Les extras sur demande

› Réorienter vos données avec reshape › Transformer, analyser et résumer vos
données avec plyr
› Programmation de base (for, if, while)

Transcript

1. Les extras sur demande Etienne Low-Décarie
2. Les extras ›  Réorienter vos données avec reshape ›  Transformer, analyser et résumer vos données avec plyr ›  Programmation de base (for, if, while)
3. ID variable Factor Measured value ID 1 Level 1 Measured value ID 1 Level 2 Measured value ID 2 Level 1 Measured value ID 2 Level 2 Measured value ID variable Level 1 Level 2 ID 1 Measured value Measured value ID 2 Measured value Measured value Wide Long reshape les ordinateurs aimes les longues données, mais les vôtres sont peut- être large
4. Melt: ralonger les données library(reshape)! ! molten.data<-melt(data,   id.vars=ls("id.var.1", "id.var.2"),   measure.vars=ls("measure.vars", "measure.vars"),   variable_name = "variable")! !       reshape head(molten.iris)   head(iris)  
5. plyr ›  library(plyr) plyr
6. Séparer-Appliquer-Recombiner Split-Apply-Combine ›  Equivalent ›  SQL GROUP BY ›  Pivot Tables (Excel, SPSS, …) ›  Split ›  Définir des sous-groupes/ parcelles de vos données ›  Apply ›  Faite ce que vous voulez à chacune de ces parcelles ›  Combine ›  Recombiner le résultat individuel de chaque parcelle en un ensemble Journal of Statistical Software 7 2 1 1 2 1,2 Figure 1: The three ways to split up a 2d matrix, labelled above by the dimensions that they slice. Original matrix shown at top left, with dimensions labelled. A single piece under each splitting scheme is colored blue. 3 2 1 1 2 3 1,2 1,3 2,3 1,2,3 Figure 2: The seven ways to split up a 3d array, labelled above by the dimensions that they slice up. Original array shown at top left, with dimensions labelled. Blue indicates a single piece of the output. m*ply() takes a matrix, list-array, or data frame, splits it up by rows and calls the processing function supplying each piece as its parameters. Figure 3 shows how you might use this to draw random numbers from normal distributions with varying parameters. Input: Data frame (d*ply) When operating on a data frame, you usually want to split it up into groups based on com- binations of variables in the data set. For d*ply you specify which variables (or functions of variables) to use. These variables are specified in a special way to highlight that they are Split plyr
7. my.function<-function(subset.data){! ! ! ! results<-do.something(subset.data)! return(data.frame(results))}! ! my.function can produce as many rows as subset.data (transform) or fewer rows than subset.data (summarize) ! returned.results<-ddply(.data=data,! .variable=c("variable1", "variable2”),! ! ! my.function(subset.data))! ! ! Fonctionnement Attention: particularités présentes plyr
8. Exemple 1 ›  Calculer la moyenne de chaque mesure pour chaque espèce en utilisant les données iris reformaté en format long molten.means<-ddply(.data=molten.iris,! !.variables=c("Species", "measure"),! function(subset.data) data.frame(mean=mean(subset.data$value)))   plyr
9. Exemple 3 ›  Calculer la pente de la largeur sur la longueur pour chaque organe de la fleur plyr length.on.width.slope<-function(subset.data){ with(subset.data,{ slope.sepal<-lm(Sepal.Width~Sepal.Length)$coefficients[2] slope.petal<-lm(Petal.Width~Petal.Length)$coefficients[2] return(data.frame(slope.sepal=slope.sepal, slope.petal=slope.petal)) }) } iris.slopes<-ddply(.data=iris, .variables="Species", function(x)length.on.width.slope(x))
10. Votre tour ›  changez la fonction ›  sd, length ›  range=max()-min() ›  utilisez d’autres données ›  simesants, rats, sipoo plyr
11. Manipuler les données ›  Effectuer des calculs ›  par exemple:
12. ›  Écrivez votre propre fonction ! ma.fonction<-function(arguments){! ! ! ! résultats<-faite.quelque.chose(arguments)! return(data.frame(résultats))}! ! superficie_ellipse<-function(largeur, longueur){! ! !superficie<-pi*(largeur/2)*(longueur/2)! ! !return(data.frame(superficie=superficie))}! ! with(iris_data, superficie_ellipse(Sepal.Width, Sepal.Length))! ! ! ! ! Manipuler les données
13. Programmation ›  For(i in 1:10){function.x(i)} ›  Faite prendre à i tour à tour les valeurs de 1 à 10 ›  Pour chaque valeur prise par i, appliquer la fonction.x à i for(lettre.selectionnee in LETTERS) {print(lettre.selectionnee)} for(Plant.selectionnee in unique(CO2$Plant)){ fit<-lm(CO2$uptake~CO2$conc) print(summary(fit)}
14. Programmation ›  autre fonction de programmation ›  if(Vraie or Faux){commande.x} ›  exécute la commande x que si la valeur entre parenthèse est un vraie (TRUE) ›  while(Vraie or Faux) {commande.x} ›  répéter l’exécution la commande x tant et aussi longtemps que la valeur entre parenthèse est un vraie (TRUE)