Odczytywanie danych wielowymiarowych
Wielowymiarowe rozkłady prawdopodobieństwa w R
Surajit Ray
Professor, University of Glasgow
Tematy kursu
- Odczytywanie i analiza danych wielowymiarowych
- Techniki wizualizacji danych
Typowe rozkłady statystyczne
- Rozkład Gaussa i t-Studenta
Metody dla danych wysokowymiarowych
- Analiza głównych składowych (PCA)
Struktura danych wielowymiarowych
- Struktura prostokątna – wiersze i kolumny
- Wiersze reprezentują obserwacje
- Kolumny reprezentują zmienne
- Mogą, ale nie muszą zawierać:
- Nazwy lub numery wierszy
- Nagłówki kolumn
- Możliwe braki danych
Przykłady danych wielowymiarowych
Dane Iris z witryny Uniwersytetu Cambridge
5.1 3.5 1.4 0.2 1
4.9 3.0 1.4 0.2 1
4.7 3.2 1.3 0.2 1
Dane Birth Weight (CSV z nagłówkiem kolumn)
"","case","bwt","gestation","parity","age","height","weight","smoke"
"1",1,120,284,0,27,62,100,0
"2",2,113,282,0,33,64,135,0
Wczytywanie danych
iris_url <- "https://mlg.eng.cam.ac.uk/teaching/3f3/1011/iris.data"
iris_raw <- read.table(iris_url, sep = "", header = FALSE)
Lokalnie
iris_raw <- read.table("iris.txt", sep = "", header = FALSE)
Podgląd zbioru danych
head(iris_raw, n = 4)
V1 V2 V3 V4 V5
1 5.1 3.5 1.4 0.2 1
2 4.9 3.0 1.4 0.2 1
3 4.7 3.2 1.3 0.2 1
4 4.6 3.1 1.5 0.2 1
Przypisywanie nazw kolumn
colnames(iris_raw) <- c("Sepal.Length", "Sepal.Width", "Petal.Length","Petal.Width", "Species" )
head(iris_raw)
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 1
2 4.9 3.0 1.4 0.2 1
3 4.7 3.2 1.3 0.2 1
4 4.6 3.1 1.5 0.2 1
5 5.0 3.6 1.4 0.2 1
6 5.4 3.9 1.7 0.4 1
Dostęp do wybranych kolumn
Sprawdzenie bieżących nazw kolumn
names(iris_raw)
"Sepal.Length" "Sepal.Width" "Petal.Length" "Petal.Width" "Species"
$$
Dostęp do kolumn Sepal.Length i Sepal.Width
iris_raw[, 1:2]
iris[, c('Sepal.Length', 'Sepal.Width')]
Zmiana typów danych
Zmiana zmiennej Species na typ factor
iris_raw$species <- as.factor(iris_raw$species)
str(iris_raw)
'data.frame': 150 obs. of 5 variables:
$ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
$ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
$ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
$ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
$ Species : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
Przypisywanie etykiet factor
Przekodowanie etykiet gatunków z 1, 2 i 3 na setosa, versicolor i virginica
- Przypisanie etykiet factor
- Zmiana pierwszej zmiennej na typ factor
library(car)
iris_raw$Species <- recode(iris_raw$Species,
" 1 ='setosa'; 2 = 'versicolor'; 3 = 'virginica'")
str(iris_raw)
'data.frame': 150 obs. of 5 variables:
$ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
$ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
$ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
$ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
$ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
Wczytywanie danych CSV z nazwami kolumn
Dane Birth Weight (CSV z nagłówkiem kolumn)
"","case","bwt","gestation","parity","age","height","weight","smoke"
"1",1,120,284,0,27,62,100,0
"2",2,113,282,0,33,64,135,0
"3",3,128,279,0,28,64,115,1
Wczytywanie danych Birth Weight
bwt <- read.csv("birthweight.csv", row.names = 1)
head(bwt, n = 3)
case bwt gestation parity age height weight smoke
1 1 120 284 0 27 62 100 0
2 2 113 282 0 33 64 135 0
3 3 128 279 0 28 64 115 1
Czas wczytać dane wielowymiarowe!
Wielowymiarowe rozkłady prawdopodobieństwa w R
