10. Duomenų lentelės peržiūra

10.1 Duomenys, kuriuos naudosime

Šio skyriaus pavyzdžiuose ir klausimuose naudosime duomenų lenteles „iris“, „npk“, „swiss“ bei „women“, kurios yra „R“ paketo datasets dalis. Daugiau apie lenteles rašoma jų dokumentacijoje, kuri atveriama pele pažymėjus lentelės pavadinimą, parašytą redaktoriaus lange arba konsolėje, ir paspaudus F1. Taip pat parašius tokią komandą: klaustuką ? ir po jo – lentelės pavadinimą, pvz., ?iris, ?npk ar ?swiss (vieną komandą vienu metu). Jei naudojate „RStudio“, aprašymai atsiras „Help“ kortelėje.

Mokomuosius duomenis iš paketų užsikraukime naudodami funkciją data():

data("iris",     package = "datasets")
data("npk",      package = "datasets")
data("swiss",    package = "datasets")
data("women",    package = "datasets")
data("CO2",      package = "datasets")
data("starwars", package = "dplyr")

10.2 Pagrindinės peržiūros funkcijos

Įsikėlus duomenų lenteles, įprasta susipažinti su duomenų lentelės struktūra ir susidaryti įspūdį, koks jos turinys. Duomenų lentelių struktūros peržiūrai galima naudoti šias funkcijas:

1. class() – rodyti duomenų lentelės „R“ klasę. Jei yra kelios klasės, žiūrėkite į pirmąją. Įprastai lentelės skiriasi tik tuo, kaip yra atspausdinamos:
   1. įprastinė duomenų lentelė (klasė data.frame);
   2. „tibble“ duomenų lentelė (klasė tbl_df, oficiali tidyverse duomenų lentelės klasė iš paketo tibble);
   3. data.table klasės duomenų lentelė (iš paketo data.table. Šis paketas skirtas didelėms duomenų lentelėms, kai norima didelės spartos apdorojant duomenis).
2. is.data.frame() – atsakymas bus TRUE, jei tai duomenų lentelė ir FALSE – kitu atveju;
3. dim() – rodyti dydį („dimensiją“): eilučių ir stulpelių skaičių lentelėje (galioja ES taisyklė – pirma eilutės, po to stulpeliai). Gali būti naudojamos ir funkcijos nrow() ir ncol() kurios rodo arba vien tik eilučių, arba vien tik stulpelių skaičių. Jei duomenų lentelėje labai daug eilučių ar, ypač, stulpelių (pvz., 1000), pagal tai turėtume nuspręsti, kurias funkcijas toliau verta naudoti;
4. glimpse() iš paketo dplyr (patogesnis str() analogas) – glaustai rodyti struktūrą: eilučių (Observations) ir stulpelių (Variables) skaičių, stulpeliuose esančių duomenų tipus ir kelias pirmąsias reikšmes;
5. View() – peržiūrėti lentelę atskirame lange (pastaba: pavadinime V didžioji);
6. head() – rodyti pirmąsias eilutes;
7. tail() – rodyti paskutines eilutes;
8. names() – rodyti kintamųjų pavadinimus (duomenų lentelių atveju rezultatas bus tas pats, kaip funkcijos colnames());
9. colnames() – rodyti stulpelių pavadinimus;
10. rownames() – rodyti eilučių pavadinimus.

Šių funkcijų skliaustuose nurodomas dominančios lentelės pavadinimas be kabučių. Jei, tarkime, norime patyrinėti duomenų lentelę „iris“ – štai keletas pavyzdžių, kaip naudoti šias funkcijas:

library(tidyverse)

dim(iris)
head(iris)
tail(iris)
glimpse(iris)

Pastebėkite, kad po to, kai užkrovėme duomenis (lentelės), toliau jų pavadinimą rašome be kabučių, nes duomenų lentelė (šiuo atveju „iris“) — jau „R“ atmintyje esantis objektas.

10.3 Kaip atpažinti stulpeliuose esančių duomenų klases?

Kiekvienas stulpelis lentelėje yra tam tikro tipo statistinis kintamasis. „R“ kiekvienam kintamajam – lentelės stulpeliui – suteikia „R“ objekto klasę, kurią galime sužinoti keliais būdais. Jei duomenų lentelę atspausdinsime R Markdown dokumente dirbdami Notebook režimu (kol kas nesimokėme), rezultatas bus panašus į tą, kuris pateiktas paveiksle 10.1.

Pav. 10.1: Duomenų lentelė atspausdinta R Markdown dokumente dirbant Notebook režimu (nesimokėme). Kintamųjų (lentelės stulpelių) klasės pateiktos po pavadinimais trikampiuose skliaustuose. Eilučių skaičius – lentelės apačioje („4 rows“).

Naudodami funkciją glimpse(), gausime tokį rezultatą:

## Rows: 4
## Columns: 6
## $ lapu_skaicius   <int> 24, 22, 28, 25
## $ lapu_ilgis      <dbl> 1.3, 1.6, 2.2, 1.1
## $ kvapo_stiprumas <ord> silpnas, vidutinis, stiprus, stiprus
## $ ziedu_spalva    <fct> raudona, geltona, geltona, balta
## $ ar_augo_lauke   <lgl> FALSE, TRUE, TRUE, FALSE
## $ komentaras      <chr> "-", "-", "tirta ryte", "-"

Čia „R“ parašo eilučių (4) ir stulpelių (6) skaičių, išvardija kintamųjų pavadinimus (lapu_skaicius, lapu_ilgis, …), jų klases (int, num ir t.t.), kelias pirmąsias reikšmes (pvz., 24, 22, 28, …).

10.4 Teorinis duomenų tipas ir jam tinkama R klasė

Statistikos kurso metu dirbsime tik su kiekybiniais (skaitiniais) ir su kategoriniais (nominaliaisiais ir ranginiais) kintamaisiais. „R“ aplinkoje kintamiesiems turi būti parinktos tinkamos klasės. Tada „R“ braižys tinkamus grafikus, atliks tinkamas statistines suvestines, leis atlikti tai duomenų klasei tinkamas statistines analizes.

Kintamųjų klasės keitimas aprašomas skyriuje apie duomenų lentelių pertvarkymą. Įprastai jis bus susijęs su funkcijos mutate() naudojimu, aprašytu skyriuje „?? [Kintamojo klasės keitimas]“).