7 Esimerkkidatasetti

R:n opettelussa kannattaa hyödyntää vapaasti käytettävissä olevia esimerkkidatasettejä. Valitaan Motor Trend Car Road Tests -niminen datasetti (lyhenne: mtcars), ja aletaan tarkastella ja käsitellä siinä olevia muuttujia.

Luodaan ensin uusi oma datasettimme automobiilit, johon mtcars kopioidaan sellaisenaan (katso kuva alla):

automobiilit <- mtcars

SASin käyttäjät ovat tottuneet tällaisessa datasetin luontitilanteessa näkemään uuden datasetin erityisessä SASin ikkunassa. RStudiossa saa ihan vastaavan ns. data view -näkymän aikaiseksi ajamalla vasemmalla alhaalla tabissä Console seuraavan komennon:

View(automobiilit)




Kun olet kirjoittanut View(automobiilit)-käskyn, avautuu seuraava näkymä (kuva alla):


Silmäile View-komennon aikaansaamaa data view -näkymää. Havaitset biostatistikon näkökulmasta seuraavat seikat:

  1. “Koehenkilöt” ovat tässä tapauksessa automerkkejä, ja
  2. “biomarkkereita” (muuttujia) ovat esim. hevosvoima, sylinterit jne.

Huom! View()-komennon asemesta voit klikata hiiren vasemmalla napilla tarkasteltavan datasetin “Value”-sarakkeeseen, tämä tekee saman kuin View()-komento (katso kuva alla):


7.1 Datan muokkaus dplyr:illa

Yksinkertaistetaan datasettiämme. Säilytetään vain seuraavat neljä muuttujaa ja nimetään ne suomeksi:

  1. bensankulutusta kuvaava mpg,
  2. hevosvoimaa kuvaava hp,
  3. massa wt sekä
  4. vaihteistotyyppi am (automaattinen vs. manuaalinen vaihteisto).

Tämän lisäksi harjoituksen vuoksi:

  • Suljemme datasetistämme pois kaikki sellaiset autot, joissa ei ole käytössä vähintään 2 karburaattoria.
    • Huom! Jos et tiedä mikä on karburaattori, tällä ei ole mitään väliä. Yhtä hyvin tämä voisi olla “oltava enemmän kuin yksi munuainen tutkittavalla potilaalla” jossakin toisessa datasetissä.

dplyr-paketin komennoilla yllä mainittujen asioiden toteuttaminen on erittäin helppoa. Kirjoita seuraavat rivit R-skriptiisi minun_datani.R. Voit copy-pastettaa ne suoraan tästä alta, jos luet tämän pikaohjeen elektronista versiota.

Huom. katso myös kuva alempana:

automobiilit2 <- automobiilit %>%               #Otetaan käsiteltäväksi datasetti automobiilit
                    filter(carb > 1) %>%            #Säilytetään vain autot, joissa yli 1 karburaattori
                       mutate(bensankulutus = mpg,    #Luodaan uusia suomenkielisiä
                              hevosvoima = hp,        #muuttujia näillä neljällä rivillä;
                              massa = wt,             #käytännössä luodaan englanninkielisistä
                              vaihteisto = am) %>%    #valmiista muuttujista duplikaatteja
                       select(bensankulutus,            #Pidetään luomamme muuttujat, tuhotaan kaikki muut
                              hevosvoima,
                              massa,
                              vaihteisto)

Aja syöttämäsi rivit: voit joko maalata hiirellä koko rimpsun ja ajaa sen näppäinyhdistelmällä Command+Enter tai mennä vain kyseisen rivistön ensimmäiselle riville ja painaa Command+Enter.



Tarkastele luomaasi datasettiä tämän jälkeen ajamalla konsolissa View-komento, tällä kertaa uudesta datasetistä automobiilit2:

View(automobiilit2)

Huomaat, että ajamasi koodi on toiminut toivotulla tavalla (katso kuva alla).


7.2 Kertausta dplyr:ista

dplyr:ia käytettäessä erilaiset käskyt (yllä: filter, mutate sekä select) syötetään “putkea” pitkin peräkanaa tapahtuvaksi sijoittamalla kunkin käskyn väliin aina seuraava operaattori (eli merkkikombinaatio): %>%.

Vielä kertauksena dplyr:llä tehdyn käskyputken toiminta (katso myös kuva alla):

  1. filter: suljetaan datastamme jotain pois (tässä esimerkissä suljimme pois autot, joissa on alle 2 karburaattoria).
  2. mutate: luodaan uusia muuttujia
  3. select: säilytetään muuttujat jotka mainitaan, kaikki muut tuhotaan
  4. %>%-operaattori: tämän kanssa putkitetaan käskyt yksi kerrallaan peräkanaa tapahtuviksi
  5. <--operaattori: tällä tallennetaan putkesta ulos tuleva data uuteen datasettiin

Pelkästään näiden muutaman toiminnon osaaminen mahdollistaa jo monimutkaisenkin datasetin kasaamisen tutkimustasi varten. Ei tarvitse tankata käskyjä ulkoa; voit alkuun kopioida esim. tästä ohjeesta näitä itsellesi, ja netistä löytää valtavasti lisäesimerkkejä.



R-opas by Ville Langén is licensed under Attribution-ShareAlike 4.0 International