love R

sapply 함수는 apply 계열의 함수로서 R만의 특징이 반영된 함수입니다. 만약 어떤 기능을 반복적인 처리할 시 매우 편리한 함수입니다. 예를 들어, 데이터셋에 포함된 결측치를 0으로 대체한다든지 또는 열별로 평균이나 합계를 구하는 것 등 각 변수별로 적용할 필요없이 간단한 코드를 돌리는 것만으로도 전체 데이터셋에 반영됩니다. 변수가 두세 개 정도일 때는 별 문제가 안되지만 수십, 수백개일 때는 각 변수별로 처리하는 것은 굉장히 비효율적일 것입니다. R에서는 for문과 같이 전통적으로 쓰이는 반복문도 쓸 수 있지만 sapply 함수처럼 벡터별 처리를 하는 함수를 이용하면 더 효율적으로 코드를 구성할 수 있습니다. 1. 열 별로 평균을 계산하는 방법 f 라는 이름의 데이터셋을 생성 후에 열별 평균을 ..

작업디렉토리란 데이터 불러오기 및 저장 시에 기본적으로 설정되어 있는 경로를 뜻합니다. 이와 관련하여 주로 쓰는 함수는 getwd, setwd, dir 와 같은 함수가 있습니다. 1. 현재 작업디렉토리 확인 getwd 는 현재 작업 경로의 위치를 확인할 수 있는 함수입니다. dir 함수는 인자로 아무것도 적지 않으면 현재 작업디렉토리로 지정되어 있는 경로의 파일명 또는 디렉토리명을 문자형 벡터로 제공됩니다. 만약 현재 지정된 작업디렉토리 안에 또 다른 하위폴더가 있다면 인자로 하위폴더명을 적으면 그 안에 있는 파일명과 폴더명이 반환됩니다. dir() 결과로 현재 작업디렉토리에는 두 개의 파일이 있는 것으로 확인되네요. > getwd() [1] "C:/Users/ho/Documents/R/Rtest/Blo..

데이터셋에는 항상 값이 정상적으로 들어가 있지 않습니다. 실제로 결측치를 포함한 데이터셋을 다룰 일이 훨씬 더 많습니다. 이 떄 결측치를 적절하게 처리를 할 수 있어야 합니다. 결측치란 NA(Not Available)라고도 하는데, 원래 정상적으로 데이터가 있어야 하지만 없음을 뜻합니다. 결측치 처리를 잘하느냐 못하느냐에 따라 결과도 달라질 수 있기 때문에 전처리 과정에서 매우 중요한 과정이라고 볼 수 입니다. 먼저 데이터에 대해 NA가 포함되었는지 여부는 is.na 함수를 사용합니다. 이 함수를 데이터에 적용하면 그 결과형태가 TRUE 또는 FALSE 로 반환되는 logical vector의 형태입니다. 결측치가 포함되어 있다면 결과값이 TRUE 이고 그 반대는 FALSE를 반환합니다. 1. NA를 포..

조건부 확률(Conditional probability)이란 어떤 사건이 일어났다는 전제 하에 다른 사건이 일어날 확률입니다. 두 사건 A, B가 있을 때, 사건 A가 일어났을 때 B가 일어날 확률은 다음과 같이 표현합니다. 위 밴다이어그램을 보면 쉽게 이해할 수 있습니다. P(B|A)는 A에 대한 A∩B의 확률인 것을 알 수 있습니다. 만약 한 개의 주사위를 던질 때 짝수가 나오는 사건을 A라고 하고, 3의 배수가 나오는 사건을 B라고 했을 때 P(B|A)는 다음과 같습니다. 조건부 확률의 정의로부터 A와 B가 동시에 일어날 확률 P(A∩B)를 다음과 같이 유도할 수 있습니다. 즉, A와 B가 동시에 일어날 확률은 A의 확률과 A가 일어났다는 전제하에 B의 확률을 곱한 것과 같습니다. 예를 들어, 주머..

상황에 따라 중복된 데이터가 존재하여 유일한 행을 반환해야 하는 경우가 있습니다. ▼ 왼쪽의 테이블에는 a=3, b=10 인 행이 두 개 존재합니다. a=2, b=20 인 행도 두 개가 있습니다. 이때 중복된 데이터를 하나의 행으로 반환할 수 있도록 오른쪽 테이블과 같이 만들어보겠습니다. 먼저 다음 코드를 실행하여 위와 같은 데이터를 만듭니다. > test test a b 1 1 10 2 2 10 3 3 10 4 3 10 5 3 20 6 2 20 7 2 20 8 1 30 중복을 제거하고 유일한 행을 반환하는 방법 세 가지를 알아보겠습니다. 1. duplicated 함수 duplicated 함수는 중복된 요소를 탐색하여 논리적 형태의 벡터로 반환합니다. 다음 예를 확인해보겠습니다. duplicated 함수..

확률이라는 말은 실생활에서도 많이 쓰이는 단어입니다. 학자들마다 확률의 정의가 다른 경우가 있지만 일반적인 정의는 어떤 사건의 경우의 수를 전체 경우의 수로 나누어 계산하는 것입니다. 전 포스팅에서 세 개의 동전을 던지기 실험을 할 때, 표본공간 S는 아래와 같이 나왔습니다. 앞면이 2개 나오는 사건을 A라고 할 때, A가 나올 확률을 P(A)는 다음과 같습니다. 특정 사건의 확률은 0보다 크거나 같으며 모든 사건의 확률의 합은 반드시 1이 되어야 합니다. 확률의 합은 1이기 때문에 사건 A가 발생하지 않는 확률은 다음과 같이 구할 수 있습니다. 한편 두 사건 A, B에 대해선 다음이 성립합니다. 합사건 확률은 A 또는 B 사건이 일어나는 확률을 말하며, 각 사건의 확률을 더하고 동시에 사건이 발생하는 ..

통계는 데이터를 다루는 목적에 따라 기술통계와 추론통계로 나뉩니다. 기술통계는 수집한 데이터의 정리 및 요약을 통해 데이터의 특성을 밝혀내는 방법입니다. 데이터의 특성은 대푯값을 통해 표현할 수도 있고 그림을 통해서도 나타낼 수 있습니다. 대푯값이란 평균, 분산 등 데이터의 특성을 반영한 하나의 값으로 표현될 수 있습니다. 또한 수치 자료의 구간 별 빈도를 볼 수 있는 히스토그램이나 다양한 종류의 그래프들이 있을 수 있습니다. 이와 같이 기술통계가 뜻하는 바는 누구나 쉽게 이해할 수 있습니다. 주로 통계학이라고 한다면 추론 통계학을 이야기하는 경우가 많습니다. 통계학이 어렵다는 이야기를 하는 경우 대부분이 추론통계일 것입니다. 추론통계에서는 모집단(population)과 표본집단(sample)이라는 개념..

이번에 소개할 함수는 arrange, mutate 함수입니다. arrange 함수는 데이터를 정렬할 때 쓰이며, mutate는 새로운 변수를 추가할 때 이용합니다. R 기본 내장 데이터인 mtcars 에 적용해보겠습니다. 이 데이터는 1974 년 Motor Trend US 잡지에서 발췌되었으며 연료 소비량과 자동차 디자인 및 성능에 관한 자동차의 10 가지 특징과 32 대의 자동차 (1973-74 모델)로 구성되어 있습니다. 이 데이터셋은 32개의 11개의 숫자형 변수로 이루어져 있습니다. 만약 연비 순으로 정렬하여 자동차의 리스트를 보고 싶다면 다음과 같이 입력합니다. mtcars %>% arrange(mpg) mpg 순으로 정렬을 하고나니 행별로 이름이 붙어있었던 게 숫자로 바뀌었습니다!! 이 문제를..

group_by 와 summarise 함수를 활용한다면 범주별로 요약통계량을 계산할 수 있습니다. 예를 들어 R 내장 데이터인 iris 데이터셋을 이용해보겠습니다. iris 데이터셋에는 Species 라는 범주형 변수와 꽃받침(Sepal) 의 길이와 너비, 꽃잎(Petal) 의 길이와 너비를 포함하고 있습니다. iris 데이터의 구조를 보기 위해 str(iris) 라고 써주면 다음과 같은 결과가 나옵니다. 5개의 변수에 150개의 관측치과 각 변수 유형이 나와있습니다. Species 변수 유형은 factor 이고 나머지는 숫자형 변수로 구성되어 있네요. 이 때 Species 별로 각 변수의 요약통계량을 계산할 수 있습니다. * 본격적으로 들어가기 전에 파이프라인(%>%) 에 대한 내용을 알아보겠습니다. ..

dplyr 패키지는 데이터전처리에 유용한 함수들이 많습니다. 대표적으로 쓰이는 함수는 select, filter, group_by, summarise, arrange 와 같은 함수들이 있습니다. dplyr에 쓰이는 함수들은 이름만 보아도 그 쓰임새를 추측할 수 있습니다. dplyr 패키지의 R문서에는 다음과 같은 목표로 제작되었다고 합니다. 오늘은 먼저 select와 filter 함수 내용을 정리하겠습니다. 예제를 통해 test1 이라는 데이터를 생성하여 활용 방법을 알아봅시다. test1