[ADsP]3과목 - 1장. R 기초(R의 기초통계, 데이터 핸들링,R그래프의 이해)

R 기초는 밑에 링크를 통해 공부하자!!

 

2020/05/12 - [데이터사이언스/R] - [R] 기본 요약 정리 ( 연산 , 자료형 , vector , factor , list )

[R] 기본 요약 정리 ( 연산 , 자료형 , vector , factor , list )

2020/05/12 - [데이터사이언스/R] - [R] 기본 요약 정리 ( data frame , 데이터 읽기/쓰기 , apply() 함수 , 데이터 찾기 )

[R] 기본 요약 정리 ( data frame , 데이터 읽기/쓰기 , apply() 함수 , 데이터 찾기 )

 

R의 기초통계 계산 및 인덱싱

 

range() : 최소값과 최대값을 반환하는 함수.

 

describe() 함수 : 왜도와 첨도를 알아볼 수 있음 다양한 수치들이 표시됨.

 

describe(x) vars  n     mean   sd  median trimmed  mad  min  max   range  skew   1   100   5.34    3.39  4.77     4.91       3.25  0.43  15.47 15.04   1.02 kurtosis     se 0.73        0.34

 

Skewness(왜도) : 분포 모양 비대칭 정도 '0'정규분포 0보다 크면 왼쪽으로 치우친분포

Kurtosis(첨도) : 뾰족한 정도 3보다 크면 정규분포보다 뾰족한 모양

 

Mean > Median 오른쪽꼬리로 길게나와있음

Mean < Median 왼쪽꼬리로 길게나와있음

 

na.rm = T 옵션은 mean , range , sd 등 수치형 변수의 NA(결측값)이 있으면 결측값이 발생한다.

꼭 사용해야하는 옵션 결측값을 지운다.

인덱싱

데이터프레임 출력	벡터 값으로 출력
iris[1,] iris[,c(1,2)] iris[1] iris["Sepal.Length"]	iris[[1]] iris$Sepal.Length iris[["Sepal.Length"]] iris[,1]

---

데이터 핸들링

데이터보기

 

str() : 데이터 구조 확인 , 변수이름, 관측치 수

 

새로운 변수 만들기 

 

- 데이터명$새로운변수명<-함수 또는 수식

df1$avg<-(height+weight)/3

 

데이터 조건으로 필터링하기 : subset()함수

 

예) 키가 170이상인 데이터만 추출해서 df1에 저장하기

df1<-subset(df,subset=(height>=170))

 

데이터 열 삭제하기 : select() 함수

 

예)gender 변수만 삭제하고 , df2에 저장하기

df2<-subset(df,select=-gender)

 

병합하기 : merge(x,y,by)

x(병합할 데이터프레임) , y (병합할데이터프레임), by(병합할 기준 열)

 

ifelse(더미변수 만들 때 사용)

gender<-ifelse(gender=="남자",0,1) gender [1] 0 0 0 1 1

Q10. 다음은 반복구문에 대한 설명 중 옳은 것은?

① for 구문은 괄호 안의 조건이 만족되어 있는 동안 이후의 구문을 반복한다.

② while 구문은 반복되는 구문 내에서 반복변수 i를 변화시켜 주어야 한다.

③ for 구문이 반복되는 횟수는 실행시키기 전까지 알 수 없다.

④ while 구문은 for 구문보다 빠르게 실행된다.

 

데이터 타입 변환

적용	결과값
as.integer(3.14)	3
as.numeric(FALSE)	0
as.logical(0.45)	TRUE                     * 수치를 논리값으로 변경할 때는 0만아니면 다 TRUE이다

 

Q12 아래는 쥐(Rat)의 먹이 종류(Diet)에 따른 무게(Weight)의 시간(Time) 변화를 측정한 자료의 요약이다. 다음 중 이에 대한 설명으로 부적절한 것은?

 

① Diet의 유형은 숫자형(Numeric)으로 인식한다.

② 데이터는 총 3가지 종류의 먹이를 포함한다

③ 명령어 ‘mean(BodyWeight$Diet)’는 오류를 발생시킨다.

④ Weight의 중위수는 344.5이다.

 

---

특수한 기능들

paste() : 입력 받은 문자열들을 하나로 붙여준다.

number <- 1:5 alphabet <-c("a","b","c") paste(number,alphabet) [1] "1 a" "2 b" "3 c" "4 a" "5 b" paste(number,alphabet,sep=”to the”) # ‘sep=’ 옵션을 통해 붙이고자 하는 문자열들 사이에 구분자(separator) 삽입 [1] "1 to the a" "2 to the b" "3 to the c" "4 to the a" "5 to the b"

 

substr() : paste 와 반대로 주어진 문자열에서 특정 문자열 추출

country<-c("Korea","Japan") substr(country,1,2) #country 객체명에 시작위치 끝위치만 추출한 결과이다. [1] "Ko" "Ja"

strsplit() : 문자형 벡터 변수를 split 기준으로 분리

nation<-c("Korea,seoul","Japan,tokyo") nation_split<-strsplit(nation,split = ",") nation_split [[1]] [1] "Korea" "seoul" [[2]] [1]"japan""tokyo"

---

R그래픽 이해

산점도(Scatter Plot) 그래프

두 양적 자료 간의 관계(선형)를 살펴보기 위해서 작성하는 그래프

 

plot(x,y) , plot(y~x) 같은결과

 

~(물결)로 할꺼면 뒤에가 x축 앞이 y축

math<-c(95,65,80,92,60,75,88,100,75,68) scie<-c(90,70,80,95,65,70,85,95,70,60) plot(math,scie)

---

산점도행렬

여러가지 변수들에 대해서 각각의 산점도를 한눈에 살펴볼 수 있도록 확장된 산점도 행렬이다.

 

iris data 산점도 행렬

Q13 분포 패턴이 다양한 자료에서 같은 상관계수가 도출될 수 있다. 그 패턴을 확인하기 위한 분석으로 적절한 것은?

① 상자그림 ② 산점도 ③ 빈도표 ④ 히스토그램

 

교차표(분할표,contingency table) : table()

두 변수를 만족하는 관측치가 각각 몇 개씩인지 파악

gender<-c("F","M","F") bloodtype<-c("AB","O","B") height<-c(170,175,165) weight<-c(70,65,55) df<-data.frame(gender,bloodtype,height,weight) df1<-table(df$gender,df$bloodtype)    AB B O F  1  1  0 M 0  0  1

---

상자 그림(boxplot)

	상자그림은 데이터의 분포를 보여주는 그림
	가운데 상자 1사분위수,중앙값, 3사분위수 의미
	상자의 상하로 뻗어나간 선(whisker)은 ‘중앙값-1.5*IQR,중앙값+1.5IQR
	IQR은 제3사분위수-1사분위수 의미
	그림에서 보이는 점들은 이상치(outlier),lower whisker 보다 작은 데이터 1개 upper whisker 보다 큰 3개가 보인다
	위 상자그림은 iris$Sepal.Width이며, 중앙값은 약3.0,1사분위수 약2.8,3사분위수약 3.3 lowerwhisker 약 2.2,upper whisker 약 4.0 이다

 

Q14 아래 그림은 닭 사료의 종료(feed)와 닭의 성장(weight)의 관측치를 포함하고 있다. 이를 통해 추론 가능한 사실로 올바르지 않은 것은?

 

① casein이 포함된 사료를 먹은 닭의 몸무게 중위수가 가장 크다.

② sunflower가 포함된 사료를 먹은 닭 중 이상치의 몸무게를 가진 닭이 3마리 있다.

③ horsebean이 닭의 성장을 촉진하는데 가장 효율성이 떨어진다.

④ horsebean에 비해 meatmeal을 먹는 닭들의 몸무게의 분산이 더 작을 것이다.

---

히스토그램(도수분포표)

• 데이터의 분포을 알 수 있고, 히스토그램은 값의 범위마다 빈도를 표시한 그래프
• hist()로 생성
• 히스토그램의 주요 파라미터 중 하나는 frp고 , 각 구간의 확률밀도가 그려진다.
• 확률밀도로 막대 너비의 합은 1이 된다. 도수밀도(확률밀도) = 계급의도수/계급의간격

* 한화면에 여러그림 그리기

par(mfrow=c(2,2))

 

원래대로 돌아가기

par(mfrow=c(1,1)

 

Q15 히스토그램에서 각 계급에 대한 사각형의 면적을 무엇이라고 하는가?

① 도수 ② 누적도수 ③ 중앙값 ④ 계급의 크기

---

모자이크 플롯(mosaicplot)

• 모자이크 플롯은 범주형 다변량 데이터를 표현하는 데 적합한 그래프이다.
• 모자이크 플롯에는 사각형들이 그래프에서 나열되며, 각 사각형의 넓이가 범주에 속한 데이터의 수에 해당
• mosaicplot() 으로 생성

예) 타이타닉호 탑승실 등급과 생존 여부의 모자이크 플롯

mosaicplot(~Class+Survived,data=Titanic,color=True,cex=1.2)

 

Q16 아래의 그림은 한 대학의 합격자 현황에 대해 학과(Dept)와 합격여부(Admit) 변수를 사용해 그린 모자이크 플롯이다. 학과는 A~F 6개 학과가 있고, 합격여부는 Admitted(합격)과 Rejected(불합격)로 구분된다. 아래 그림에 대한 설명하는 보기 중 부적절한 것은?

Q17 아래는 호흡기 환자의 상태(status:poor,good)와 새로운 치료방법의 적용 여부(treatment,placebo), 각 환자의 상태를 관찰한 시점 (month:0,1,2,3,4)변수를 사용한 모자이크 플롯이다. 올바른지 않은 설명은?

① month가 1인 시점에서는 placebo와 treatment 모두 상태가 좋은(good)환자가 많다.

② month가 0~3까지는 treatment 그룹은 상태가 좋은(good)환자가 증가하는 경향이 있다.

③ treatment의 month=4인 경우 치료방법의 효과가 month=3보다 감소한다.

④ 시간의 흐름에 따라 placebo 그룹에 속한 환자 수의 비율이 treatment 그룹에 배해 증가

---

그래픽 기능 총정리

	함수	중요
삼전도	plot(x,y) plot(y~x)	2개 수치형변수의 직선=선형=상관관계를 알아보기
삼전도행렬	pairs()	여러개의 변수관계를 알아보기
상자그림	boxplot()	이상치존재IQR, 최소,최대 1사분위 3사분위 중위값 확인 NA가 기본적으로 제거하고 그려짐
히스토그램	hist()	연속형수치에 적합 히스토그램의 사각형 상대도수의 의미
모자이크플롯	mosaicplot()	사각형의 크기는 데이터의 수를 의미
막대그래프	barplot()	명목형 변수의 빈도에 활용(교차표)막대사이가끊겨져 있는 모양