Rakendustarkvara: R 8. praktikum¹

1 Sõnetöötlus paketiga stringr

R- i baaspaketiga on kaasas mitmeid sõnede töötlemise käske, näiteks grep(.) ja substr(.); pikemat loetelu näeb, kui trükkida konsooli ?grep ja ?substr. Kahjuks nende käskude süntaks pole päris ühesugune ning mõned neist ei ole täielikult vektoriseeritud.

Pakett stringr proovib seda puudust kõrvaldada, pakkudes sarnase süntaksiga rohkem vektoriseeritud käske (tegemist on nn wrapper-funktsioonidega baaspaketi sõnetöötluskäskudele).

#install.packages("stringr") #  kui paketti arvutis veel pole
library(stringr) # paketi aktiveerimine

1.1 Sõne pikkus, sõnede kokkukleepimine ja eraldamine, alamsõne eraldamine

Sõnede pikkust saab teada käsuga str_length(.).
Sõnesid saab kokku kleepida üheks käsuga str_c(.), millel saab argumendiga sep määrata, milline sümbol pannakse kokkukleebitavate sõnede vahele. Kui käsule str_c(.) kirjutada argumendi collapse väärtuseks mingi sümbol, siis kleebitakse kõik sõned üheks ainsaks sõneks, mis on selle sümboliga eraldatud.
Sõne saab tükeldada käsuga str_split(.), mille argumendiga pattern saab määrata, mis on tükkide eraldaja. Selle käsu tulemusena tekib list , mida saab vektoriks muuta käsuga unlist(.), kui aga lisada käsku argument simplify = TRUE on tulemuseks maatriks. Kui str_split(.) käsule anda pattern = "", siis tükeldatakse sõna üksikuteks tähtedeks.
Alamsõne eraldamiseks on stringr paketis käsk str_sub(.), mille argumentidega start ja end saab määrata alamsõne alguse ja lõpu tärgi indeksid. Andes neile argumentidele negatiivsed indeksi väärtused alustatakse loendamist sõne lõpust st indeks -2 märgib sõne eelviimast kohta.

sõnad <- c("Õun", "Apelsin", "Porrulauk", NA, "")
str_length(sõnad)

## [1]  3  7  9 NA  0

str_c(sõnad, 1:5, sep = "=")

## [1] "Õun=1"       "Apelsin=2"   "Porrulauk=3" NA            "=5"

(x <- str_c(sõnad, 1:5, sep = "=", collapse = ". "))

## [1] NA

(x <- str_c(str_replace_na(sõnad), 1:5, sep = "=", collapse = ". "))

## [1] "Õun=1. Apelsin=2. Porrulauk=3. NA=4. =5"

str_split(x, ". ")

## [[1]]
## [1] "Õun=1"       "Apelsin=2"   "Porrulauk=3" "NA=4"        "=5"

unlist(str_split(x, ". "))

## [1] "Õun=1"       "Apelsin=2"   "Porrulauk=3" "NA=4"        "=5"

str_split(sõnad, "")

## [[1]]
## [1] "Õ" "u" "n"
## 
## [[2]]
## [1] "A" "p" "e" "l" "s" "i" "n"
## 
## [[3]]
## [1] "P" "o" "r" "r" "u" "l" "a" "u" "k"
## 
## [[4]]
## [1] NA
## 
## [[5]]
## character(0)

lause1 <- "see ja teine ja kolmas ja neljas"; lause2 <- "üks või kaks või kolm"
str_split(c(lause1, lause2), c("ja", "või"))

## [[1]]
## [1] "see "     " teine "  " kolmas " " nel"     "s"       
## 
## [[2]]
## [1] "üks "   " kaks " " kolm"

str_sub(sõnad, 1:5, 3:7)

## [1] "Õun" "pel" "rru" NA    ""

str_sub(sõnad, end = -3)

## [1] "Õ"       "Apels"   "Porrula" NA        ""

1.1.1 Ülesanded

Loe sisse Massatchusettsi andmestik:
link <- "https://github.com/Rkursus/sygis2019/raw/master/data/"
mass <- read.table(str_c(link, "mass.txt"), sep = "\t", header = T)
Andmetabelis on veerus OCCP iga inimese amet, sealjuures kolme esimese tähega on kodeeritud vastav valdkond; näiteks kõik puhastusteenustega seotud ametid algavad tähtedega CLN. Mitu erinevat valdkonda on selles andmetabelis?
Kasutades sama tunnnust (OCCP) lisa andmestikku uus veerg OCCP1, mille väärtused oleks samad kui OCCP-l, kuid töötutel oleks tunnuse väärtus kujul “UNE-UNEMPLOYED, LAST WORKED 5 YEARS AGO OR EARLIER OR NEVER”.

1.2 Alamsõne otsimine ja muutmine

Et teada saada, kas üks sõne sisaldub teises sõnes, saab kasutada käsku str_detect(.) argumendiga pattern. Sisaldumiste esinemiste kokkuloendamiseks sobib käsk str_count(.). Juhul, kui on soov otsitava alamsõne teksti kujul leida ja väljastada, saab kasutada käsku str_extract(.). Et teada saada, millisel positsioonil asub otsitav alamsõne, võiks kasutada käsku str_locate(.), mis tagastab kõige esimesel positsioonil leitud alamsõne (kui sellist alamsõne üldse leidub) algus- ja lõpuindeksid matrix-tüüpi objektina. Kui tahame kätte saada kõigil positsioonidel olevate alamsõnede algus- ja lõpuindeksid, sobib käsk str_locate_all(.), mis tagastab listi.

# Vaatame üle oma vektori
sõnad

## [1] "Õun"       "Apelsin"   "Porrulauk" NA          ""

str_detect(sõnad, "r")

## [1] FALSE FALSE  TRUE    NA FALSE

str_count(sõnad, "r")

## [1]  0  0  2 NA  0

str_extract(sõnad, "r")

## [1] NA  NA  "r" NA  NA

str_extract_all(sõnad, "r")

## [[1]]
## character(0)
## 
## [[2]]
## character(0)
## 
## [[3]]
## [1] "r" "r"
## 
## [[4]]
## [1] NA
## 
## [[5]]
## character(0)

str_locate(sõnad, "r")

##      start end
## [1,]    NA  NA
## [2,]    NA  NA
## [3,]     3   3
## [4,]    NA  NA
## [5,]    NA  NA

str_locate_all(sõnad, "r")

## [[1]]
##      start end
## 
## [[2]]
##      start end
## 
## [[3]]
##      start end
## [1,]     3   3
## [2,]     4   4
## 
## [[4]]
##      start end
## [1,]    NA  NA
## 
## [[5]]
##      start end

Mõnikord on sõnede alguses või lõpus liiga palju tühikuid, neid saab eemaldada käsuga str_trim(.). Käsuga str_pad(.) aga saab sõne algusesse või lõppu panna tühikuid (või muid sümboleid) juurde, nii et sõne saavutaks argumendiga width ette antud pikkuse.

str_trim("    siin on palju tühjust    ")
str_pad(sõnad, width = 9, side = "both", pad = "_")

## [1] "siin on palju tühjust"
## [1] "___Õun___" "_Apelsin_" "Porrulauk" NA          "_________"

Kõige üldisem sõnede muutmise käsk on str_replace(.), mis proovib argumendiga pattern ette antud ja leitud mustrit asendada argumendiga replacement määratud mustriga; asendatakse ainult esimene leidumine. Kõiki leidumisi saab asendada käsuga str_replace_all(.)

str_replace(sõnad, "r", "l")
str_replace_all(sõnad, "r", "l")

## [1] "Õun"       "Apelsin"   "Polrulauk" NA          ""         
## [1] "Õun"       "Apelsin"   "Pollulauk" NA          ""

Kõigile stringr paketi käskudele võib argumentidega pattern ja replacement ette anda ka regulaaravaldisi².

1.2.1 Ülesanded

Massatchusettsi andmestikus on veerus COW ära toodud, kelle heaks inimene töötab. Kui tegemist on palgatöötajaga, sisaldab COW väärtus vastava inimese puhul sõna Employee või employee. Milline on palgatöötajate keskmine palk (WAGP)? Andmestik:
link <- "https://github.com/Rkursus/sygis2019/raw/master/data/"
mass <- read.table(str_c(link, "mass.txt"), sep = "\t", header = T)
Eesti isikukoodi formaat³ on järgmine: abcdefghijk, kus a – sugu ja sajand (paaritu arv mees, paarisarv naine, 1,2 – 1800, 3,4 – 1900, 5,6 – 2000); bc – aasta, de – kuu, fg – päev, hij – (haigla) sel päeval (selles haiglas) sündimise järjekord, k – kontrollnumber.
1. Loe sisse komaga eraldatud isikukoodide jada:
  isikukoodid <- read.table(str_c(link, "isikukoodid.txt"))[1,]
2. Eralda isikukoodid üksteisest ja salvesta tekkiv vektor mingi nimega.
3. Tekita uus andmetabel (data.frame), millesse lisa isikukoodide veerg.
4. Lisa veerg, kus oleks kirjas, mis sugu iga inimene selles andmetabelis on.

2 Kuupäevadega töötamine

R-is on kuupäevade jaoks Date andmetüüp. See on omapärane andmetüüp: näiliselt on tegemist tekstiga, ent sisuliselt arvuga – kuupäevi saab liita-lahutada, arvutada keskmist. ISO standardile vastav kuupäev on kujul aasta-kuu-päev, sealjuures aasta on nelja numbriga, kuu ja päev kumbki kahe numbriga. Sageli on sisse loetavates andmestikes aga kuupäev teisiti vormindatud. Suvalises formaadis kuupäevalise sõna saab Date-tüüpi väärtuseks teisendada käsuga as.Date(.), mille argumendiga format saab määrata, millises formaadis kuupäev ette antakse. Kui formaati ei ole käsus täpsustatud, siis proovib funktsioon esmalt formaadi "%Y-%m-%d" ehk aasta-kuu-päev (2018-02-01), seejärel "%Y/%m/%d" ehk aasta/kuu/päev (2018/03/01) sobivust, kui kumbki ei klapi antakse veateade.

d1 <- as.Date("22.04.2009", "%d.%m.%Y")
d2 <- as.Date("30.04.2009", "%d.%m.%Y")
d2 - d1

## Time difference of 8 days

as.numeric(d2 - d1)

## [1] 8

Näites kasutatud formaadi tähiste %d, mis tähendab päeva numbrit, %m mis näitab kuu numbrit, %Y mis tähistab neljakohalist aastanumbrit ja teiste formaadi võimaluste kohta saab täpsemalt lugeda käsu strptime(.) abifailist ?strptime.

Kuupäevaks formaaditud objektidega saab teha kõiki mõistlikke operatsioone, näiteks leida miinimum, keskmine, võrrelda hulki:

d3 <- Sys.Date()
paevad <- c(d1, d2, d3)
mean(paevad)

## [1] "2012-10-31"

d2 %in% paevad

## [1] TRUE

Küll aga ei saa näiteks leida kuupäevast logaritmi või ruutjuurt.Põhjus on selles, et R talletab kuupäevi tegelikult päevade arvuna alates nullpunktist, sealjuures nullpunktiks loetakse vaikimisi 1970-01-01. Selles võime veenduda as.numeric(.) käsku kasutades.

d1:d2

## [1] 14356 14357 14358 14359 14360 14361 14362 14363 14364

as.numeric(as.Date("1970-01-02"))

## [1] 1

as.numeric(as.Date("1969-12-30"))

## [1] -2

Date-tüüpi muutuja väärtuse saab sobival kujul sõneks teisendada käsuga format(.), see võimaldab kombineerida teksti ja kuupäeva elemente:

format(Sys.Date(), "Kuupäev: %d. %B, (aastal %Y). Nädal nr %V.")

## [1] "Kuupäev: 13. november, (aastal 2019). Nädal nr 46."

2.0.1 Ülesanded

Vaatame edasi isikukoodide vektori (isikukoodid eelmisest ülesandest) põhjal tekitatud isikute info andmestikku.

Lisa isikute andmestikku veerg, mis sisaldaks iga inimese sünnikuupäeva Date-tüüpi muutujana.
Lisa veerg, mis annab inimese vanuse täisaastates tänasel päeval (arvestades, et aastas on ~365,25 päeva).
Leia kuupäev, mil said/saad 10 000 päeva vanuseks.

Praktikumijuhendid põhinevad aine MTMS.01.092 Rakendustarkvara: R (2 EAP) materjalidel, mille autorid on Mait Raag ning Raivo Kolde↩
http://en.wikipedia.org/wiki/Regular_expression ↩
http://et.wikipedia.org/wiki/Isikukood ↩

Rakendustarkvara: R 8. praktikum1