Úvodní hodina

Zpracovávání výzkumných dat pomocí jazyka R

Program

  • organizační a administrativní informace ke kurzu
  • krátké seznamovací okénko
  • seznámení se s prostředí IDE RStudio
  • datové typy v R
  • ukládání dat do proměnných
  • operátory
  • etiketa psaní kódu
  • working directory
  • RProjekty, .RData
  • funkce v R a jejich syntax

O kurzu

  • kurz s cílem poskytnout účastníkům solidní základy práce s R za účelem následné práce s vědeckými daty

  • zakončení mikrocerfikátem: oficiální certifikát uznávaný napříč EU s jasně definovanými dovednostmi

  • pokračování: do budoucna jsou plánována jednorázová školení na specifická pokročilá témata o která bude zájem

O vyučujícím

Mgr. Lucie Hošková

  • manažer repozitáře pro výzkumná data na UK

  • výuka R v rámci programu Charleston, Letní školy pro data stewardy, a akcí pod záštitou CpOS

  • datová práce všeho druhu

    • datová analýza pro Akademii Věd

    • konzultace pro dizertační, diplomové a bakalářské práce

    • KPZ (kolega poslední záchrany)

  • popularizačně naučné přednášky nejen o datové analýze

Organizace kurzu

  • 10 lekcí po třech hodinách
    • bloky 3 x cca 50 minut
    • výuka jednou za dva týdny, přes Vánoce pauza
  • 3 tématické okruhy
    • zpracovávání dat
    • vizualizace dat
    • analýza dat

Hodnocení kurzu

  1. průběžné domácí úkoly
  2. miniprojekt přes Vánoce
  3. 80% docházka
    • v případě nemoci/neschopnosti se účastnit prezenčně možnost připojení online, ale prosím choďte pokud můžete
    • v případě absence či online výuky domácí práce navíc
    • je to vše o domluvě :]

Průběh hodin

  1. úvodní opakování z předchozí hodiny

  2. výklad nové látky

    • kombinace prezentace, code-along a samostatné práce

  3. cvičení z probrané látky

    • kombinace nové látky a znalostí z předchozích hodin

  4. řešení “chuťovek” z minulých hodin a z dotazů

  5. zadání domácího úkolu

Práce s materiály

Před každou hodinou (maximálně pondělí ráno daného týdne) bude do výukových materiálů nahrána prezentace k dané lekci, stejně tak veškerá potřebná data.

Pokud bude potřeba abyste si pro práci v hodině nějaká data stáhli, učiňte tak prosím a uložte si je do dedikované složky na vašem počítači.

Doporučuji mít prezentaci během hodiny otevřenou pro nahlížení a kopírování kódu.

Pokud si chcete psát ruční poznámky, zmáčknutí “e” a poté tisk obrazovky vám umožní vytisknout si snímky prezentace v PDF.

Představovací kolečko

  1. jméno

  2. obor

  3. zkušenosti s programováním (potažmo R)

  4. zkušenosti se statistikou

  5. co se chcete naučit

Programovací jazyk R

Open source programovací jazyk určený ke statistické analýze a datové vizualizaci.

  • v současnosti jeden ze standardů pro datovou analýzu ve vědecké sféře

  • aktivně využívaný, spravovaný a uržovaný globální vědeckou komunitou

    • dlouhá historie: spuštěn v roce 1993

  • nepřeberné množství specializovaných rozšíření

R vs RStudio

R

RStudio

  • IDE - vývojářské prostředí

  • usnadňuje práci s R

RStudio

Skript: místo pro psaní kódu

Konzole: samotné R, místo výpočtů a zobrazování výsledků či chybových hlášek

Terminal: psaní přímo do příkazové řádky

Globální prostředí: přehled uložených proměných

History: historie spuštěného kódu

Files: soubory v daném adresáři se kterými R může pracovat

Plots: místo pro zobrazování grafů

Packages: plug-iny pro R

Help: nápověda

Datové typy v R

Numeric

  • integer

    • 5, 0, 123

  • double

    • 1.87, 0.3679

    • Inf

    • -Inf

Character

  • “Hello world!”
  • “žluťoučký”
  • “532”
  • ‘kolo’

Logical

  • taktéž popisovány jako boolean

  • TRUE

  • FALSE

Další typy se kterými se můžete setkat

NA

vektor <- 1:4
vektor[5]
[1] NA

Complex

as.complex(5.75 * sqrt(65))
[1] 46.35798+0i

NULL

radaCisel <- c(1, 2, NULL, 4)
radaCisel
[1] 1 2 4

NaN

0 / 0
[1] NaN

  • Přestože s komplexním číslem můžeme provádět aritmetické operace, R jej nebere jako numeric hodnotu!

  • NaN je naopak bráno jako numeric hodnota

Ukládání proměnných

R umožňuje uložit si informace pomocí proměnných.

Místo toho, abyste poté museli informaci znovu definovat, tak si můžete zavolat proměnnou.

mnozstviZkumavek <- 85554343
mnozstviKadinek <- 981100009

mnozstviZkumavek + mnozstviKadinek
[1] 1066654352

Uložené proměnné jsou vždy vypsané v globálním prostředí.

Hodnota se uloží pomocí následujícího postupu:

název proměnné <- hodnota

  • R čte zpravidla zleva do prava, proto je možné i hodnota -> proměnná

    • silně nedoporučuji, je to nepřehledné
123456789123456789123456789123456789 -> cisloNaruby
cisloPoradne <- 123456789123456789123456789123456789

Jaké proměnné mám uložené v globálním prostředí?

Seznam proměnných, které jsou v R uložené a se kterými můžete pracovat, naleznete buď v poli Environment v pravém horním rohu.

Můžete také ale využít funkce objects(). Ta do konzole vypíše seznam všech uložených hodnot.

Totožný výsledek získáte i pomocí funkce ls().

Je možné přepsat hodnoty?

Ano, pokud uděláte chybu v zápise či potřebujete změnit specifickou proměnnou či její část, není třeba ji mazat - stačí ji přepsat.

Co když chci hodnotu ale i tak smazat?

Funkce rm() umožňuje mazat uložené proměnné z globálního prostředí.

  • rm() - smaže VŠE

  • rm(název proměnné) - smaže specifickou proměnnou

Zakázané způsoby pojmenovávání proměnných

  • mezera mezi slovy

    pet aut <- 5

  • začínat symbolem

    <6>4aut <- 5

  • začínat číslicí

    5aut <- 5

    Pozor na diakritiku!

Procvičení

Ulož do proměnné x číslo, do y text a do z boolean.

Jaký bude výsledek následujícího kódu?

Jaký bude výsledek následujícího kódu?

Operátory

Matematické operátory

+ - sčítání a odčítání

5 + 7
[1] 12
8 - 2
[1] 6

* násobení

10 * 7
[1] 70

/ dělení

10 / 5
[1] 2

%% zbytek po dělení

10 %% 7
[1] 3
10 %% 5
[1] 0

%/% dělení bez zbytku

10 %/% 7
[1] 1
10 %/% 5
[1] 2

** nebo ^ umocnění

5 ^ 2
[1] 25
5 ** 2
[1] 25

<= >= menší/větší nebo rovno

8 >= 8
[1] TRUE
5699 <= 3456
[1] FALSE

Logické operátory

Logické operátory lze použít při výběru (vyber x NEBO y, x A y) či spojování podmínek, ale také umí vracet boolean hodnoty.

& a, taktéž, zároveň

#zkontroluj, jestli plati oba vyrazy
34 > 44 & 56 > 8
[1] FALSE
34 < 44 & 56 > 8
[1] TRUE

| nebo

#jsou hodnoty v z nizsi nez 7 nebo vyssi nez 25
z <- c(13, 87, 2, 23)
(z < 7) | (z > 25)
[1] FALSE  TRUE  TRUE FALSE

%in% je v, nachází se v

hodnoty <- c(12, 87, 55, 1098)
55 %in% hodnoty
[1] TRUE
345 %in% hodnoty
[1] FALSE

== je přesně

x <- 5
x == 6
[1] FALSE
x == 5
[1] TRUE

! není, not, negace

!TRUE
[1] FALSE
x <- 3
!(x == 4)
[1] TRUE

Procvičení

Jaký zbytek nám zbyde po vydělení násobku devíti a desíti číslem čtyři?

Jaký bude výsledek tohoto výpočtu?

Na dopravní hřiště mohou pouze děti ve věku 15+, mladší pouze s povolením rodičů. Může toto dítě na hřiště?

Samostatné cvičení

  1. Frantovi je 53 let. Chce si koupit jízdenku, u které je možnost slevy pro seniory 65+ či děti a studenty až do 26 let včetně.
    Ověř, zda má Franta na tuto slevu nárok.

  2. Studentstvo může získat stipendium za následujících podmínek: mají průměr známek menší než 1.8 a zároveň absolvovali alespoň 80 % docházky, nebo reprezentují školu na soutěžích.
    Saša má průměr 1.7, zameškáno 3 hodin z 10 a pravidelně vyhrává biologickou olympiádu.
    Zjisti, zda má Saša právo na stipendium.

  3. Uzavírají se známky na konci semestru. Zápočet dostanou pouze ti, kteří mají dosavadní hodnocení na lepším stupni než 5 a v posledním testu získali jiný počet než nula bodů. Pokud tyto podmínky nesplňují, tak zápočet mohou dostat i tehdy pokud vypracovali seminární práci navíc a v písemce měli alespoň 50 bodů.
    Julie má dosavadní hodnocení sice na 5, aní písemka se jí nepovedla a měla pouze 17 bodů. Napsala ale velmi povedenou semestrální práci na téma kyberbezpečnosti ve Vietnamu.
    Dostane Julie zápočet?

Etiketa psaní kódu

R je case sensitive!

identical("data", "Data")
[1] FALSE

Používejte co chcete ale buďte konzistentní.

Který styl se vám používá nejsnadněji? U kterého děláte nejvíc chyb?

Jaké jsou zvysklosti ve vašem oboru/laboratoři?

Možné styly zápisu:

  • camelCase

  • PascalCase

  • snake_case

  • kebab-dash

  • a jiné

Poznámky

# vše co je za hash symbolem počítač ignoruje

2 + 1 + 3
[1] 6
2 + 1 # + 3
[1] 3

Ctrl + Shift + C po výběru více linek kódu je všechny přemění na komentář.

Pište si poznámky, ale zase to nepřežeňte - není to román.

#VYPOCET PRUMERNE VYSKY 
#nahodny vyber peti reprezentantu z kazde tridy
ctvrtaTrida <- c(154, 155, 143, 156)
pataTrida <- c(171, 158, 162, 144)
mean(c(ctvrtaTrida, pataTrida)) #prumerna vyska obou trid v cm
[1] 155.375

Working directory

Pokud chcete v skriptu načíst datasety a pak s nimi pracovat, je potřeba mít určené, z jaké složky má R datasety tahat - v jakém prostředí se R pohybuje.

Nastavení je možné buď skrz Session > Set working directory a nebo skrz setwd() funkci.

Caution

Pozor, při použití setwd() funkce je třeba nadefinovat přesně cestu v počítači (absolutní cestu) jak se má R ke složce dostat!

V jaké složce se nyní pohybujete lze zjistit pomocí funkce getwd().

getwd() #ukazka abolutni cesty
[1] "C:/Users/Lucie Hošková/Desktop/introR_CUNI/materialy/1_uvod/01_prezentace"

Nastavení pracovního adresáře ovlivňuje i další funkcionality R. Například, při ukládání skriptů se automaticky vybere jako možnost uložení právě složka pracovního adresáře.

S jakými soubory mohu pracovat?

Seznam souborů které má v nastaveném adresáři R dosupné naleznete bud’ v okně Files, nebo pomocí funkce list.files().

list.files()
[1] "_extensions"             "_quarto.yml"            
[3] "01_prezentace.html"      "01_prezentace.qmd"      
[5] "01_prezentace.rmarkdown" "01_prezentace.Rproj"    
[7] "01_prezentace_cache"     "images"                 
[9] "vozidla.RData"

Jak vidíte, soubor nám vypíše dostupné soubory a složky v nastaveném pracovním adresáři. Co když se ale v něm chci podívat co je uvnitř specifické složky? K tomu je potřeba ve funkci definovat nejenom název složky, ale i to, kde se tato složka nachází.

list.files("./images")
[1] "clipboard-1044733788.png" "clipboard-1074189953.png"
[3] "clipboard-3339902769.png" "clipboard-358450353.png" 
[5] "clipboard-4231777987.png" "clipboard-516070855.png" 
[7] "clipboard-596025863.png"  "transform-logical.png"

Co znamená tečka v ./images?

./v kódu určuje, že se složka images nachází přímo v námi určeném pracovním adresáři.

Jedná se o takzvanou relativní cestu - k tomu si řekneme něco víc v sekci Absolutní vs. relativní cesta.

Proč zapisujeme cestu ke složce jako textový řetězec, nikoliv jako čisté jméno? Třeba list.files(./images)?

Co znamená text, kolem kterého nejsou uvozovky?

Text, kolem kterého nejsou uvozovky značí proměnnou (a nebo funkci či její argument, ale k tomu příště).

R potřebuje znát popis specifické cesty k dané složce. A jelikož popisek je ve své podstatě textový řetezec, musíme ho mít v uvozovkách - tak se v R označuje text.

Absolutní vs. relativní cesta

absolutní cesta:

"C:/Users/Jana/Desktop/vyzkum/M433/data/pribice.csv"

relativní cesta při nastaveném working directory v M433:

"./data/pribice.csv"

Relativní cesta odkazuje na soubor uvnitř specifického pracovního adresáře, nikoliv přímo na místo v počítači jako absolutní cesta.

Doporučuji absolutní cestu když už používat, tak pouze při nastavování setwd(). Sice lze teoreticky nahrávat soubory a provádět jiné akce uvnitř pracovního adresáře i pomocí absolutní cesty, ale jakmile by se například složka ve které se pracuje kamkoliv posunula, tak by absolutní cesta přestala fungovat.

Samotné cvičení

  1. Vytvořte si složku s jménem pokusnaSlozka na náhodném místě ve svém počítači. Zkuste si sami pomocí funkce setwd()a absolutní cesty ručně nastavit pracovní adresář do této lokace.

  2. Vytvořte si v pokusnaSlozka sérii podsložek, třeba až do třetí či páté úrovně (složka x ve složce y co je ve složce z…) a do finální z nich si nahrajte několik náhodných souborů. Vypište jejich seznam pomocí funkce list.files().

RProjekty

Co kdybychom chtěli, aby se nám všechny naše skripty a jejich výsledky automaticky ukládaly do a tahaly rovnou z jednoho specifického adresáře bez potřeby ho při každém otevření RStudia nastavovat, a který bychom navíc mohli jednoduše vzít a přesunout či ho někomu zazipovaný poslat?

Toho můžete docílit pomocí vytvoření RProjektu.

RProjekt vytvoří “izolované” prostředí, kdy všechny vaše soubory uvnitř tohoto adresáře budou svázané dohromady, budou se vám automaticky znovu nahrávat uložené proměnné bez nutnosti opakovaného spouštění kódu, a hlavně k nim vždy bude relativní, nikoliv absolutní cesta = celý projekt si můžete přesouvat mezi složkami či počítači bez potřeby nastavování working directory.

Nahrávání uložených proměnných

V základním nastavení RProjekty automaticky ukládají a následně nahrávají uložené proměnné zpět do globálního prostředí. Není proto potřeba při každém otevření projektu v RStudiu celý skript projíždět znovu a všechno znovu nahrávat. Je ovšem možné si uložit vybranné proměnné i ručně.

typVozidla <- "automobil"
pocetVozidel <- 6
jmenoModelu <- "škoda octavia"
save(typVozidla, pocetVozidel, jmenoModelu, file = "vozidla.RData")

Objekt RData v sobě obsahuje informace o jednotlivých proměnných. Do globálního prostředí se nahrají funcí load().

load("vozidla.RData")

Můžete svým kolegům tak například poslat již vyčištěná a připravená data, bez toho aby si sami museli nahrávat původní tabulku a provádět na ní veškeré kontroly.

Funkce v R

Nedílnou součástí kódu v R jsou takzvané funkce. Jedná se o příkazy, které provedou specifickou akci za vámi definovaných podmínek.

název funkce(název argumentu = parametry argumentu)

Pomocí funkce seq vygeneruj sekvenci s rozestupem po 3 od 10 do 20.

seq(from = 10, to = 20, by = 3)
[1] 10 13 16 19

Co bude výsledkem následujícího kódu?

Lze psát příkazy i bez definování argumentů?

rep("ID", 5)
[1] "ID" "ID" "ID" "ID" "ID"

Ano; bez definování názvu argumentu se pracuje s jeho pořadím.

Je pořadí argumentů důležité? Ovlivní výsledek?

Pozor!

Na pořadí argumentu nezáleží, dokud jasně definujeme k jakému argumentu parametr patří.

Jaký bude výsledek těchto kódů? Jsou totožné?

Rozdíl mezi = a <-

Možná jste se setkali s tím, že někdo zapisuje proměnné pomocí operátoru =. Funguje to?

x = 6
x + 1
[1] 7

Proč se proto místo toho používá <- ?

rep(osobaID <- 5, 3)
[1] 5 5 5
osobaID + 4
[1] 9

R umožňuje provádět akce uvnitř “jiných akcí”

V tomto případě určujeme argument na první pozici, a zároveň jeho hodnotu ukládáme do proměnné osobaID.

Co bude výsledkem následujícího kódu?

Na jaké problémy zde narazíme?

  • osobaID_2 není argument funce rep

  • operátor = ve funkci neznamená přiřazení, ale určení argumentu

    • samotný argument osobaID_2 ve funkci rep neexistuje a proto nevznikne platný výsledek

  • nedošlo k zapsání do globálního prostředí a tuto neexistující proměnnou proto nelze používat

Samostatné cvičení

  1. Múžeme zapsat sekvenci od 1 do 10 s počtem hodnot 3 pomocí následujícího kódu? Pokud ne, opravte.

  2. Bez spuštění kódu určete, jaký bude výsledek této funkce. Používejte nápovědu, zkuste si jednotlivé části rozepsat.

Řešení úlohy 1)

Múžeme zapsat sekvenci od 1 do 10 s počtem hodnot 3 pomocí následujícího kódu? Pokud ne, opravte.

Ne, jelikož argument na třetí pozici v této funkci není length.out, který určuje délku sekvence, ale by, který určuje periodu.

Čtěte dokumentaci pozorně!

R dokumentace je psana mnoha lidmi a nemusí být vždy konzistentní.

Správná podoba kódu by tedy byla

seq(from = 1, to = 10, length.out = 3)
[1]  1.0  5.5 10.0

Řešení úlohy 2)

Bez spuštění následujícího kódu určete, jaký bude výsledek této funkce. Používejte nápovědu, zkuste si jednotlivé části rozepsat.

Funkce length zjišťuje, jaká je “délka”, jaký je počet hodnot. Potřebujeme proto spočítat, kolik hodnot nám vznikne jako výsledek funkce rep.

Funkce rep nám zde třikrát zopakuje výsledek daný funkcí seq.

Funkce seq(2, 10, 2) by zde mohla být zapsána na základě pořádí argumentů i jako seq(from = 2, to = 10, by = 2). Výsledkem je tak sekvence 2 4 6 8 10, která má pět čísel.

Třikrát se tedy zopakuje sekvence pěti čísel, což znamená že výsledek je patnáct.

Vnořování funkcí

Jak bylo vidět v přechozích částech, R umožňuje používat funkce uvnitř dalších funkcí.

Pro R je hlavně důležité, aby hodnoty v jednotlivých argumentech splňovaly jejich podmínky, nikoliv v jaké podobě tyto hodnoty do funkce vstupují.

trojka <- 3
rep(x = seq(1, 10, 3), times = trojka)
 [1]  1  4  7 10  1  4  7 10  1  4  7 10

V určité chvíli je ovšem dobré přemýšlet i o čitelnosti samotného kódu.

Který z následujících kódů je čitelnější?

sample(x = rep(x = seq(1, 10, 3), times = 2), size = 4, replace = FALSE)
[1]  1  1  4 10

nebo

opakovani <- rep(x = seq(1, 10, 3), times = 2)

sample(x = opakovani, size = 4, replace = FALSE)
[1]  1  4 10  1

Domácí práce

  1. Vytvořte RProjekt

  2. Nahrajte do globálního prostředí proměnné z promenne.RData

  3. Zjistěte, kolik zaměstnanců lze z rozpočtu platit po uvedenou dobu měsíců

    plat = jaký je plat jednoho zaměstnance za jeden měsíc
    pocetMesicu = kolik měsíců je potřeba všechny zaměstnance platit
    rozpocet = jaký finanční rozpočet máte na dobu pocetMesicu k dispozici

  4. RProjekt s výpočtem zašlete nejpozději do pátku před příští hodinou na lucie.hoskova@ruk.cuni.cz