GNU R prakticky - 2. díl

10. 10. 2014 | Karel Kulhavý | Návody | 3591×

V tomto seriálu se podíváme na schopnosti a možnosti využití GNU R.

Načítání ze souborů a zápis do nich

V minulém díle jsem pověděl něco o kreslení jednoduchých grafů a počítání jednoduchých stastistických funkcí. Jak ale člověk do GNU R dostane data z reálného světa, aniž by musel tato opisovat? Dneska popíšu načítání ze souboru.

GNU R má jakési data frames, což bych vzdáleně přirovnal k tabulce v libreoffice calc. Sloupce mohou být pojmenované, mít odlišné datové typy a některé buňky můžou být nevyplněné. Dají se také vybírat různé podmnožiny sloupců, tyto mazat, duplikovat, přemisťovat, přejmenovávat, ale i sčítat, dělit, počítat součet, průměr, atd.

K tomu abych něco předvedl budu muset nějaká data napřed vyrobit.

find /usr -maxdepth 1 -mindepth 1 -type d -exec du -sk "{}" ";" 2>/dev/null | tee r.txt

Po zavaření počítače a vypití kafe se nám objeví nějaká ta kýžená statistická data popisující reálný svět našeho harddisku:

204272	/usr/include
2828	/usr/local
1448	/usr/LessTif
4516	/usr/sbin
2405148	/usr/lib
1017824	/usr/share
132480	/usr/bin
52912	/usr/libexec
4	/usr/src
24	/usr/man

Na dostání dat do programu R používám nejčastěji funkci read.table. Zkusíme tedy, co se stane, když ji pustíme jen tak s minimálním parametrem:

> df=read.table("r.txt")
> df

Proměnnou jsem nazval df protože se jedná právě o ten zmíněný data frame. Vida! Ono nám to načetlo a dokonce to pojmenovalo sloupečky defaultním pojmenováním V1 a V2. Vidíme také, že v data framu jsou řádky číslované:

        V1           V2
1   204272 /usr/include
2     2828   /usr/local
3     1448 /usr/LessTif
4     4516    /usr/sbin
5  2405148     /usr/lib
6  1017824   /usr/share
7   132480     /usr/bin
8    52912 /usr/libexec
9        4     /usr/src
10      24     /usr/man

Ani jsme nemuseli laborovat se separátorem sloupců! R má totiž defaultně nastavený přechod z nonblank na blank nebo tak nějak. Pokud bychom ho přeci jenom potřebovali změnit (CSV soubory oddělované čárkou a pod.), dělá se to parametrem sep (viz help(read.table)).

Funkci read.table používám v drtivé většině případů. Existují i další, jako readBin použitý v minulém díle, readChar, readLines. Viz vždy help() - parametr helpu se zadává bez uvozovek.

Když už jsme u těch CSV, tyto doporučuju jako metodu dostání dat z Libreoffice Calc do R. V Save As se nastaví formát CSV a odklepne spoustu různých potvrzovacích okýnek, z kterých mi vždycky tečou nervy. Pak musíme soubor zase uložit do normálního libreoffice formátu dat, jinak se bude libreoffice pokoušet ukládat pozdější změny do CSV a přijdeme možná o nějaká metadata.

Můžeme si teď třeba spočítat velikost těch adresářů v megabajtech místo kilobajtů? Ale jistě, udělá se to takhle:

> df$mega=df$V1/1000
> df
        V1           V2     mega
1   204272 /usr/include  204.272
2     2828   /usr/local    2.828
3     1448 /usr/LessTif    1.448
4     4516    /usr/sbin    4.516
5  2405148     /usr/lib 2405.148
6  1017824   /usr/share 1017.824
7   132480     /usr/bin  132.480
8    52912 /usr/libexec   52.912
9        4     /usr/src    0.004
10      24     /usr/man    0.024

Jak vidíme, R se nám nežinýroval přiřadit do sloupečku s neexistujícím jménem a tak se vytvořil sloupec nový.

A co si tak spočítat procenta? Na to budeme potřebovat funkci sum, která sečte vektor. Zdalipak bude fungovat i na sloupec data frame? Funguje!:

sum(df$mega)
[1] 3821.456

Tak vypočteme další sloupec s procenty. Přitom se nám projeví jeden aspekt gnu R - že když dělíme vektor jedním číslem (právě jsme viděli experimentální důkaz toho, že součet sloupce je jedno číslo ), toto se automaticky rozkopíruje na příslušný počet kopií:

> df$procenta=100*df$mega/sum(df$mega)
> df
        V1           V2     mega     procenta
1   204272 /usr/include  204.272 5.345397e+00
2     2828   /usr/local    2.828 7.400321e-02
3     1448 /usr/LessTif    1.448 3.789132e-02
4     4516    /usr/sbin    4.516 1.181749e-01
5  2405148     /usr/lib 2405.148 6.293800e+01
6  1017824   /usr/share 1017.824 2.663446e+01
7   132480     /usr/bin  132.480 3.466741e+00
8    52912 /usr/libexec   52.912 1.384603e+00
9        4     /usr/src    0.004 1.046721e-04
10      24     /usr/man    0.024 6.280329e-04

Bum! Počítače zase útočí (já bych všechny tyhle internety zakázala...!) Z vědeckého hlediska je tato odpověď jistě zcela korektní, nicméně podaří se nám ji upravit do humánně čitelné podoby? Vypadá to jakoby nás programátor R omilostnil a vybavil příkaz print parametrem digits (help(print)), který svádí k doměnce, že si s ním budeme moct nastavit zaokrouhlování:

> print(df,digits=5)
        V1           V2     mega   procenta
1   204272 /usr/include  204.272 5.3454e+00
2     2828   /usr/local    2.828 7.4003e-02
3     1448 /usr/LessTif    1.448 3.7891e-02
4     4516    /usr/sbin    4.516 1.1817e-01
5  2405148     /usr/lib 2405.148 6.2938e+01
6  1017824   /usr/share 1017.824 2.6634e+01
7   132480     /usr/bin  132.480 3.4667e+00
8    52912 /usr/libexec   52.912 1.3846e+00
9        4     /usr/src    0.004 1.0467e-04
10      24     /usr/man    0.024 6.2803e-04

K této domněnce skutečně jen svádí. V help(print) žádný další vhodný parametr nenajdu. Podívám se tedy ještě do print.default. To je právě typické že funkce mají ještě .default v kterém se dají další věci nastavovat. Ale ani tam nic nenajdu. Jedna možnost se nabízí takto:

> df$procenta=round(df$procenta,2)
> df
        V1           V2     mega procenta
1   204272 /usr/include  204.272     5.35
2     2828   /usr/local    2.828     0.07
3     1448 /usr/LessTif    1.448     0.04
4     4516    /usr/sbin    4.516     0.12
5  2405148     /usr/lib 2405.148    62.94
6  1017824   /usr/share 1017.824    26.63
7   132480     /usr/bin  132.480     3.47
8    52912 /usr/libexec   52.912     1.38
9        4     /usr/src    0.004     0.00
10      24     /usr/man    0.024     0.00

To má ale nevýhodu, že se nám tím zkazí ty data samotná, pokud je budeme chtít později použít, přijdeme o tisícinky. Zdá se mi že přehledný tisk čísýlek na obrazovku je téma na dizertační práci! Vytáhnu tedy řešení až úplně z paty:

> options(scipen=50)
> print(df,digits=1)
        V1           V2     mega procenta
1   204272 /usr/include  204.272   5.3454
2     2828   /usr/local    2.828   0.0740
3     1448 /usr/LessTif    1.448   0.0379
4     4516    /usr/sbin    4.516   0.1182
5  2405148     /usr/lib 2405.148  62.9380
6  1017824   /usr/share 1017.824  26.6345
7   132480     /usr/bin  132.480   3.4667
8    52912 /usr/libexec   52.912   1.3846
9        4     /usr/src    0.004   0.0001
10      24     /usr/man    0.024   0.0006

Podařilo se. Můžeme si teď v klidu zaletět do Stockholmu převzít Nobelovu cenu za tisk čísel. Mravní ponaučení co bych z toho dal je, že existuje v GNU R centrální příkaz options, který, jak píšou v jeho manuálové stránce, nastavuje "variety of global options which affect the way in which R computes and displays its results". Také je potřeba někdy kramařit v dalších manuálových stránkách odkazovaných v sekci See Also.

No a jak teď naše vydobydá data uložíme do externího souboru? Analogicky pomocí funkce write.table:

> write.table(df,file="out.txt")

Program nám texty opatřil uvozovkami, s čímž se ve světě CSV souborů často setkávám. Tyto uvozovky, separátor, popisky sloupečků a řádků a další se dají ve write.table zapínat a vypínat podle manuálové stránky.

Takto můžeme GNU R používat ve skriptech na matematiku, na kterou jsou expr a bc už těžkopádné. Musím vám jenom říct, jak se to volá v dávkovém režimu (sociálním? drogovém?). Program si napíšeme do souboru:

cat >program.R << "EOF"
df=read.table("r.txt")
procenta=100*df$V1/sum(df$V1)
novy=data.frame(df$V2,procenta)
write.table(novy,"out.txt",col.names=FALSE,quote=FALSE)
EOF

A pak GNU R pustíme z příkazové řádky takto:

R --save <program.R

--save je parametr který se musí uvést a nastavuje se jím zda po skončení R prostředí uloží nebo neuloží (man R). Pokud nám program bouchne a měli jsme --save, můžeme rovnou pustit R a máme v něm pro ruční inspekci všechny proměnné ve stavu těsně před detonací. No a dnešní díl uzavřu výsledkem našeho experimentu, který je dále strojově zpracovatelný ve skriptech příkazy jako cut -d ' ':

cat out.txt
1 /usr/include 5.34539714705599
2 /usr/local 0.0740032071545505
3 /usr/LessTif 0.0378913168174643
4 /usr/sbin 0.118174852726291
5 /usr/lib 62.9380005945378
6 /usr/share 26.6344555583003
7 /usr/bin 3.46674147236027
8 /usr/libexec 1.38460314602602
9 /usr/src 0.000104672145904598
10 /usr/man 0.000628032875427586

       

Komentáře

[Ruža Becelin]

Diky za pokracovani, momentalne si s R hraju tim zpusobem, ze to nechavam prezvykavat Apache logy. Vypadato, ze to funguje efektivneji nez awstats

[Tom.š Ze.le.in]

Pár připomínek:

• Pokud to má být článek pro nováčky, bylo by fajn držet se běžných konvencí. Běžná konvence je preferovat <- před = pro přiřazení (ať už to má hlubší smysl nebo ne).
• Pro spouštění skriptů na mém počítači funguje Rscript.
• Pokud čteme a zapisujeme CSV, možná se hodí použít read.csv(2) a write.csv(2).
• Autor tiše spoléhá na automatickou detekci typu sloupce a konverzi při čtení tabulek, což tady funguje - ale dá se s tím snadno narazit.

Ale ano, jinak je dobře že je tu o R článek.

[mcm]

Myslím, že by taky stálo za to zkombinovat tento článek i s literaturou, která je k dispozici v tištěné podobě autorů Stanislava Pekára a Marka Brabce:

• Moderní analýza biologických dat. 1. Zobecněné lineární modely v prostředí R (2009)
• Moderní analýza biologických dat 2. Lineární modely s korelacemi v prostředí R (2012)

Také, podobně jako tento článek velmi pěkně a názorně zpracované a když jsem se prostředí R učil (vlastně se učím pořád :D) mě hodně tyto knihy pomohly... :)

[Jan33]

s/dúkaz/důkaz/ || s/dúkaz/(d)úkaz/ díky

[KOLEGA]

&& s/bysme/bychom/ ... :D Hele prohnat to něčím, co trochu kontroluje gramatiku a slova by bylo fajn :P

[dw]

Nemá 1 megabyte tych kilobite 1024?

[ebik]

A neni to nahodou pro ucely clanku jedno? Chyba pod 5% je pro vetsinu statistik zanedbatelna.

(Navic zalezi na kontextu. Informatici zneuzili predponu kilo a mega zpusobem ze predefinovali nasobek, a nasledne nepresvedcili cely svet aby to pouzival v pripade bajtu bez vyjimky (u bitu je to jeste horsi), takze ted zalezi jestli je to informaticke "kilo" nebo SI predpona. Je ale pravda, ze se hodi zachovat nasobek pouzity pro kilo pri prechodu z kilo na mega.)

[Heron]

Nemá.

[Petr Tomášek]

Záleží na tom, jakou konvenci používáš

[předpona soustavy SI]

Nezalezi! Viz
https://en.wikipedia.org/wiki/Mebibyte
https://en.wikipedia.org/wiki/Mega-

[ebik]

Tak tuto konvenci v mém okolí nikdo nepoužívá.

[Jan Brezina]

Pokud nedelate s R kazdodenne, tak se vam mozna bude hodit prehled nejdulezitejsich prikazu a jejich parametru na jednu oboustranou A4. Zdrojak Sestaveno kompilaci z jinych zdroju a z vlastni zkusenosti. Komentare a opravy vitany.