R: mikä, miksi ja miten?

Koko: px

Aloita esitys sivulta:

Download "R: mikä, miksi ja miten?"

Jukka-Pekka Jokinen
8 vuotta sitten
Katselukertoja:

1 R: mikä, miksi ja miten? Ilmari Ahonen Matematiikan ja tilastotieteen laitos, Turun yliopisto SSL R-Webinaari 2015

2 Vähän minusta Valmistuin maisteriksi Turun yliopistossa 2012 Teen neljättä vuotta väitöskirjaa liittyen syöpäsolukuvien tilastollisiin analyysimenetelmiin R on ollut päätyökaluni viimeisen neljän vuoden ajan. Käyttötunteja arviolta > 4000 Kokemuksena varsinaisesta lääketeollisuudesta on kesäharjoittelu Rochella Baselissa 2012.

ollut päätyökaluni viimeisen neljän vuoden ajan.

3 Mikä R? R on: ohjelmointikieli ja ohjelmaympäristö, joka on suunnattu tieteelliseen laskentaan ilmainen ja vapaan lähdekoodin ohjelmisto erityisen suosittu data-analyytikoiden keskuudessa tiedemaailmassa ja yhä suositumpi yritysmaailmassa

4 Mikä R? - konepellin alla R perustuu Bell Laboratoriossa kehitettyyn S-kieleen, josta myös S-PLUS on johdettu R:n lähdekoodi on kirjoitettu pääösin C:llä ja Fortranilla, joiden kutsuminen R:stä on suhteellisen helppoa R on funktionaalinen ja tulkittava kieli. Oliot ja metodit kummittelevat silti mukana

josta myös S-PLUS on johdettu R:n lähdekoodi on kirjoitettu pääösin C:llä

5 Mikä R?

6 Koodiesimerkkejä # Vähän laskentaa: [1] ^ exp(2)*log(124)/3 [1]

7 Koodiesimerkkejä Asioita tallennetaan olioihin a.thing <- 95 some.other.thing <- "tekstiä"

8 Koodiesimerkkejä Erilaisia olioita c(1, 4, 1, 6) [1] c("eka", "toka") [1] "eka" "toka" matrix(1:12, nrow=2) [,1] [,2] [,3] [,4] [,5] [,6] [1,] [2,]

9 Koodiesimerkkejä Mallin rakennusta x <- runif(100) y < *x + rnorm(100) malli <- lm(y ~ x) class(malli) [1] "lm"

10 Koodiesimerkkejä summary(malli) Call: lm(formula = y ~ x) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-08 *** x e-06 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 1.08 on 98 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 98 DF, p-value: 3.786e-06

3730 4.900 3.79e-06 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 1.

11 Koodiesimerkkejä Kuvien tekoa hist(malli$residuals, col="pink", border="white", lwd=3, main="jäännösten jakauma") Jäännösten jakauma Frequency malli$residuals

12 Koodiesimerkkejä Funktioiden määrittelemistä funktioni <- function(numero){ if(numero > 10000){ print("numero on kovin suuri") } else { print("numero on aika tavallisen kokoinen") } } funktioni(31) [1] "numero on aika tavallisen kokoinen"

kovin suuri") } else { print("numero on aika tavallisen

13 Koodiesimerkkejä Lisää funktioita ja aineistoja on koottu paketteihin, joita löytyy esim CRANista (the Comprehensive R Archive Network)

14 Koodiesimerkkejä Pakettien käsittely # asennettaan paketti koneelle # install.packages("pet") # otetaan paketti käyttöön istunnossa library(pet) Loading required package: adimpro Reading RAW images requires to install dcraw, see for LINUX and for MAC OS and Windows Attaching package: PET The following object is masked from package:base : norm

Reading RAW images requires to install dcraw, see http://cybercom.

15 Koodiesimerkkejä viewdata(list(p, R$Data, R$rData), list("phantom", "Marked Poisson Data", "Simulated PET Data")) Phantom Marked Poisson Data Simulated PET Data

16 R-koodaamisen erityispiirteitä # otetaan iris data esimerkiksi data(iris) # aineiston tiivistelmä: str(iris) 'data.frame': 150 obs. of 5 variables: $ Sepal.Length: num $ Sepal.Width : num $ Petal.Length: num $ Petal.Width : num $ Species : Factor w/ 3 levels "setosa","versicolor",..:

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.

17 R-koodaamisen erityispiirteitä # valitaan osa-aineisto iris[130:135, c("sepal.length", "Species")] Sepal.Length Species virginica virginica virginica virginica virginica virginica # poistetaan puuttuvia havaintoja sisältävät rivit siivottu.iris <- iris[complete.cases(iris), ]

4 virginica 132 7.9 virginica 133 6.4 virginica 134 6.3 virginica 135 6.

18 R-koodaamisen erityispiirteitä # järjestetään muuttujan mukaan iris.sorted <- iris[order(iris$sepal.length), ] # otetaan otos iris.sample <- iris[sample(1:nrow(iris), 50), ] dim(iris.sample) [1] 50 5

19 R-koodaamisen erityispiirteitä # sarakekeskiarvot colmeans(iris[, 1:4]) Sepal.Length Sepal.Width Petal.Length Petal.Width # sarakekeskihajonnat apply(iris[,1:4], 2, sd) Sepal.Length Sepal.Width Petal.Length Petal.Width # neliöjuurimuunnos iris.muunnettu <- apply(iris[,1:4], 2, sqrt)

199333 # sarakekeskihajonnat apply(iris[,1:4], 2, sd) Sepal.Length Sepal.Width Petal.

20 R-koodaamisen erityispiirteitä # tehdään kuvakokoelma par(mfrow=c(1,3)) hist(iris$sepal.length) plot(iris$sepal.length, iris$sepal.width) boxplot(iris$sepal.length ~ iris$species) abline(h=6, col="red") Histogram of iris$sepal.length Frequency iris$sepal.width setosa virginica iris$sepal.length iris$sepal.length

length ~ iris$species) abline(h=6, col="red") Histogram of iris$sepal.

21 R-koodaamisen erityispiirteitä # ggplot2:lla nopeasti hyvää laatua: library(ggplot2) ggplot(data=iris, aes(x=sepal.width, y=sepal.length, col=species)) + geom_point() + geom_smooth(method="lm") 8 7 Sepal.Length 6 Species setosa versicolor virginica Sepal.Width

22 R-koodaamisen erityispiirteitä # sama kuva pilkottuna library(ggplot2) ggplot(data=iris, aes(x=sepal.width, y=sepal.length, col=species)) + geom_point() + geom_smooth(method="lm") + facet_grid(. ~ Species) 8 setosa versicolor virginica 7 Sepal.Length 6 Species setosa versicolor virginica Sepal.Width

23 Miksi R? R:n vahvuuksia verrattuna SAS:iin: Ilmaisuus ja asema tiedeyhteisön suosikkina Aineiston muokkaus Kuvat Yhteispeli muiden työkalujen kanssa, kuten LaTeX, C++, SQL, html jne. Laajennuksien avulla interaktiiviset tulokset ja jopa itsenäisiä sovelluksia (esim Shiny) Ohjelmointikieli ja sen tuoma nopeus ja joustavuus Editorit, esim RStudio

24 Miksei R? R:n heikkouksia verrattuna SAS:iin: Pakettien laatu on täysin kehittäjiensä armoilla. Koskee erityisesti vähemmän käytettyjä ja uudempia paketteja Suurten aineistojen käsittely (ilman lisäpaketteja) Tulosten raportointi, pois lukien kuvat (jälleen ilman lisäpakettia)

25 Miten R? R:n opiskelun aloittaminen on helppoa (jatkaminen ei välttämättä...). saatavilla kaikille yleisimmille käyttöjärjestelmille (Windows, Mac OS, Linux) erilaisia oppaita on tarjolla valtavasti (myös itseopiskelukurssi Turun yliopistolla!) RStudio tai jokin muu graafinen editori helpottaa käyttöä huomattavasti R:n kotisivut: RStudio:

26 Miten R?

27 Miten R? Materiaaleja Quick-R: swirl: swirlstats.com/ DataCamp: R inferno: books/the-r-inferno/

Samankaltaiset tiedostot

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n