd á hverju viðfangsefni þarf að velja á hvaða gagnasniði gögnin eru. Við ræðum slíkt stuttlega í kafla 2.7.

Eftirfarandi gátlisti spannar það helsta sem þarf að hafa í huga við skráningu gagna í töflureikni:

  1. Hefur hver breyta sinn dálk og hvert viðfangsefni sína línu?

    Gætið þess að allar mælingar á sama viðfangsefni séu í einni og sömu línunni og að allar mælingar á sömu breytu séu í einum og sama dálkinum.

2. Eru nokkrar óþarfa línur?

Skráin á að halda gagnatöfluna eina og ekkert annað. Efsta línan á að geyma nöfnin á breytunum, þar fyrir neðan koma mælingarnar á viðfangsefnunum. Ekkert annað á að vera í skránni.

3. Inniheldur skráin séríslenska stafi?

Séríslenskir stafir, svo sem þ, ð og æ, geta oft valdið usla þegar gögn eru flutt á milli tölva. Því borgar sig að forðast alla séríslenska stafi, hvort sem heldur í breytuheitum eða þeim gildum sem mælingarnar taka. Ritið þannig breytuna hæð heldur sem breytuna haed svo dæmi sé nefnt. Ef þið skráið ekki gögnin sjálf heldur fáið í hendur gögn sem innihalda séríslenska stafi þá má þó prófa að notast við skrána með séríslensku stöfunum og skipta þeim ekki út fyrr en við höfum séð að þeir valdi vandræðum.

4. Eru nokkur bil?

Það getur að sama skapi valdið vandræðum þegar breytuheiti eða gildi mælinga eru skráð með tveimur eða fleiri orðum. Það er hægt að komast hjá því með því að annað hvort leika sér með hástafi og lágstafi eða nota \(\_\) táknið. Þannig væri hægt að skrá breytuna fyrsta koma sem annað hvort sem fyrstaKoma eða fyrsta\_koma til dæmis.

5. Eru sömu útkomurnar skráðar á sama hátt?

Við þurfum alltaf að gæta þess að skilgreina nákvæmlega hvaða útkomur breyturnar okkar geta tekið og að skrá sömu útkomurnar á sama hátt. Að ja sé ekki stundum skráð sem Ja eða jafnvel ju. Stundum þvælast óþarfa auð tákn með í útkomuna sem valda vandræðum seinna meir. Oft getur borgað sig að kóða útkomurnar heldur með tölustöfum heldur en orðum.

6. Hefur hver breyta sitt nafn?

Pössum að engar tvær breytur hafi sama nafnið. Að það séu til dæmis ekki tveir dálkar sem bera heitið numer. Gætið þess að hafa breytuheiti lýsandi án þess að vera of löng.

7. Er fullt samræmi í því hvernig tölur eru skráðar?

Er „þrír komma fjórir“ ritað sem 3,4 eða 3.4 eða kannski beggja blands hér og þar í skjalinu?

8. Eru nokkrir punktar sem gætu valið misskilningi?

Notum eingöngu punkta til að aðgreina á milli heiltöluhluta og aukastafa en ekki til að gera þúsund og milljónir læsilegri. Á Íslandi er stærðin 3482 oft rituð sem 3.482 en fáum við eingöngu töluna 3.482 gefna er ekki ljóst hvort hún eigi við töluna „þrjú þúsund fjögur hundruð áttatíu og tveir“ eða „þrír komma fjórir átta tveir“.

Þegar við höfum gengið úr skugga um ofangreind atriði er tímabært að vista gögnin á forminu .csv. Nær allir ritlar geta vistað skrár á þessu formi. Þá þurfum við oftast að fara í File, Save as og velja svo comma seperated value, text csv eða eitthvað álíka eftir því hvert forritið er. Þessa .csv skrá köllum við gagnaskrá.

Oft koma einhverjir valmöguleikar upp með það hvernig breytur séu aðgreindar frá dálki til dálks. Við mælum með því að nota annað hvort tab eða semikommur en alls ekki kommur því þær gætu einnig verið notaðar til að aðgreina heiltöluhluta og tugabrot.

Flest forrit á Íslandi nota kommur til að aðgreina heiltöluhluta og tölustafi en R aðgreinir með punkti. Séu heiltöluhlutar og tugabrot aðskilin með kommu í .csv skránni okkar þurfum við að fara aðra af tveimur leiðum:

  1. Gefa R til kynna að kommur séu notaðar til að aðgreina milli heiltöluhluta og tugabrota. Það er stillingaratriði í aðferðinni read.table() sem við kynnumst hér að neðan.

  2. Opna .csv skrána í einföldum ritli eins og Notepad eða TextEdit. Fara svo yfir skjalið með find og replace og skipta öllum kommum út fyrir punkta. Gætið þess að vista skrána aftur á forminu .csv. Stundum er hægt að gera þetta beint í Excel eða Open Office.

Fyrst um sinn er einfaldast og þægilegast að vista gagnaskrárnar í sömu möppu og við geymum skipanaskrárnar. R gerir að vísu enga kröfu um það, R getur náð í skrár hvaðan sem er af tölvunni (við þurfum bara að vísa á réttan stað), en það einfaldar ykkur úrvinnslu þegar verkefnin eru ekki mjög stór og gagnasöfnin sem við vinnum með eru ekki mörg. Séum við hins vegar að vinna stærri verkefni með nokkrum gagnasöfnum borgar sig að hafa sérstaka undirmöppu sem geymir einvörðungu gögnin.

Nú fyrst er tímabært að lesa gögnin inn í R.

2.2. Innlestur gagna

2.2.1. Innlestur gagna

2.2.1.1. read.table()

Athugið

Inntak: nafn á gagnaskrá

Úttak: gagnatafla

Helstu stillingar: header, sep, dec, na.strings, stringsAsFactors

Á síðu bókarinnar má finna gagnaskrána pulsAll.csv. Byrjið á því að vista hana í vinnumöppunni ykkar, þ.e.a.s. sömu möppu og þið geymið skipanaskrána ykkar. Þá má lesa þau inn í R með skipuninni:

puls <- read.table("pulsAll.csv", header=TRUE, sep=";")

Fyrst tilgreinum við nafnið á skránni: pulsAll.csv. Þar á eftir gefum við ýmis konar stillingar, aðgreindar með kommum.

Þær stillingar sem við komum oft til með að nota eru:

  • header=TRUE: Að breytuheiti séu í efstu línu gagnaskráarinnar.

  • sep=”;”: Dálkar/breytur eru aðgreindir með semikommu.

    Séu dálkar t.d. aðgreindir með tab skiptum við sep=”;” út fyrir sep=”\t”.

  • dec=”,”: Ef tugabrot og heiltöluhlutar eru aðgreind með kommu í stað punkts þarf að nota þessa stillingu.

  • na.strings: Tilgreinir hvaða tákn á að líta á sem vantaðar mælingar (t.d. 999, NA osfrv).

  • stringsAsFActors: Tilgreinir að strengjabreytur eigi ekki að vista sem flokkabreytur.

Um leið og við gefum skipunina höfum við lesið inn gögnin okkar og vistað sem gagnatöflu undir heitinu puls. Við hefðum getað gefið töflunni hvaða heiti sem við viljum, hún hefði allt eins geta heitið gogn, tilraun1 eða hvað annað sem okkur dettur í hug . Það eina sem ekki má er að láta nöfn byrja á tölustaf. Það væri því ekki í lagi að gefa töflunni heitið 1tilraun.

Ef við sláum

puls

inn í keyrslugluggann birtist svo öll taflan. Gætið ykkar að ef gagnataflan er mjög stór fyllir hún fljótt marga skjái svo þetta er ekki góð leið til að fá yfirlit yfir gögnin. Betra er að nota skipanirnar s.s. head() og str() sem við fjöllum um hér fyrir neðan.

Þegar við höfum lesið gögn inn sem töflu getum við hæglega „dregið“ eina og eina breytu út úr töflunni, skoðað nánar og jafnvel breytt. Viljum við t.d. ná í breytuna haed úr gagnatöflunni puls gerum við það með:

puls$haed

2.2.1.2. c()

Athugið

Inntak: gildi vigurs

Úttak: vigur

Þegar við vinnum með lítil gagnasöfn eða fáar mælingar getur oft verið hentugt að skrá þær beint inn í R, í stað þess að lesa gögnin úr .csv skrá. Til þess höfum við skipunina c(). Þannig býr skipunin

postnumer <- c(170,107,110, 101,105,107,111,108,104,101)

til vigurinn postnumer sem inniheldur 10 mælingar á póstnúmerum. Röðun póstnúmera í vigrinum er í þeirri röð sem þær eru slegnar:

postnumer
##  [1] 170 107 110 101 105 107 111 108 104 101

2.2.1.3. seq()

Athugið

Inntak: upphafs- og endagildi

Úttak: vigur

Helstu stillingar: by

Skipunin seq() er sérlega handhæg til að búa til talnarunur. Algengast er að mata hana með tveimur heiltölum og þá skilar hún vigri með öllum heiltölum á því bili. Einnig má hafa styttra eða lengra bil á milli talnanna í vigrinum, með stillingunni by tilgreinum við hvert bilið á að vera á milli talnanna. Hér eru tvö dæmi:

seq(3,7)
## [1] 3 4 5 6 7
seq(3,7, by=0.5)
## [1] 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0

Einnig er hægt að búa til runur af heiltölum með einföldum hætti með tvípunkti:

3:7
## [1] 3 4 5 6 7

2.2.1.4. rep()

Athugið

Inntak: gildi sem á að endurtaka

Úttak: vigur

Helstu stillingar: each

Önnur þægileg skipun er rep(). Með henni getum við búið til vigra þar sem sömu gildin eru endurtekin með kerfisbundnum hætti. Skipunin er mötuð með gildi eða vigri sem á að endurtaka og hversu oft vigurinn skal endurtekinn. Skipunin hér að neðan endurtekur vigurinn \(1, 2, 3\) fjórum sinnum.

rep(1:3,4)
##  [1] 1 2 3 1 2 3 1 2 3 1 2 3

Einnig er hægt að gefa stillinguna each og þá er hvert stak í upphaflega vigrinum endurtekið:

rep(1:3,each=4)
##  [1] 1 1 1 1 2 2 2 2 3 3 3 3

2.2.2. Staðsetning skráa\(^\ast\)

Ein af stillingunum í read.table, file=, segir til um staðsetningu skráarinnar sem lesin er inn. Ef skráin er staðsett í vinnumöppu sem skilgreind er í R-setunni þá er read.table einfaldlega mötuð með nafninu á skránni. Hins vegar ef skráin er staðsett annars staðar flækist málið lítið eitt.

Mynd

Viljum við t.d. lesa Gagnaskrá_1 inn í R gefum við skipunina:

dat <- read.table(file = 'Gagnaskrá_1')

Til þess að lesa Gagnaskrá_3 þurfum við að bæta við nafninu á möppunni sem hún er í, þ.e.a.s. Gagnamappa_1:

dat <- read.table(file = 'Gagnamappa_1/Gagnaskrá_3')

Til þess að lesa inn Gagnaskrá_2 er hægt bakka upp í yfirmöppuna með því að vísa í hana með „..“ og svo fara í Gagnamöppu_2:

dat <- read.table(file = '../Gagnamappa_2/Gagnaskrá_2')

Skipunin að ofan vísar afstætt í Gagnaskrá_2. Einnig er hægt að víst algilt á skránna. Sé yfirmappann staðsett sem fyrsta mappa á stýrikerfisdisk má lesa skránna inn svona fyrir linux/MacOsX

dat <- read.table(file = '/Yfirmappa/Gagnamappa_2/Gagnaskrá_2')

og fyrir Windows (að því gefnu að stýrikerfis sé á c drifi):

dat <- read.table(file = 'c:/Yfirmappa/Gagnamappa_2/Gagnaskrá_2')

2.3. Gróft yfirlit gagna

2.3.1. Gróft yfirlit gagna

Eftir að gögnin hafa verið lesin inn er skynsamlegt að kanna að innlesturinn hafi gengið sem skyldi. Sé unnið í RStudio má smella á nafnið á gagnatöflunni í glugganum í efra hægra horninu en þá opnast gögnin á töfluformi. Til þess má einnig nota skipunina View().

Skipunin read.table() skráir sérhverja breytu hjá sér ýmist sem flokkabreytu (factor) eða talnabreytu (num eða int). Breytur sem innihalda eingöngu tölur eru sjálfkrafa vistaðar sem talnabreytur. Ef þær innihalda bara heiltölur eru þær vistaðar sem int en ef þær innihalda tugabrot eru þær vistaðar sem num. Það skiptir engu máli í úrvinnslunni hvort þær eru vistaðar sem int eða num.

Algengt er að notaðir séu talnakóðar fyrir gildi á flokkabreytum. Dæmi um þetta er að nota gildið 1 fyrir kona og 2 fyrir karl í breytunni kyn. Þar sem breytan inniheldur eingöngu tölur er kyn skilgreind sem talnabreyta eftir innlestur í R. Áður en úrvinnsla hefst þarf að breyta talnabreytunni í flokkabreytu (sjá kafla 2.6 ). Það getur einnig gerst að talnabreytur séu ranglega vistaðar sem flokkabreytur og getur það t.d. gerst þegar einhverjar mælingar á breytunni innihalda bókstafi eða þegar ekki er rétt tilgreint hvernig tugabrot eru aðskilin. Þetta þarf allt að laga áður en úrvinnsla hefst.

2.3.1.1. View()

Athugið

Inntak: nafn á gagnatöflu

Úttak: gögnin birtast á töfluformi

R lítur sjálfkrafa á hvern dálk úr gagnaskrá sem mælingu á einni breytu. Skipunin names() skilar nöfnunum á öllum breytum sem eru geymdar í gagnatöflu.

2.3.1.2. names()

Athugið

Inntak: nafn á gagnatöflu

Úttak: nöfn breytanna í gagnatöflunni skrifaðar út

Þannig gefur skipunin

names(puls)
##  [1] "namskeid"    "kronukast"   "haed"        "thyngd"      "aldur"
##  [6] "kyn"         "reykir"      "drekkur"     "likamsraekt" "fyrriPuls"
## [11] "seinniPuls"  "inngrip"     "dagsetning"

nöfnin á öllum þeim breytum sem tilheyra gagnatöflunni puls.

2.3.1.4. str()

Athugið

Inntak: nafn á gagnatöflu

Úttak: samantektir fyrir breyturnar

Önnur góð leið til að fá fljótt yfirlit yfir breytur gagnatöflunnar er að nota skipunina str(). Hún sýnir okkur á hvaða formi R skráir hvaða breytu og gefur einnig stutt yfirlit yfir það á hvaða bili mælingarnar liggja. Í okkar tilviki væri skipunin:

str(puls)
## 'data.frame':    471 obs. of  13 variables:
##  $ namskeid   : Factor w/ 2 levels "LAN203","STAE209": 2 1 1 2 2 2 1 2 2 1 ...
##  $ kronukast  : Factor w/ 2 levels "landvaettir",..: 1 2 1 2 2 1 1 1 2 1 ...
##  $ haed       : num  161 185 167 174 163 175 178 191 176 176 ...
##  $ thyngd     : num  60 115 NA 67 57 59 70 94 68 82 ...
##  $ aldur      : int  23 52 22 21 20 20 39 21 20 70 ...
##  $ kyn        : int  1 2 1 1 1 1 1 2 1 2 ...
##  $ reykir     : Factor w/ 2 levels "ja","nei": 2 NA 2 2 2 2 NA 2 2 2 ...
##  $ drekkur    : Factor w/ 2 levels "ja","nei": 2 1 1 1 1 1 1 1 1 1 ...
##  $ likamsraekt: num  3.5 0 2 1 5 5 3.5 0 10 14 ...
##  $ fyrriPuls  : int  83 80 43 76 71 65 77 79 73 65 ...
##  $ seinniPuls : int  84 103 52 105 68 65 75 83 90 78 ...
##  $ inngrip    : Factor w/ 2 levels "hljop","sat_kyrr": 2 1 2 1 2 2 2 2 1 1 ...
##  $ dagsetning : Factor w/ 3 levels "5.1.2015","6.1.2014",..: 3 3 3 3 3 3 3 3 ...

Við mælum eindregið með að nota ávalt str() skipunina til að kanna hvort allar breytur gagnatöflunnar séu á réttu formi eftir innlestur gagnanna.

2.3.1.5. length()

Athugið

Inntak: nafn á vigri

Úttak: lengd vigursins

Helstu stillingar:

Skipunin length() gefur okkur lengd þess vigurs (breytu) sem hún er mötuð með, þ.e.a.s. hún segir okkur hversu margar mælingar eru geymdar í tilteknum vigri. Í dæminu að ofan gefur skipunin

length(puls$haed)
## [1] 471

útkomuna \(471\). Þ.e.a.s. það eru \(471\) mælingar á hæð geymdar í breytunni haed í gagnatöflunni puls.

2.3.1.6. dim()

Athugið

Inntak: nafn á gagnatöflu/fylki

Úttak: vídd gagnatöflunnar/fylkisins

Skipunin dim() skilar fjölda lína og fjölda dálka í gagnatöflu, þ.e.a.s. hversu margar mælingar og breytur eru í töflunni.

2.4. Vöntun mælinga

2.4.1. Vöntun mælinga

Við vinnum afar oft með gagnatöflur þar sem það vantar mælingar á einhverjum breytum hjá sumum viðfangsefnum. R leysir úr því með því að gefa þeim mælingum gildið NA sem stendur einfaldlega fyrir „not available“, þ.e. mælinguna vantar. Í þessum undirkafla munum við kynnast skipununum is.na(), sem hjálpar okkur að finna mælingar sem vantar og na.omit() sem fjarlægir mælingar sem vantar.

Margar þeirra R-skipana sem þið munuð kynnast seinna meir gefa villu ef vigurinn sem við mötum þær með inniheldur NA gildi. Þar sem stillingarnar eru ólíkar eftir því hverjar skipanirnar eru munum við tilgreina þær með umfjöllun hverrar og einnar skipunar en ekki hér í þessum kafla.

2.4.1.1. is.na()

Athugið

Inntak: vigur eða fylki

Úttak: vigur eða fylki

Það er alltaf gott að kanna hvort það séu einhver NA gildi í breytunum okkar áður en við hefjum úrvinnslu og hversu mörg þau eru. Til þess er gott að nota skipunina is.na() en hún segir okkur hvort mæling sé NA eða ekki. Sjáið sem dæmi:

fjoldi <- c(2,5,3,NA,1)
is.na(fjoldi)
## [1] FALSE FALSE FALSE  TRUE FALSE

Við mötuðum skipunina is.na() með vigri með fimm mælingum. Út kemur vigur með fimm mælingum, þar sem stendur FALSE þar sem við höfum mælingu en TRUE þar sem við höfum NA gildi, sem í þessu tilviki er í fjórða sæti vigursins.

Það má líka mata gagnatöflu í is.na() og þá gefur skipunin töflu af sömu stærð sem inniheldur FALSE á hverjum þeim stað sem mæling er til staðar en TRUE þar sem NA gildi eru.

2.4.1.2. na.omit()

Athugið

Inntak: vigur eða fylki

Úttak: vigur eða fylki

Önnur skipun, náskyld is.na(), er na.omit(). Hún getur bæði verið mötuð á vigri og gagnatöflu. Sé hún mötuð á vigri skilar hún samsvarandi vigri þar sem búið er að fjarlægja NA gildi. Sé hún mötuð með gagnatöflu skilar hún nýrri gagnatöflu með viðfangsefnum sem enga mælingu vantar hjá.

Skipunin

puls2 <-na.omit(puls)

smíðar gagnatöfluna puls2 sem inniheldur aðeins einstaklinga sem enga mælingu vantar hjá. Gætið ykkar að við viljum afar sjaldan eyða út öllum einstaklingum í gagnatöflu sem vantar einhverja mælingu hjá. Segjum sem sem dæmi að það vanti margar mælingar á breytunni reykir í gagnasafninu okkar en í raun höfum við mestan áhuga á að rannsaka breytuna haed. Með því að henda út öllum einstaklingum sem vantar mælingar á breytunni reykir erum við búin að henda út mælingum sem við gætum notað í rannsóknum okkar á hæð.

2.5. Ákveðin gildi valin úr gagnatöflu

2.5.1. Ákveðin gildi valin úr gagnatöflu

Mikilvægur hluti af meðhöndlun gagna er að velja út ákveðinn hluta gagnatöflunnar okkar. Eitt dæmi er ef við viljum skipta gögnunum okkar upp í lög (e. strata) og annað er þegar við viljum búa til nýjar breytur út frá þeim mælingum sem fyrir eru. Í þessum undirkafla munum við fjalla um margar öflugar leiðir til að velja mælingar úr vigrum eða gagnatöflum. Margar frábærar leiðir til slíks tilheyra pakkanum dplyr() og munum við kynnast nokkrum þeirra hér á eftir. Þá þarf að gæta að pakkinn sé aðgengilegur í vinnulotunni okkar áður en við notum aðferðirnar.

Nær allar aðferðir til að velja hluta af gögnum krefjast notkun samanburðarvirkja. Sá einfaldasti þeirra er == en hann notum við til að kanna hvort vigur innihaldi eitthvað tiltekið gildi. Þá ritum við vigurinn fyrst, þá == og loks tiltekna gildið. Skipunin skilar jafnlöngum vigri og þeim sem við mötuðum í skipunina sem inniheldur eingöngu TRUE eða FALSE gildi. Sé ákveðna gildið í tilteknu sæti vigursins inniheldur útkomuvigurinn TRUE í tilsvarandi sæti, en FALSE annars. Í skipuninni hér að neðan skoðum við vigurinn puls$kyn sem inniheldur kyn viðmælanda.

puls$kyn == 1
##   [1]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE FALSE FALSE
##  [12] FALSE  TRUE FALSE  TRUE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE
##  [23] FALSE  TRUE  TRUE  TRUE FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE
....

Ekki gleyma því að setja gæsalappir utanum gildi breytunnar eigi það við. Þær þurfum við alltaf að setja þegar gildið sem við viljum kanna er kóðað með orði en ekki tölustaf.

Berið útkomuvigurinn saman við vigurinn

puls$kyn
##   [1] 1 2 1 1 1 1 1 2 1 2 2 2 1 2 1 1 2 2 1 2 1 1 2 1 1 1 2 1 2 1 2 1 2 2 1
##  [36] 2 1 2 1 1 1 1 1 1 2 2 1 2 2 1 1 1 1 2 1 1 2 1 1 1 2 2 1 1 2 2 1 2 1 1
##  [71] 1 1 1 1 2 2 1 1 1 1 1 1 2 2 2 2 1 2 1 1 1 2 1 1 1 1 1 1 1 2 1 1 2 2 1
....

þannig sjáið þið að útkomuvigurinn inniheldur FALSE alls staðar þar sem puls$kyn hefur gildið 2 en TRUE annars. Samanburðarvirkinn er mikið notaður við lagskiptingu gagna.

Líkt og við notum == getum við einnig notað aðra samanburðarvirkja:

>

stærri en

>=

stærri eða jafnt og

<

minni en

<=

minni eða jafnt og

!=

ekki jafnt og

&

og

|

eða

Efstu virkjarnir fjórir skýra sig að mestu leyti sjálfir. Ef við viljum t.d. búa til nýja gagnatöflu pulsS sem inniheldur aðeins einstaklinga sem eru hærri en 170 cm á hæð gerum við það með:

pulsS <- puls[puls$haed > 170, ]

Hvað varðar neðri virkjana tvo, þá er virkinn \(\&\) mataður með tveimur skilyrðum og skilar TRUE eingöngu ef bæði skilyrðin eru uppfyllt. Virkinn \(|\) er sömuleiðis mataður með tveimur skilyrðum en það nægir að eingöngu annað þeirra séu uppfyllt til að hann skili TRUE.

Síðast en ekki síst er virkinn %in% mikið notaður. Hann má nota til að spyrja hvort gildi mælingar sé meðal einhverra annarra gildi. T.d. skilar skipunin:

puls$likamsraekt%in%c(7,8,9)
##   [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
##  [12] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE
##  [23] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
....

gildinu TRUE ef breytan likamsraekt tekur eitthvert gildanna 7, 8 eða 9, en FALSE annars.

2.5.1.1. slice()

Athugið

Inntak: nafn á gagnatöflu og vigur

Úttak: gagnatafla

Pakki: dplyr

Fyrsta aðferðin sem við kynnumst úr dplyr er slice(). Hana notum við til að velja ákveðnar línur út gagnatöflu. Ef við viljum t.d. geyma mælingar á fyrstu 10 viðfangsefnunum í puls gagnatöflunni í nýrri gagnatöflu getum við gert það með:

puls.first<-slice(puls,1:10)

2.5.1.2. filter()

Athugið

Inntak: nafn á gagnatöflu og nöfn á breytum ásamt skilyrðum

Úttak: gagnatafla

Pakki: dplyr

Næsta skipun er filter(). Hana notum við til að velja aðeins hluta eða lag af gagnatöflunni okkar. Við mötum hana með nafninu á gagnatöflunni sem við viljum lagskipta ásamt skilyrðum sem það lag sem við ætlum að draga út þarf að uppfylla. Við getum t.d. búið til nýja gagnatöflu sem inniheldur aðeins þá sem reykja með:

puls.konur<-filter(puls,reykir=='ja')

Ef við viljum skoða gögn þeirra sem reykja og fengu landvætti getum við gert það með (takið eftir að hér er ekki búin til ný gagnatafla):

filter(puls,reykir=="ja", kronukast=='landvaettir')

##    namskeid   kronukast haed thyngd aldur kyn reykir drekkur likamsraekt
## 1   STAE209 landvaettir  194     79    28   2     ja      ja         4.0
## 2    LAN203 landvaettir  185     78    44   2     ja      ja         2.0
....

Einnig er, eins og við sáum hér á undan, hægt að nota hornklofa ([ ]) til að velja hluta af gagnatöflu. Þá mötum við hornklofann með tveimur vigrum af vísum sem við aðgreinum með kommu. Fyrst kemur vísavigurinn sem tilgreinir hvaða viðfangsefni (línur) við viljum velja síðan kemur vísavigurinn sem tilgreinir hvaða breytur (dálka) við viljum velja. Við númerum viðfangsefni frá efsta viðfangsefninu til þess neðsta (þ.e.a.s. efsta línan er númer eitt), en breyturnar frá vinstri til hægri (þ.e.a.s. breytan lengst til vinstri er númer eitt).

Ef við viljum skoða hver mælingin á breytu 2 (haed) á viðfangsefni 23 er í gagnatöflunni okkar puls gefum við skipunina:

puls[23,2]
## [1] thorskur
## Levels: landvaettir thorskur

Ef við sleppum fyrri vísavigrinum fáum við mælingar á öllum viðfangsefnum fyrir breyturnar sem við tilgreinum í seinni vigrinum. Þannig gefur skipunin

puls[,2]

mælingarnar á hæð fyrir öll viðfangsefnin. Ef við sleppum seinni vísavigrinum fáum við mælingar á öllum breytum fyrir viðfangsefnin sem við tilgreinum í fyrri vigrinum. Þannig gefur skipunin

puls[c(23,49),]
##    namskeid kronukast haed thyngd aldur kyn reykir drekkur likamsraekt
## 23  STAE209  thorskur  173     72    33   2     ja      ja           2
## 49  STAE209  thorskur  184     74    20   2    nei      ja          10
##    fyrriPuls seinniPuls inngrip dagsetning
## 23        68         79   hljop   7.1.2013
## 49        62         75   hljop   7.1.2013

allar mælingar fyrir viðfangsefni númer 23 og 49.

Að lokum getum við notað mínus til að skoða mælingar í gagnatöflu fyrir öll viðfangsefni nema einhver tiltekin, eða allar breytur nema einhverjar tilteknar.

puls[-c(23,49), -2]

gefur mælingar fyrir öll viðfangsefni nema númer 23 og 49 og allar breytur nema þá aðra.

2.5.1.3. which()

Athugið

Inntak: skilyrði

Úttak: vigur eða fylki með vísum í stök sem uppfylla skilyrðið/in

Helstu stillingar: arr.ind

Að lokum viljum við nefna tvær aðferðir sem fylgja grunnpakka R. which() aðferðin er einstaklega gagnleg og gefur hún okkur vísa á gildi í vigri, gagnatöflu eða fylki sem uppfylla ákveðin skilyrði. Við getum t.d. kannað hvaða einstaklingar eru hærri en 190 cm á hæð í puls gögnunum okkar:

which(puls$haed>190)
##  [1]   8  17  33  34  46  75  84 107 113 161 238 263 297 301 332 341 357
## [18] 358 370 399 408 431 437

Ef við mötum which() með tvívíðum hlut (fylki) og notum arr.ind stillinguna skilar aðferðin númerinu á línunni og á dálkinum sem skilyrðunum er uppfyllt.

2.5.1.4. grep()

Athugið

Inntak: nafn á skilyrði og nafn á vigri

Úttak: gildi eða vísar fyrir gildi

Helstu stillingar: value

Seinni skipunin er grep(). Hún getur verið einstaklega handhæg ef við viljum sem dæmi búa til flokkabreytur út frá textastrengjum. Eftirfarandi skipun finnur til dæmis vísi allra þeirra dagsetninga sem innihalda textastrenginn 2013.

grep(2013, puls$dagsetning)
##   [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17
##  [18]  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34
##  [35]  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51
....

Ef við gefum stillinguna value=TRUE fáum við mælingarnar sem pössuðu við leitarskilyrðið en ekki bara vísa þeirra:

grep(2013, puls$dagsetning, value=TRUE)
##   [1] "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013"
##   [7] "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013"
##  [13] "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013" "7.1.2013"
....

2.6. Kóðun breyta

Yfirleitt þarf að vinna talsvert með breyturnar í gagnatöflunni áður en tölfræðileg úrvinnsla getur hafist. Bæði þarf oft að búa til nýjar, afleiddar breytur, en einnig að gæta þess að breytur séu vistaðar á réttu sniði og jafnvel að beita vörpunum af talnabreytum. Slíkt köllum við einu orði að kóða breytur. Algengustu kóðanirnar sem við framkvæmum eru að:

  1. Kóða breytur sem voru skráðar sem tölur sem flokkabreytur og skilgreina gildi flokkanna með skipununum factor() og levels().

  2. Skipta talnabreytum upp í bil og búa til flokkabreytur út frá þeim með skipuninni cut().

  3. Sameina tvo eða fleiri flokka í flokkabreytu.

  4. Kóða strengi eða flokkabreytur sem dagsetningar með as.Date().

  5. Búa til breytu með því að leita eftir textabútum í strengjum með grep().

  6. Gefa breytum þægilegri heiti með skipuninni rename().

  7. Beita vörpunum á talnabreytur.

Við förum nánar í þessi atriði hér fyrir neðan.

2.6.1. A: Flokkabreytur skilgreindar

2.6.1.1. factor()

Athugið

Inntak: nafn talnabreytu

Úttak: flokkabreyta

Helstu stillingar: levels, labels, ordered

Flokkabreytur eru oft kóðaðar með tölum og þá mun R vista þær sem talnabreytur þegar gögnin eru lesin inn. Slíkt á t.d. við breytuna kyn í gagnatöflunni puls. Við notum skipunina factor() til að gefa R til kynna að breyta sé flokkabreyta. Ef við viljum leiðrétta hvernig breytan kyn er vistuð í gagnatöflunni sjálfri notum við skipunina:

puls$kyn <- factor(puls$kyn)

Takið eftir því að hér að ofan yfirskrifum við gömlu talnabreytuna kyn með nýju flokkabreytunni (þær bera sama nafn). Í þessu tilviki er það einmitt það sem við viljum gera. Það gæti þó komið fyrir að við viljum halda í gömlu talnabreytuna en þá þurfum við að búa til nýja breytu í stað þess að skrifa yfir þá gömlu. Til að gera það þurfum við að gæta að nota annað nafn en á upphaflegu talnabreytunni. Með eftirfarandi skipun búum við til nýja breytu kynf í gagnatöflunni puls.

puls$kynf <- factor(puls$kyn)

Hefðum við aðeins keyrt seinni factor() skipunina ættum við til talnabreytuna kyn í gagnatöflunni ásamt flokkabreytunni kynf.

R meðhöndlar flokkabreytur á annan hátt en talnabreytur, réttilega. Því er mikilvægt að breytur séu ætíð rétt skráðar svo að til að mynda gröf af þeim breytum séu rétt teiknuð og margt fleira.

2.6.1.2. levels()

Athugið

Inntak: nafn á flokkabreytu

Úttak: nöfn á flokkum flokkabreytunnar

Hægt er að nota levels() skipunina til að endurskýra nöfn á flokkum í flokkabreytu. Viljum við endurskýra nöfnin á flokkunum í breytunni kyn er ágætt að byrja á að keyra skipunina

levels(puls$kyn)
## [1] "1" "2"

því hún skilar okkur núverandi nöfnum. Viljum við breyta nöfnunum á flokkunum í kvk og kk gerum við það með:

levels(puls$kyn)<-c("kvk","kk")

Hér þarf að passa að röðunin sé rétt miðað við gömlu heitin, annars breytum við öllum konum í kk og körlum í kvk.

2.6.2. B: Talnabreytum skipt upp í bil

2.6.2.1. cut()

Athugið

Inntak: talnabreyta

Úttak: flokkabreyta

Helstu stillingar: breaks, include.lowest, right

Stundum viljum við skipta gildum talnabreytu upp í flokka. cut() aðferðin tekur inn talnabreytu, skiptir gildum hennar upp í flokka sem notandinn skilgreinir og skilar svo flokkabreytu. Við mötum aðferðina með mörkunum á flokkunum en það má gera á nokkra vegu með hjálp include.lowest og right stillingunum. Skoðið help(cut) til að kanna nánar hvernig aðferðin virkar.

Búum nú til flokkabreytu úr talna breytunni likamsraekt. Við ætlum að skipta viðfangsefnunum upp í þrjá flokka, þá sem stunda litla líkamsrækt (0-1 klst. á viku), miðlungs (2-4 klst. á viku) og þá sem stunda mikla líkamsrækt (\(>\) 5 klst. á viku). Gætið þess að skýra nýju breytuna eitthvað annað en likamsraekt svo við yfirskrifum ekki talnabreytuna heldur búum þess í stað til nýja breytu. Við mötum aðferðina með nafninu á talnabreytunni likamsraekt og mörkunum á flokkunum. Ætlum við að tilgreina vinstri mörkin á flokkunum okkar (lægri mörkin) notum við right=F stillinguna. Við mötum því aðferðina með 0,2,5 (neðri mörkin á flokkunum okkar) en þurfum svo að gefa efra mark á síðasta flokknum. Þetta þarf að vera gildi sem er a.m.k. einu gildi hærra en hæsta gildið sem talnabreytan tekur. Hér notum við gildið 100 (fallegra væri að nota max(puls$likamsraekt)+1):

puls$likamsraektf<-cut(puls$likamsraekt,c(0,2,5,100),right=F)

Hér sjáum við hversu margir verða í hverjum flokki:

table(puls$likamsraektf)
##
##   [0,2)   [2,5) [5,100)
##      85     191     190

Við getum svo notað levels() skipunina til að endurskýra flokkana:

levels(puls$likamsraektf)<-c("Lítil","Miðlungs","Mikil")
table(puls$likamsraektf)
##
##    Lítil Miðlungs    Mikil
##       85      191      190

2.6.3. C: Flokkar sameinaðir

Afar oft viljum við sameina tvo eða fleiri flokka flokkabreytu. Í R framkvæmum við það með því að gefa tveimur eða fleiri flokkum sama heitið með skipuninni levels(). Segjum sem svo að við viljum sérstaklega kanna mun á þeim nemendum sem stunda mikla líkamsrækt í samanburði við alla aðra nemendur. Þá væri handhægt að hafa nýja breytu likamsraekt2 sem tekur bara tvö gildi: ekkiMikil og Mikil.

Þegar við búum til breytuna ætlum við að sameina flokkana Lítil og Miðlungs undir nafninu ekkiMikil. Búum fyrst til afrit af breytunni og sjáum í hvaða röð flokkarnir eru taldir upp:

puls$likamsraekt2 <- puls$likamsraektf
levels(puls$likamsraekt2)
## [1] "Lítil"    "Miðlungs" "Mikil"

Flokkarnir sem við ætlum að sameina eru fyrstu tveir flokkarnir sem eru taldir upp. Því skrifum við ekkiMikil í fyrstu tvö sætin en Mikil á sama stað og hún stóð áður.

levels(puls$likamsraekt2) <- c('ekkiMikil','ekkiMikil','Mikil')

Nýja sameinaða breytan hefur eingöngu tvo flokka:

str(puls$likamsraekt2)
##  Factor w/ 2 levels "ekkiMikil","Mikil": 1 1 1 1 2 2 1 1 2 2 ...

2.6.4. D: Dagsetningabreytur skilgreindar

2.6.4.1. as.Date()

Athugið

Inntak: nafn bókstafabreytu

Úttak: dagsetningabreyta

Helstu stillingar: format

Það er mjög algengt að einhverjar breytanna okkar geymi dagsetningar. Yfirleitt verða þær sjálfkrafa lesnar inn sem flokkabreytur en við getum sjaldnast unnið með þær á því formi. Þess í stað vistum við þær sem dagsetningar með skipuninni as.Date(). Með stillingunni format tilgreinum við hvernig dagsetningarnar eru skráðar. Kemur ártalið fyrst, svo mánuðurinn og svo dagurinn eða jafnvel öfugt? Eru dagar og mánuðir aðgreindir með punkti eða bandstriki? Allt það má tilgreina með auðveldum hætti og má sjá öll möguleg snið með því að skoða:

help(strptime)

Í okkar tilviki kemur fyrst dagur, svo mánuður og þá fjögurra bókstafa ár, allt aðskilið með punkti. Því gefum við stillinguna format=’%d.%m.%Y’. Einnig vistaðist dagsetningin sem flokkabreyta við innlestur (þar sem hún inniheldur ekki bara tölur, heldur líka punkta). Því þarf að mata as.Date() með as.character(puls$dagsetning), skipun sem breytir flokkabreytu í orðabreytu.

puls$dagsetning <- as.Date(as.character(puls$dagsetning), format='%d.%m.%Y' )

Nú sjáið þið að dagsetningin er komin á rétt form:

str(puls)
## 'data.frame':    471 obs. of  15 variables:
##  $ namskeid    : Factor w/ 2 levels "LAN203","STAE209": 2 1 1 2 2 2 1 2 2 1 ...
##  $ kronukast   : Factor w/ 2 levels "landvaettir",..: 1 2 1 2 2 1 1 1 2 1 ...
##  $ haed        : num  161 185 167 174 163 175 178 191 176 176 ...
##  $ thyngd      : num  60 115 NA 67 57 59 70 94 68 82 ...
##  $ aldur       : int  23 52 22 21 20 20 39 21 20 70 ...
##  $ kyn         : Factor w/ 2 levels "kvk","kk": 1 2 1 1 1 1 1 2 1 2 ...
##  $ reykir      : Factor w/ 2 levels "ja","nei": 2 NA 2 2 2 2 NA 2 2 2 ...
##  $ drekkur     : Factor w/ 2 levels "ja","nei": 2 1 1 1 1 1 1 1 1 1 ...
##  $ likamsraekt : num  3.5 0 2 1 5 5 3.5 0 10 14 ...
##  $ fyrriPuls   : int  83 80 43 76 71 65 77 79 73 65 ...
##  $ seinniPuls  : int  84 103 52 105 68 65 75 83 90 78 ...
##  $ inngrip     : Factor w/ 2 levels "hljop","sat_kyrr": 2 1 2 1 2 2 2 2 1 1 ...
##  $ dagsetning  : Date, format: "2013-01-07" "2013-01-07" ...
##  $ likamsraektf: Factor w/ 3 levels "Lítil","Miðlungs",..: 2 1 2 1 3 3 2 1 3 ...
##  $ likamsraekt2: Factor w/ 2 levels "ekkiMikil","Mikil": 1 1 1 1 2 2 1 1 2 2 ...

2.6.5. E: Leitað eftir textastrengjum

Stundum eru sumar breyturnar okkar langir textastrengir sem geyma ýmsar upplýsingar en við viljum draga tilteknar upplýsingar út úr strengjunum og nota til að búa til breytur. Þá kemur skipunin grep(), sem við sáum í kassa 2.5.1.4, að góðum notum. Ef við viljum sem dæmi búa til nýja breytu, ar sem geymir hvaða ár tilraunin var framkvæmd fyrir hverja mælingu þá má útbúa hana með:

puls$ar <- NA
puls$ar[grep(2013, puls$dagsetning)] <- 2013
puls$ar[grep(2014, puls$dagsetning)] <- 2014
puls$ar[grep(2015, puls$dagsetning)] <- 2015

Nú er orðin til ný breyta, sem inniheldur bara ártalið. Það sem það eru bara tölur er breytan talnabreyta.

str(puls$ar)
##  num [1:471] 2013 2013 2013 2013 2013 ...

2.6.6. F: Breytt um heiti á breytum

2.6.6.1. rename()

Athugið

Inntak: nafn á gagnatöflu og nöfn á breytum

Úttak: gagnatafla

Pakki: dplyr

Hægt er, á auðveldan hátt, að endurskýra breytur í gagnatöflu með rename() aðferðinni. Viljum við t.d. breyta nafninu á breytunni namskeid í nam gerum við það með:

puls<-rename(puls,nam=namskeid)

Til að valda ekki ruglingi hér breytum við nafninu aftur í namskeid með:

puls<-rename(puls,namskeid=nam)

2.6.7. G: Vörpunum beitt á talnabreytur

Að lokum viljum við oft búa til nýjar, afleiddar breytur út frá öðrum flokkabreytum. Þannig getum við t.d. búið til breytuna BMI út frá hæð og þyngd:

puls$BMI <- puls$thyngd/(puls$haed/100)**2

2.7. Umröðun gagna

2.7.1. Umröðun gagna

Ef gagnatöflurnar sem verið er að vinna með innihalda margar breytur getur verið gott að geta valið þær breytur sem við ætlum að vinna með á auðveldan hátt. Við getum t.d. búið til nýja gagnatöflu sem inniheldur aðeins breyturnar haed og thyngd (takið eftir að nýja gagnataflan er ekki geymd í nýjum hlut hér, ætlum við að nota hana þurfum við að búa til nýja töflu eins og hér að neðan).

select(puls,haed,thyngd)
##      haed thyngd
## 1   161.0   60.0
## 2   185.0  115.0
## 3   167.0     NA
## 4   174.0   67.0
## 5   163.0   57.0
## 6   175.0   59.0
## 7   178.0   70.0
## 8   191.0   94.0
## 9   176.0   68.0
....

Við getum einnig notað select() aðferðina til að búa til nýja gagnatöflu sem inniheldur alla dálka upphaflegu töflunnar að undanskildum nokkrum. Viljum við t.d. búa til nýja gagnatöflu sem inniheldur allar breytur upphaflegu töflunnar nema haed og thyngd gerum við það með:

puls.minni<-select(puls,-c(haed,thyngd))

2.7.1.1. sort()

Athugið

Inntak: nafn á vigri

Úttak: vigur með röðuðum gildum

Helstu stillingar: decreasing

Oft getur verið þægilegt að raða mælingunum okkar eftir stærðarröð. Viljum við raða gildunum á einni breytu/vigri í stærðarröð gerum við það með sort() aðferðinni. Viljum við t.d. skoða mælingarnar á hæð í stærðarröð gerum við það með:

sort(puls$haed)
##   [1] 150.0 152.0 152.0 154.0 154.0 155.0 156.0 156.0 157.0 157.0 157.0
##  [12] 157.0 157.0 157.0 157.0 157.0 158.0 158.0 158.0 159.0 159.0 159.0
##  [23] 159.0 160.0 160.0 160.0 160.0 160.0 160.0 160.0 160.0 160.0 160.0
##  [34] 160.0 160.0 160.0 160.0 160.0 160.0 160.0 160.5 161.0 161.0 161.0
##  [45] 161.0 161.0 161.0 161.0 161.0 161.0 161.0 161.0 162.0 162.0 162.0
##  [56] 162.0 162.0 162.0 162.0 162.0 162.0 162.0 163.0 163.0 163.0 163.0
....

2.7.1.2. arrange()

Athugið

Inntak: nafn á gagnatöflu og nöfn á breytum

Úttak: gagnatafla

Pakki: dplyr

Í sumum tilfellum er einnig gott að geta raðað viðfangsefnum í gagnatöflu eftir ákveðinni röð. arrange() aðferðin gerir okkur það kleift á auðveldan hátt. Við mötum aðferðina með nafninu á gagnatöflunni og breytunum sem við viljum raða eftir. Viljum við t.d. raða viðfangsefnunum í puls gagnasafninu eftir hæð gerum við það með:

arrange(puls,haed)
##     namskeid   kronukast  haed thyngd aldur kyn reykir drekkur likamsraekt
## 1    STAE209 landvaettir 150.0   76.3    23 kvk    nei     nei         2.0
## 2    STAE209 landvaettir 152.0   47.0    20 kvk    nei     nei         2.0
## 3    STAE209 landvaettir 152.0   47.0    20 kvk    nei     nei         2.0
## 4     LAN203 landvaettir 154.0   50.0    28 kvk    nei     nei         4.0
## 5     LAN203 landvaettir 154.0   50.0    28 kvk    nei     nei         4.0
## 6     LAN203 landvaettir 155.0   49.0    22 kvk     ja      ja        12.0
## 7     LAN203    thorskur 156.0   69.0    36 kvk    nei      ja         3.0
## 8    STAE209 landvaettir 156.0   65.0    21 kvk    nei     nei         2.0
## 9    STAE209 landvaettir 157.0   51.0    20 kvk    nei      ja         0.0
....

Viljum við hins vegar raða fyrst eftir aldri og svo eftir hæð gerum við það með:

arrange(puls,aldur,haed)
##     namskeid   kronukast  haed thyngd aldur kyn reykir drekkur likamsraekt
## 1    STAE209    thorskur 162.0   56.0    19 kvk    nei     nei         2.0
## 2    STAE209    thorskur 164.0   58.0    19 kvk    nei      ja         4.0
## 3    STAE209    thorskur 164.0   58.0    19 kvk    nei      ja         4.0
## 4    STAE209 landvaettir 172.0   55.0    19 kvk    nei      ja         6.0
## 5    STAE209    thorskur 172.0   53.0    19  kk    nei    <NA>         7.0
## 6    STAE209 landvaettir 172.0   55.0    19 kvk    nei      ja         6.0
## 7    STAE209 landvaettir 177.0   72.0    19 kvk    nei      ja         2.0
## 8     LAN203 landvaettir 181.0   85.0    19  kk    nei      ja         2.0
## 9     LAN203 landvaettir 185.0   60.0    19  kk    nei     nei         6.0
....

2.7.1.3. gather()

Athugið

Inntak: nafn á gagnatöflu og tveir vigrar

Úttak: gagnatafla

Pakki: tidyr

Skipunin gather() varpar gögnum úr víðu sniði í langt á handhægan hátt. Sem dæmi eru upplýsingarnar um púls núna geymdar í tveimur breytum, fyrriPuls og seinniPuls. Við gætum þess í stað haft eina breytu, pulsmaeling, sem geymir púlsmælinguna og aðra breytu, nr.maelingar sem tilgreinir hvort mælingin eigi við fyrri eða seinni púlsmælinguna. Þetta er framkvæmt með skipuninni:

pulslangt <- gather(puls, nr.maelingar, pulsmaeling, fyrriPuls:seinniPuls)

Fyrst tilgreinum við nafnið á gagnatöflunni sem við erum að vinna með, þar næst kemur hvað breytan sem greinir að hvort að mælingin er fyrr eða seinni púlsmæling á að heita. Við látum hana heita nr.maelingar. Þar næst kemur hvað breytan sem tilgreinir hver mældi púlsinn er heitir, við gefum henni nafnið pulsmaeling og að lokum koma breyturnar tvær fyrriPuls og seinniPuls, aðgreindar með :, sem að áður geymdu púlsmælingarnar á víðu sniði. Sjáið muninn:

head(pulslangt)
##   namskeid   kronukast haed thyngd aldur kyn reykir drekkur likamsraekt
## 1  STAE209 landvaettir  161     60    23 kvk    nei     nei         3.5
## 2   LAN203    thorskur  185    115    52  kk   <NA>      ja         0.0
## 3   LAN203 landvaettir  167     NA    22 kvk    nei      ja         2.0
## 4  STAE209    thorskur  174     67    21 kvk    nei      ja         1.0
## 5  STAE209    thorskur  163     57    20 kvk    nei      ja         5.0
## 6  STAE209 landvaettir  175     59    20 kvk    nei      ja         5.0
##    inngrip dagsetning likamsraektf likamsraekt2   ar      BMI nr.maelingar
## 1 sat_kyrr 2013-01-07     Miðlungs    ekkiMikil 2013 23.14726    fyrriPuls
## 2    hljop 2013-01-07        Lítil    ekkiMikil 2013 33.60117    fyrriPuls
## 3 sat_kyrr 2013-01-07     Miðlungs    ekkiMikil 2013       NA    fyrriPuls
## 4    hljop 2013-01-07        Lítil    ekkiMikil 2013 22.12974    fyrriPuls
## 5 sat_kyrr 2013-01-07        Mikil        Mikil 2013 21.45357    fyrriPuls
## 6 sat_kyrr 2013-01-07        Mikil        Mikil 2013 19.26531    fyrriPuls
##   pulsmaeling
## 1          83
## 2          80
## 3          43
## 4          76
## 5          71
## 6          65

2.7.1.4. spread()

Athugið

Inntak: nafn á gagnatöflu og tveir vigrar

Úttak: gagnatafla

Pakki: tidyr

Skipunin spread er andhverfa gather(), þ.e.a.s. hún varpar gögnum úr löngu sniði í vítt. Þannig vörpum við löngu pulslangt gögnunum sem við bjuggum til að ofan yfir í langt snið með skipuninni:

pulsvitt <- spread(pulslangt, nr.maelingar, pulsmaeling)

Hér þarf eingöngu að tilgreina breyturnar tvær sem á að skilja í sundur. R sér um rest, eins og sjá má:

head(pulsvitt)
##   namskeid   kronukast haed thyngd aldur kyn reykir drekkur likamsraekt
## 1  STAE209 landvaettir  161     60    23 kvk    nei     nei         3.5
## 2   LAN203    thorskur  185    115    52  kk   <NA>      ja         0.0
## 3   LAN203 landvaettir  167     NA    22 kvk    nei      ja         2.0
## 4  STAE209    thorskur  174     67    21 kvk    nei      ja         1.0
## 5  STAE209    thorskur  163     57    20 kvk    nei      ja         5.0
## 6  STAE209 landvaettir  175     59    20 kvk    nei      ja         5.0
##    inngrip dagsetning likamsraektf likamsraekt2   ar      BMI fyrriPuls
## 1 sat_kyrr 2013-01-07     Miðlungs    ekkiMikil 2013 23.14726        83
## 2    hljop 2013-01-07        Lítil    ekkiMikil 2013 33.60117        80
## 3 sat_kyrr 2013-01-07     Miðlungs    ekkiMikil 2013       NA        43
## 4    hljop 2013-01-07        Lítil    ekkiMikil 2013 22.12974        76
## 5 sat_kyrr 2013-01-07        Mikil        Mikil 2013 21.45357        71
## 6 sat_kyrr 2013-01-07        Mikil        Mikil 2013 19.26531        65
##   seinniPuls
## 1         84
## 2        103
## 3         52
## 4        105
## 5         68
## 6         65

2.7.1.5. merge()

Athugið

Inntak: tvær gagnatöflur

Úttak: ein sameinuð gagnatafla

Helstu stillingar: by, all.x, all.y

Að lokum er merge() einstaklega handhæg skipun til að sameina tvær gagnatöflur. Hugsum okkur sem svo að við hefðum bakgrunnsupplýsingar um nemendurna í einni gagnatöflu, en púlsmælingarnar í annarri gagnatöflu. Hver og ein skrá hefði svo að geyma lykil, t.d. gervinúmer fyrir hvern og einn nemanda sem gerir okkur kleift að para saman mælingarnar. Búum til að byrja með til tvær slíkar gagnatöflur til að geta sýnt hvernig þær væru sameinaðar ef svo væri raunin:

puls$id <- 1:(dim(puls)[1])  #lykill með gervinúmerum
bakgrunnur <- select(puls,id, namskeid, haed, thyngd, aldur,
kyn, reykir, drekkur, likamsraekt, likamsraektf )
pulsmaeling <- select(puls, id, kronukast, fyrriPuls, seinniPuls,
inngrip, dagsetning, ar)

Hér má sjá gagnatöflurnar tvær:

head(bakgrunnur)
##   id namskeid haed thyngd aldur kyn reykir drekkur likamsraekt
## 1  1  STAE209  161     60    23 kvk    nei     nei         3.5
## 2  2   LAN203  185    115    52  kk   <NA>      ja         0.0
## 3  3   LAN203  167     NA    22 kvk    nei      ja         2.0
## 4  4  STAE209  174     67    21 kvk    nei      ja         1.0
## 5  5  STAE209  163     57    20 kvk    nei      ja         5.0
## 6  6  STAE209  175     59    20 kvk    nei      ja         5.0
##   likamsraektf
## 1     Miðlungs
## 2        Lítil
## 3     Miðlungs
## 4        Lítil
## 5        Mikil
## 6        Mikil
head(pulsmaeling)
##   id   kronukast fyrriPuls seinniPuls  inngrip dagsetning   ar
## 1  1 landvaettir        83         84 sat_kyrr 2013-01-07 2013
## 2  2    thorskur        80        103    hljop 2013-01-07 2013
## 3  3 landvaettir        43         52 sat_kyrr 2013-01-07 2013
## 4  4    thorskur        76        105    hljop 2013-01-07 2013
## 5  5    thorskur        71         68 sat_kyrr 2013-01-07 2013
## 6  6 landvaettir        65         65 sat_kyrr 2013-01-07 2013

Þær eru sameinaðar með skipuninni merge():

puls <- merge(bakgrunnur, pulsmaeling)

sem er sama skrá og við byrjuðum með:

dim(puls)
## [1] 471  16
head(puls)
##   id namskeid haed thyngd aldur kyn reykir drekkur likamsraekt
## 1  1  STAE209  161     60    23 kvk    nei     nei         3.5
## 2  2   LAN203  185    115    52  kk   <NA>      ja         0.0
## 3  3   LAN203  167     NA    22 kvk    nei      ja         2.0
## 4  4  STAE209  174     67    21 kvk    nei      ja         1.0
## 5  5  STAE209  163     57    20 kvk    nei      ja         5.0
## 6  6  STAE209  175     59    20 kvk    nei      ja         5.0
##   likamsraektf   kronukast fyrriPuls seinniPuls  inngrip dagsetning   ar
## 1     Miðlungs landvaettir        83         84 sat_kyrr 2013-01-07 2013
## 2        Lítil    thorskur        80        103    hljop 2013-01-07 2013
## 3     Miðlungs landvaettir        43         52 sat_kyrr 2013-01-07 2013
## 4        Lítil    thorskur        76        105    hljop 2013-01-07 2013
## 5        Mikil    thorskur        71         68 sat_kyrr 2013-01-07 2013
## 6        Mikil landvaettir        65         65 sat_kyrr 2013-01-07 2013

Sjálfgefið er að sameina gagnatöflurnar tvær á öllum þeim breytum sem bera sama heiti í töflunum tveimur. Í þessu tilviki er bara ein breyta sem ber sama heitið, það er breytan id og því er eingöngu sameinað eftir henni. Ef að fleiri breytur hafa sama heiti, en við viljum þó ekki sameina eftir þeim, þá tilgreinum við það með stillingunni by.

Sömuleiðis er sjálfgefið að sameina eingöngu þær mælingar sem svara til lykils sem er að finna í báðum töflunum. Þ.e.a.s. ef að tiltekið id í dæminu hér að ofan væri eingöngu að finna í gagnatöflunni bakgrunnur en ekki í gagnatöflunni pulsmaeling þá væri henni sleppt. Við getum sagt R að sleppa engri mælingu í fyrri gagnatöflunni (og fylla þá upp í breyturnar úr seinni töflunni með NA með stillingunni all.x=TRUE). Á sama hátt getum við bætt við all.y=TRUE ef við viljum að það sama gildi fyrir seinni gagnatöfluna.

2.8. Fleiri skipanir fyrir kóðun breyta\(^\ast\)

2.8.1. Fleiri skipanir fyrir kóðun breyta\(^\ast\)

Fjórar skipanir sem koma oft að góðum notum við kóðun breyta eru paste(), sprintf(), separate() og substr().

2.8.1.1. paste()

Athugið

Inntak: tveir vigrar, eða vigur og gildi

Úttak: vigur með gildunum sameinuðum

Helstu stillingar: sep

Skipunin paste() býr til einn vigur með því að skella saman gildunum í tveimur vigrum. Stillingin sep tilgreinir hvaða tákna skal notað til að sameina vigrana. Þannig getum við búið til nýja breytur sem tilgreinir í hvaða námskeiði, hvaða ár nemendurnir eru með:

puls$namskeidar <- paste(puls$namskeid, puls$ar)
str(puls$namskeidar)
##  chr [1:471] "STAE209 2013" "LAN203 2013" "LAN203 2013" ...

2.8.1.2. sprintf()

Athugið

Inntak: strengur (eða strengjavigur) með skiptitákni, annað inntak

Úttak: vigur með nýjum streng byggðum á inntaki

Skipunin sprintf() býr til einn vigur með því að taka streng með sérstökum skiptitáknum og skipta þeim út fyrir gildin úr öðru inntaki fallsins. Vilji maður t.d. búa til streng sem gefur manni dagsetningu þá er það hægt með:

sprintf('Dagurinn i dag er %s', Sys.Date())
## [1] "Dagurinn i dag er 2016-01-04"

þar sem \(\%\)s er skiptitáknið.

2.8.1.3. separate()

Athugið

Inntak: einn vigur og tákn sem á skipta gildunum upp eftir

Úttak: tveir eða fleiri vigrara

Pakki: tidyr

Skipunin separate() er andhverfa skipunarinnar paste(), þ.e.a.s. hún slítur í sundur breytur eftir einhverju tákni og býr til tvær eða fleiri nýjar. Þannig getum við skipt dagsetningunni upp í þrjár breytur: dag, mánuð og ár með skipuninni:

pulsnytt <- separate(puls, dagsetning, into=c('ar','manudur','dagur'), sep='-')

Hér má sjá nýju gagnatöfluna, með þremur nýjum breytum:

head(pulsnytt)
##   id namskeid haed thyngd aldur kyn reykir drekkur likamsraekt
## 1  1  STAE209  161     60    23 kvk    nei     nei         3.5
## 2  2   LAN203  185    115    52  kk   <NA>      ja         0.0
## 3  3   LAN203  167     NA    22 kvk    nei      ja         2.0
## 4  4  STAE209  174     67    21 kvk    nei      ja         1.0
## 5  5  STAE209  163     57    20 kvk    nei      ja         5.0
## 6  6  STAE209  175     59    20 kvk    nei      ja         5.0
##   likamsraektf   kronukast fyrriPuls seinniPuls  inngrip   ar manudur
## 1     Miðlungs landvaettir        83         84 sat_kyrr 2013      01
## 2        Lítil    thorskur        80        103    hljop 2013      01
## 3     Miðlungs landvaettir        43         52 sat_kyrr 2013      01
## 4        Lítil    thorskur        76        105    hljop 2013      01
## 5        Mikil    thorskur        71         68 sat_kyrr 2013      01
## 6        Mikil landvaettir        65         65 sat_kyrr 2013      01
##   dagur   ar   namskeidar
## 1    07 2013 STAE209 2013
## 2    07 2013  LAN203 2013
## 3    07 2013  LAN203 2013
## 4    07 2013 STAE209 2013
## 5    07 2013 STAE209 2013
## 6    07 2013 STAE209 2013

2.8.1.4. substr()

Athugið

Inntak: orðabreyta og vísar bókstafa sem skulu valdir

Úttak: sá hluti úr orðabreytunni sem svarar til þeirra vísa

Skipunin substr() velur ákveðna bókstafi úr orðabreytu, til dæmis þriðja til sjöunda bókstafinn, eða álíka. Ef við viljum sem dæmi bara fá fyrstu þrjá stafina í nöfnunum á námskeiðunum, þá gerum við það með:

substr(puls$namskeid, 1,3)
##   [1] "STA" "LAN" "LAN" "STA" "STA" "STA" "LAN" "STA" "STA" "LAN" "LAN"
##  [12] "STA" "STA" "STA" "STA" "LAN" "LAN" "LAN" "STA" "LAN" "STA" "LAN"
##  [23] "STA" "STA" "STA" "STA" "STA" "STA" "LAN" "LAN" "STA" "STA" "STA"
##  [34] "STA" "LAN" "LAN" "LAN" "LAN" "STA" "LAN" "LAN" "STA" "LAN" "LAN"
....

2.9. Fleiri skipanir fyrir sameiningu gagna\(^\ast\)

2.9.1. Fleiri skipanir fyrir sameiningu gagna\(^\ast\)

2.9.1.1. cbind()

Athugið

Inntak: vigrar, gagnatöflur eða fylki

Úttak: gagnatöflur eða fylki

2.9.1.2. rbind()

Athugið

Inntak: vigrar, gagnatöflur eða fylki

Úttak: gagnatöflur eða fylki

Það er einnig einfalt að sameina vigra, fylki eða gagnatöflur. Til þess notum við skipanirnar rbind() og cbind(). Skipunin rbind() bætir við línu á meðan skipunin cbind() bætir við dálki.

rbind(1:4, 5:8)
##      [,1] [,2] [,3] [,4]
## [1,]    1    2    3    4
## [2,]    5    6    7    8
cbind(1:4, 5:8)
##      [,1] [,2]
## [1,]    1    5
## [2,]    2    6
## [3,]    3    7
## [4,]    4    8

2.10. Leiksvæði fyrir R kóða

Hér fyrir neðan er hægt að skrifa R kóða og keyra hann. Notið þetta svæði til að prófa ykkur áfram með skipanir kaflans. Athugið að við höfum þegar sett inn skipun til að lesa inn puls gögnin sem eru notuð gegnum alla bókina.

# Gogn sott og sett i breytuna puls. puls <- read.table ("https://raw.githubusercontent.com/edbook/haskoli-islands/main/pulsAll.csv", header=TRUE, sep=";") # Setjid ykkar eigin koda her fyrir nedan: # Sem daemi, skipunin head(puls) skilar fyrstu nokkrar radirnar i gognunum # asamt dalkarheitum. head(puls)