), toto se automaticky
rozkopíruje na příslušný počet kopií:Portál AbcLinuxu, 9. června 2024 00:14
V tomto seriálu se podíváme na schopnosti a možnosti využití GNU R.
V minulém díle jsem pověděl něco o kreslení jednoduchých grafů a počítání jednoduchých stastistických funkcí. Jak ale člověk do GNU R dostane data z reálného světa, aniž by musel tato opisovat? Dneska popíšu načítání ze souboru.
GNU R má jakési data frames, což bych vzdáleně přirovnal k tabulce v libreoffice calc. Sloupce mohou být pojmenované, mít odlišné datové typy a některé buňky můžou být nevyplněné. Dají se také vybírat různé podmnožiny sloupců, tyto mazat, duplikovat, přemisťovat, přejmenovávat, ale i sčítat, dělit, počítat součet, průměr, atd.
K tomu abych něco předvedl budu muset nějaká data napřed vyrobit.
find /usr -maxdepth 1 -mindepth 1 -type d -exec du -sk "{}" ";" 2>/dev/null | tee r.txt
Po zavaření počítače a vypití kafe se nám objeví nějaká ta kýžená statistická data popisující reálný svět našeho harddisku:
204272 /usr/include 2828 /usr/local 1448 /usr/LessTif 4516 /usr/sbin 2405148 /usr/lib 1017824 /usr/share 132480 /usr/bin 52912 /usr/libexec 4 /usr/src 24 /usr/man
Na dostání dat do programu R používám nejčastěji funkci read.table. Zkusíme tedy, co se stane, když ji pustíme jen tak s minimálním parametrem:
> df=read.table("r.txt")
> df
Proměnnou jsem nazval df protože se jedná právě o ten zmíněný data frame. Vida! Ono nám to načetlo a dokonce to pojmenovalo sloupečky defaultním pojmenováním V1 a V2. Vidíme také, že v data framu jsou řádky číslované:
V1 V2
1 204272 /usr/include
2 2828 /usr/local
3 1448 /usr/LessTif
4 4516 /usr/sbin
5 2405148 /usr/lib
6 1017824 /usr/share
7 132480 /usr/bin
8 52912 /usr/libexec
9 4 /usr/src
10 24 /usr/man
Ani jsme nemuseli laborovat se separátorem sloupců! R má totiž defaultně nastavený přechod z nonblank na blank nebo tak nějak. Pokud bychom ho přeci jenom potřebovali změnit (CSV soubory oddělované čárkou a pod.), dělá se to parametrem sep (viz help(read.table)).
Funkci read.table používám v drtivé většině případů. Existují i další, jako readBin použitý v minulém díle, readChar, readLines. Viz vždy help() - parametr helpu se zadává bez uvozovek.
Když už jsme u těch CSV, tyto doporučuju jako metodu dostání dat z Libreoffice Calc do R. V Save As se nastaví formát CSV a odklepne spoustu různých potvrzovacích okýnek, z kterých mi vždycky tečou nervy. Pak musíme soubor zase uložit do normálního libreoffice formátu dat, jinak se bude libreoffice pokoušet ukládat pozdější změny do CSV a přijdeme možná o nějaká metadata.
Můžeme si teď třeba spočítat velikost těch adresářů v megabajtech místo kilobajtů? Ale jistě, udělá se to takhle:
> df$mega=df$V1/1000
> df
V1 V2 mega
1 204272 /usr/include 204.272
2 2828 /usr/local 2.828
3 1448 /usr/LessTif 1.448
4 4516 /usr/sbin 4.516
5 2405148 /usr/lib 2405.148
6 1017824 /usr/share 1017.824
7 132480 /usr/bin 132.480
8 52912 /usr/libexec 52.912
9 4 /usr/src 0.004
10 24 /usr/man 0.024
Jak vidíme, R se nám nežinýroval přiřadit do sloupečku s neexistujícím jménem a tak se vytvořil sloupec nový.
A co si tak spočítat procenta? Na to budeme potřebovat funkci sum, která sečte vektor. Zdalipak bude fungovat i na sloupec data frame? Funguje!:
sum(df$mega) [1] 3821.456
Tak vypočteme další sloupec s procenty. Přitom se nám projeví jeden aspekt
gnu R - že když dělíme vektor jedním číslem (právě jsme viděli experimentální
důkaz toho, že součet sloupce je jedno číslo ), toto se automaticky
rozkopíruje na příslušný počet kopií:
> df$procenta=100*df$mega/sum(df$mega)
> df
V1 V2 mega procenta
1 204272 /usr/include 204.272 5.345397e+00
2 2828 /usr/local 2.828 7.400321e-02
3 1448 /usr/LessTif 1.448 3.789132e-02
4 4516 /usr/sbin 4.516 1.181749e-01
5 2405148 /usr/lib 2405.148 6.293800e+01
6 1017824 /usr/share 1017.824 2.663446e+01
7 132480 /usr/bin 132.480 3.466741e+00
8 52912 /usr/libexec 52.912 1.384603e+00
9 4 /usr/src 0.004 1.046721e-04
10 24 /usr/man 0.024 6.280329e-04
Bum! Počítače zase útočí (já bych všechny tyhle internety zakázala...!) Z vědeckého hlediska je tato odpověď jistě zcela korektní, nicméně podaří se nám ji upravit do humánně čitelné podoby? Vypadá to jakoby nás programátor R omilostnil a vybavil příkaz print parametrem digits (help(print)), který svádí k doměnce, že si s ním budeme moct nastavit zaokrouhlování:
> print(df,digits=5)
V1 V2 mega procenta
1 204272 /usr/include 204.272 5.3454e+00
2 2828 /usr/local 2.828 7.4003e-02
3 1448 /usr/LessTif 1.448 3.7891e-02
4 4516 /usr/sbin 4.516 1.1817e-01
5 2405148 /usr/lib 2405.148 6.2938e+01
6 1017824 /usr/share 1017.824 2.6634e+01
7 132480 /usr/bin 132.480 3.4667e+00
8 52912 /usr/libexec 52.912 1.3846e+00
9 4 /usr/src 0.004 1.0467e-04
10 24 /usr/man 0.024 6.2803e-04
K této domněnce skutečně jen svádí. V help(print) žádný další vhodný parametr nenajdu. Podívám se tedy ještě do print.default. To je právě typické že funkce mají ještě .default v kterém se dají další věci nastavovat. Ale ani tam nic nenajdu. Jedna možnost se nabízí takto:
> df$procenta=round(df$procenta,2)
> df
V1 V2 mega procenta
1 204272 /usr/include 204.272 5.35
2 2828 /usr/local 2.828 0.07
3 1448 /usr/LessTif 1.448 0.04
4 4516 /usr/sbin 4.516 0.12
5 2405148 /usr/lib 2405.148 62.94
6 1017824 /usr/share 1017.824 26.63
7 132480 /usr/bin 132.480 3.47
8 52912 /usr/libexec 52.912 1.38
9 4 /usr/src 0.004 0.00
10 24 /usr/man 0.024 0.00
To má ale nevýhodu, že se nám tím zkazí ty data samotná, pokud je budeme chtít později použít, přijdeme o tisícinky. Zdá se mi že přehledný tisk čísýlek na obrazovku je téma na dizertační práci! Vytáhnu tedy řešení až úplně z paty:
> options(scipen=50)
> print(df,digits=1)
V1 V2 mega procenta
1 204272 /usr/include 204.272 5.3454
2 2828 /usr/local 2.828 0.0740
3 1448 /usr/LessTif 1.448 0.0379
4 4516 /usr/sbin 4.516 0.1182
5 2405148 /usr/lib 2405.148 62.9380
6 1017824 /usr/share 1017.824 26.6345
7 132480 /usr/bin 132.480 3.4667
8 52912 /usr/libexec 52.912 1.3846
9 4 /usr/src 0.004 0.0001
10 24 /usr/man 0.024 0.0006
Podařilo se. Můžeme si teď v klidu zaletět do Stockholmu převzít Nobelovu cenu
za tisk čísel. Mravní ponaučení co bych z toho dal je, že
existuje v GNU R centrální příkaz options, který, jak píšou v jeho manuálové
stránce, nastavuje "variety of global options which affect the way in
which R computes and displays its results". Také je potřeba někdy kramařit v dalších
manuálových stránkách odkazovaných v sekci See Also.
No a jak teď naše vydobydá data uložíme do externího souboru? Analogicky pomocí funkce write.table:
> write.table(df,file="out.txt")
Program nám texty opatřil uvozovkami, s čímž se ve světě CSV souborů často setkávám. Tyto uvozovky, separátor, popisky sloupečků a řádků a další se dají ve write.table zapínat a vypínat podle manuálové stránky.
Takto můžeme GNU R používat ve skriptech na matematiku, na kterou jsou expr a bc už těžkopádné. Musím vám jenom říct, jak se to volá v dávkovém režimu (sociálním? drogovém?). Program si napíšeme do souboru:
cat >program.R << "EOF"
df=read.table("r.txt")
procenta=100*df$V1/sum(df$V1)
novy=data.frame(df$V2,procenta)
write.table(novy,"out.txt",col.names=FALSE,quote=FALSE)
EOF
A pak GNU R pustíme z příkazové řádky takto:
R --save <program.R
--save je parametr který se musí uvést a nastavuje se jím zda po skončení R prostředí uloží nebo neuloží (man R). Pokud nám program bouchne a měli jsme --save, můžeme rovnou pustit R a máme v něm pro ruční inspekci všechny proměnné ve stavu těsně před detonací. No a dnešní díl uzavřu výsledkem našeho experimentu, který je dále strojově zpracovatelný ve skriptech příkazy jako cut -d ' ':
cat out.txt 1 /usr/include 5.34539714705599 2 /usr/local 0.0740032071545505 3 /usr/LessTif 0.0378913168174643 4 /usr/sbin 0.118174852726291 5 /usr/lib 62.9380005945378 6 /usr/share 26.6344555583003 7 /usr/bin 3.46674147236027 8 /usr/libexec 1.38460314602602 9 /usr/src 0.000104672145904598 10 /usr/man 0.000628032875427586
10.10.2014 08:38
Ruža Becelin | skóre: 40
| blog: RuzaBecelinBlog
12.10.2014 10:39
Heron | skóre: 53
| blog: root_at_heron
| Olomouc
ISSN 1214-1267, (c) 1999-2007 Stickfish s.r.o.
12.10.2014 11:36