1.1 Veergude ja ridade eraldamine andmestikust: indeksi ja nime järgi

Kui tahame andmestikust ainult üht veergu uurida, siis kõige mugavam on kasutada dollari-sümbolit:

vanused <- andmed$AGEP
median(andmed$AGEP)
median(vanused)

Üldiselt on data.frame kahemõõtmeline tabel, mis tähendab, et iga elemendi asukoht selles tabelis on ära määratud rea ja veeru numbriga. Rea- ja veerunumbrite abil andmestikust infot eraldades tuleb kasutada kantsulgusid:

andmed[3, 2]  # kolmas rida, teine veerg
andmed[ , 2]  # kogu teine veerg
andmed[3,  ]  # kogu kolmas rida

Korraga on võimalik eraldada ka mitut rida või veergu, kasutades selleks käsku c(.):

andmed[, c(2, 4)]  # teine ja neljas veerg
valik <- c(2, 4)  # tekitame objekti, milles on kirjas huvipakkuvate veergude numbrid
andmed[, valik]  # kasutame seda objekti andmestikust veergude eraldamiseks
andmed[c(5, 3,  9), ]  # viies, kolmas ja üheksas rida

Tihti on veeruindeksite asemel mugavam kasutada veergude nimesid (peavad olema jutumärkides):

andmed[, c("AGEP", "WAGP")]  # eraldame veerud "AGEP" ja "WAGP"

Kui andmestikus on ka ridadel nimed, siis saab neid sama moodi kasutada ridade eraldamisel. Selle läbiproovimiseks lisame oma andmestikule praegu ise reanimed:

rownames(andmed) <- paste("rida", rownames(andmed), sep = "-") # paneme ise nimed kujul 'rida-jrk'
head(andmed[, 5:9])  # vaatame milline on tulemus
andmed[c("rida-23", "rida-62"), 5:9]  # eraldame read 23 ja 62  

andmed$kuusissetulek <- andmed$WAGP/12
# või
andmed[, "kuusissetulek"] <- andmed$WAGP/12
str(andmed)

1.2 Veergude ja ridade eraldamine andmestikust: tõeväärtusvektori abil

Tõeväärtusvektoreid on väga mugav kasutada nn filtritena. Nimelt on data.frame puhul võimalik ridu (ja ka veerge!) eraldada mitte ainult indeksi või -nime järgi, vaid ka tõeväärtusvektori abil. Kui eraldada ridu, siis vastav tõeväärtusvektor peab olema sama pikk kui on andmestikus ridu ning väärtused selles vektoris näitavad, kas vastavat rida kasutada (TRUE) või mitte (FALSE). Tõeväärtusvektorite kombineerimisel saab andmestikust väga spetsiifilisi alamhulki eraldada.

# eraldame kõik read, kus SEX == "Male" ning salvestame selle uueks objektiks
mehed <- andmed[andmed$SEX == "Male", ]  

# moodustame kaks filtritunnust ja kombineerime need alagrupi valikuks
filter_kod <- andmed$CIT == "Not a citizen of the U.S."  # mittekodanikud
filter_vanus <- andmed$AGEP >= 80                        # vähemalt 80 aastased
alamandmestik <- andmed[filter_kod & filter_vanus, ]   # Ära unusta: [read, veerud]

Üks näide ka tõeväärtusvektori abil veergude eraldamise kohta: valime kõik need veerud, mille päis algab sõnega MAR (tunnused, mis seotud abieluga)

onMAR <- startsWith(names(andmed), "MAR")
# või 
#onMAR <- substr(names(andmed), 1, 3) == "MAR"
abielu <- andmed[, onMAR]
str(abielu)

1.3 Lihtsam kirjeldav statistika

Allpool on loetletud mõned käsud, mille abil mõnd konkreetset tunnust (veergu andmestikust) kirjeldada.

• min(tunnus), max(tunnus), median(tunnus), mean(tunnus), sd(tunnus) – arvulise tunnuse karakteristikud
• quantile(tunnus, kvantiil) – saab leida kvantiile ehk protsentiile arvulisele tunnusele
• length(tunnus) – mitu elementi on antud veerus
• table(tunnus) – saab koostada sagedustabelit (kasulik Factor-tüüpi tunnuse kirjeldamisel)
  table(tunnus1, tunnus2) – koostab kahemõõtmelise sagedustabeli
• t(tabel) – vahetab tabeli read ja veerud (transponeerib)
• ftable(tunnus1 + tunnus2 ~ tunnus3 + tunnus4, data = andmed) – teeb mitmemõõtmelise sagedustabeli, mis on inimesele lihtsasti loetav

Kui on soov korraga mitme arvulise tunnuse keskmisi arvutada, sobib selleks käsk colMeans(andmetabel), sarnane käsk on rowMeans(.). Ridade või veergude summasid saab leida käskudega rowSums(.) ja colSums(.). Seda saab näiteks kasutada sagedustabeli põhjal protsentide arvutamiseks:

sagedustabel <- table(andmed$SEX, andmed$LANX)
sagedustabel / rowSums(sagedustabel)  #proovi, mis juhtub, kui kasutada /colSums(.)

##         
##          No, speaks only English Yes, speaks another language
##   Female               0.8031949                    0.1968051
##   Male                 0.8147019                    0.1852981

Sagedustabeli põhjal protsentide arvutamiseks (jaotustabeli arvutamiseks) on eelnevalt näidatud konstruktsioonist mugavam kasutada käsku prop.table(.):

prop.table(sagedustabel)  # ühisjaotus
prop.table(sagedustabel, margin = 1)  # iga rida kokku 1 (ehk 100%)
prop.table(sagedustabel, margin = 2)  # iga veerg kokku 1 (ehk 100%)

1.4 Faktortunnus

Faktortunnus pole tegelikult nn elementaartüüp (nagu näiteks integer), vaid keerulisem konstruktsioon. Nimelt faktortunnus on sildistatud koodide tunnus. Kui andmestik R-i sisse loetakse, siis saame määrata, et tähelisi väärtuseid sisaldavate tunnuste tüübiks tekiks factor (selleks panna read.table(.) argumendi stringsAsFactors väärtuseks TRUE) ning iga erinev väärtus kodeeritakse mingi täisarvuga, aga lisaks tehakse kodeerimistabel, kus on kirjas iga täisarvu (kodeeringu) tekstiline väärtus (ehk silt).

Et teada saada, mitu erinevat väärtust antud faktortunnusel võib üldse olla, kasutatakse käsku levels(.). Sealjuures ei pruugi kõiki faktori väärtustasemeid antud andmetes üldse esineda:

# loeme andmestiku uuesti sisse, tekitades faktor-tunnused
andmed1 <- read.table("https://github.com/Rkursus/2022/raw/master/data/mass.txt", 
                     header = T, sep = "\t", stringsAsFactors = T)
# tekitame uuesti alamandmestiku
mehed1 <- andmed1[andmed1$SEX == "Male",]
levels(mehed1$SEX)

## [1] "Female" "Male"

table(mehed1$SEX)

## 
## Female   Male 
##      0   3125

Faktortunnuse tekitamiseks saab kasutada käsku factor(.). Vaikimisi pannakse faktortunnuse tekitamisel faktori tasemed tähestiku järjekorda. Seda saab aga muuta käsu factor(.) argumenti levels kasutades:

table(andmed1$MARHT)   # Mitu korda abielus olnud?
andmed1$MARHT <- factor(andmed1$MARHT, levels = c("One time", "Two times", "Three or more times"))
table(andmed1$MARHT)

Kui andmete impordil määrata faktorite tekitamine (st määrata argument stringsAsFactors = TRUE) võib juhtuda, et mõni arvuline tunnus määratakse faktortunnuseks – seda seepärast, et sisseloetavas failis oli viga ja mõnes lahtris oli arvu asemel mingi tekst. Kui nüüd proovida as.numeric(.) käsuga see tunnus arvuliseks teisendada, tekib segadus: Factor-tüüpi tunnus on juba täisarvude tunnus (kuigi neil on sildid juures) ning seetõttu antakse tulemuseks need täisarvud ehk kodeeringud. Segadust ei teki, kui faktortunnus kõigepealt sõneks teisendada (kodeeringud kaotatakse, jäävad ainult sildid) ning alles seejärel teha teisendus arvudeks.

(x <- factor(c("1", "8", "ei vastanud", "12"))) # välimised sulud tingivad väljatrüki

## [1] 1           8           ei vastanud 12         
## Levels: 1 12 8 ei vastanud

as.numeric(x)

## [1] 1 3 4 2

as.numeric(as.character(x))

## Warning: NAs introduced by coercion

## [1]  1  8 NA 12

Mõnikord soovime arvulist tunnust muuta nn ordinaaltunnuseks (st selliseks, kus on mõned üksikud kategooriad, mis on omavahel järjestatud). Näiteks palkade statistika esitamisel on soov teada infot palgavahemike kaupa. Arvulist tunnust aitab lõikudeks tükeldada käsk cut(.). Selle käsu tulemusel tekib faktortunnus, mille silte saab cut(.) käsu argumendiga labels ette anda:

palgad <- cut(andmed$WAGP, breaks = c(0, 999, 4999, Inf), include.lowest = T,
             labels = c("0-999", "1000-4999", ">= 5000"))
table(palgad)

## palgad
##     0-999 1000-4999   >= 5000 
##      1903       296      3114