확률및통계 3주차 강의

# 1~10000 합

odd_sum <- sum(seq(1:10000))
odd_sum
sum(seq(1,10000,2))

# 1~10000 합 (for문 사용)

sum <- 0
for(i in 1:10000) {
  sum <- sum + i # sum에 i 값을 누적
}
print(sum)

 

# apply 함수

head(iris)
apply(iris[,1:4],1,mean)
apply(iris[,1:4],1,sum)  # 합계
apply(iris[,1:4],2,mean) # 평균
apply(iris[,1:4],2,sd)   # 표준편차

 

# 패키지 설치(gapminder)

 

# 패키지 불러옴

library(gapminder)
gapminder

* factor는 각각을 구분하는데에 사용

 

 

# 나라 이름만 봄

gm <- gapminder
head(gm)

gm[,c("country")]

 

# 기대수명, 나라 이름만 봄

gm[,c("country", "lifeExp")]

 

# 기대수명, 나라 이름, 년도만 봄

gm[,c("country", "lifeExp", "year")]

 

# 1~20개만 보기

gm[1:20,]

* ',' 안쓰면 오류 (데이터 프레임이므로)

 

# 우리나라 정보

gm[gm$country=="Korea, Rep.",]

 

# 우리나라 인구수

gm[gm$country=="Korea, Rep.","pop"]

 

# 우리나라 기대수명과 인구수

gm[gm$country=="Korea, Rep.",c("lifeExp", "pop")]

 

# 우리나라의 기대수명과 인구의 평균 (apply함수)

apply(gm[gm$country=="Korea, Rep.",c("lifeExp", "pop")], 2, mean)

 

# 패키지 설치(dplyr)

 

# 사용자 정의 함수(반환값 여러개일때 인덱스로 접근)

myfunc <- function(x, y){
  val.sum <- x+y
  val.mul <- x*y
  return(list(sum=val.sum, mul=val.mul))
}

result <- myfunc(5,8)
s <- result[1]   # result$sum 과 같음
m <- result[2]   # result$mul 과 같음
s
m

=> function 도 Environment에 저장

 

 

# 조건에 맞는 데이터의 위치 찾기

which() : 몇번째인지 인덱스 구함

which.max() : 최댓값이 몇번째인지 인덱스 구함

which.min() : 최솟값이 몇번째인지 인덱스 구함

* arr.ind = True : 각각 하나씩만 해라

 

 

# 결측값 처리

is.na함수 : na인 데이터가 있으면 T, 없으면 F

na.omit : na인 데이터 제거(na 포함된 행 제거)

함수의 속성 이용 : na.rm=T로 하면 na 제외하고 연산

airquality
head(airquality)

table(is.na(airquality))  # 결측값이 44개 포함
table(is.na(airquality$Ozone)) #'Ozone'에 결측값이 37개 포함
table(is.na(airquality$Temp)) #'Temp'에 결측값이 없음

mean(airquality$Ozone) # 결측값이 있으므로 평균 구하는 게 정상적으로 이루어지지않음
mean(airquality$Temp) # 결측값이 없으므로 평균 구하는 게 정상적으로 이루어짐

 

1. !is.na 함수 사용하여 결측값이 아닌 행들을 no_na에 저장

no_na <- airquality[!is.na(airquality$Ozone),] # 'Ozone'에 결측값이 아닌 행들을 no_na에 저장
mean(no_na$Ozone) # 결측값이 없으므로 평균 구하는 게 정상적으로 이루어짐

 

2. na.omit 함수 사용하여 결측값을 포함하는 행 제거

no_na1 <- na.omit(airquality)  # 결측값 포함하는 행 제거
table(is.na(no_na1))
mean(no_na1$Ozone)

 

3. na.rm=T로 하면 na 제외하고 연산

mean(airquality$Ozone, na.rm=T)

 

 

# 이상값(outlier) - 이상한 데이터

이상값을 결측값으로 변경후 제거

 

 

# xlsx 패키지 활용

install.packages('xlsx')
library('xlsx')
data <- read.xlsx("daywise.xlsx",sheetIndex = 1)
class(data)
head(data)
str(data)

summary(data)

< daywise.xlsx >

 

 

# xml 패키지 활용

먼저 파싱해주고 xml에서 데이터프레임으로 변환시킨 다음

install.packages('XML')
library('XML')
library('methods')

data1 <- xmlParse(file = 'students.xml')
data <- xmlToDataFrame(data1)
data
class(data)

data <- xmlParse(file = 'students.xml')
root_node <- xmlRoot(data)
root_node[2]

 

data <- xmlParse(file = 'students.xml')
root_node <- xmlRoot(data)
root_node[2]
root_node[[2]][[1]]

 

< students.xml >

 

 

# rjson 패키지 활용

 

install.packages("rjson")
library("rjson")

data <- fromJSON(file='global-temp.json') # 데이터프레임 아니고 리스트
data <- as.data.frame(data)  # 데이터프레임으로 변경
data
data <- t(data)
str(data)

< json 파일>

 

< 데이터 프레임으로 변환 >

< 전치시킴 >

< global-temp.json >

 

 

# dplyr 패키지 활용

library('dplyr')

a <- data.frame(a = 1:2, b = 3:4, c = 5:6)
b <- data.frame(a = 7:8, b = 2:3, c = 3:4, d = 8:9)

a
b

rbind(a,b) # 오류 남 (열의 수 불일치)
rbind(a,a) # 오류 안남 (열의 수 일치)

bind_rows(a,b)  # 행으로 결합하고 없는 부분에 NA로 채워짐

 

a
b
data <- cbind(a,b)
data

data$a

data <- bind_cols(a, b)
data$a...4

 

 

# csv 파일 읽기

data <- read.csv("covid_19_data_cleaned.csv")
colnames(data)

head(data)
str(data)

data[2,]  # 2행의 데이터 나옴 cols = [Date, Province.State, Country, Lat, Long Confirmed, Recovered, Deaths, Active]
data[c(TRUE, FALSE)] # Date출력, Province.State 출력안함 (한 col씩 띄워서 출력) [Date, Country, Long Recovered Active]
data[c(TRUE, FALSE, FALSE),] # 1번행 다음에 3번행 나옴, [Date, Province.State, Country, Lat, Long Confirmed Recovered Deaths Active]
                             # 행에 대한 얘기(3씩 간격을 가지고 출력)
                             # 열은 신경안씀
head(data)
data[data$Country=='US',]

subset(data, Country=='US')

subset(data, Confirmed==max(Confirmed))  # 최고의 날짜정보

subset(data, Deaths==max(Deaths))  # 사망자가 가장 많았던 날

subset(data, Deaths>1e5) # 사망자의 수가 10의 5승보다 많았던 날

 

 

# lubridate 패키지 활용

install.packages('lubridate')
library(lubridate)

data$Date

as.Date(data$Date)

data$Date <- mdy(data$Date)

data$Date
dec20 <- subset(data, Date>=as.Date("2020-12-01"))  # 12월
jun20 <- subset(data, Date>=as.Date("2020-06-01") & Date<as.Date("2020-07-01")) # 6월