R 소개
1. 데이터 분석 도구의 현황
가. R의 탄생
- R은 오픈소스 프로그램, 통계 • 데이터마이닝과 그래프를 위한 언어이다.
- 다양한 최신 통계분석과 마이닝 기능을 제공한다.
- 세계적으로 많은 사용자들이 다양한 예제를 공유한다.
- 다양한 기능을 지원하는 많은 패키지가 수시로 업데이트 된다.
- 1993년 뉴질랜드 University of Auckland, Ross Inaka 와 Robert Gentleman에 의해 개발된 소프트웨어
- 1995년 R은 자유 소프트웨어 재단의 GNU(일반 공중 사용 허가서)로 인해 무료로 공개
나. 분석도구의 비교
| SAS | SPSS | 오픈소스 R | |
|---|---|---|---|
| 프로그램 비용 | 유료, 고가 | 유료, 고가 | 오픈소스 |
| 설치용량 | 대용량 | 대용량 | 모듈화로 간단 |
| 다양한 모듈 지원 및 비용 | 별도구매 | 별도구매 | 오픈소스 |
| 최근 알고리즘 및 기술반영 | 느림 | 다소느림 | 매우 빠름 |
| 학습자료 입수의 편의성 | 유료 도서 | 유료 도서 | 공개 논문 및 자료 많음 |
| 질의를 위한 공개 커뮤니티 | NA | NA | 매우 활발 |
다. R의 특징
1) 오픈소스 프로그램
- 사용자 커뮤니티에 도움 요청이 쉽다.
- 많은 패키지가 수시로 업데이트 된다.
- 특정 분석 기법을 사용하기위해, 분석에 필요한 과정들을 수행할 수 있는 함수가 패키지에 포함되어 있다.
2) 그래픽 및 성능
- 프로그래밍이나 그래픽 측면등 대부분의 주요 특징들에서 상용 프로그램과 대등하거나 월등하다.
- 고해상도 이미지 생산가능, 처리 시간이 매우 빠름, 분석과정 뿐만 아니라 보고서 작성이나 발표 자료 작성에도 유용
3) 시스템 데이터 저장 방식
- 각 세션 사이마다 시스템에 데이터셋을 저장하므로 매번 데이터를 로딩할 필요가 없고 명령어 스토리도 저장 가능하다.
4) 모든 운영체제
- 윈도우, 맥, 리눅스 운영체제에서 사용 가능
5) 표준 플랫폼
- S통계 언어를 기반으로 구현
- R/S 플랫폼은 통계전문가들의 사실상 표준 플랫폼이다.
6) 객체지향언어이며 함수언어
- 통계 기능뿐만 아니라 일반 프로그래밍 언어처럼 자동화거나 새로운 함수를 생성하며 사용가능
# 패키지를 설치한 후 패키지를 R 콘솔에 불러 온다.
> install.packages("패키지 이름")
# 패키지를 설치 ""의 유무가 다르므로 유의해야한다.
> librarry(패키지 이름)
# 다양한 함수들과 옵션에 대한 상세한 도움말
> ?par
> help( par )
2. R의 데이터 구조
1) 벡터
- 벡터 데이터 구조는 하나의 스칼라값 혹은 하나 이상의 스칼라 원소들을 갖는 단순한 형태의 집합
- 벡터 데이터 내에 들어갈 수 있는 원소는 숫자, 문자, 논리연산자 등이 될 수 있다.
- 명령어
c를 이용해 선언한다. concentration(연결)을 의미한다.
# 숫자형 벡터
> x = c(1, 10 , 24, 40)
# 문자형 벡터
> y = c("사과", "바나나", "오렌지")
# 논리 연산자 벡터
> z = c(TRUE, FALSE, TRUE)
> z <- c(TRUE, FALSE, TRUE)
# 벡터와 벡터의 결합
> xy <- c(x, y)
> xy
[1] "1" "10" "24" "40" "사과" "바나나" "오렌지"
- 논리 연산자 벡터를 숫자형 벡터처럼 사용하는 경우 자동적으로 **'TRUE'는 1의 값을 할당** 받으며 '**FALSE'는 0의 값을 할당**받는다.
- 합치는 벡터에 문자형 벡터가 포함되면 합쳐진 벡터는 문자형 벡터가 된다.
2) 행렬 (matrix)
- 행과 열을 갖는
m x n형태의 직사각형에 데이터를 나열한 데이터 구조 - 행렬 선언을 위해 명령어
matrix를 사용한다. - 기본적으로 값들은 **열을 우선으로 채우는 방향**으로 입력된다.
- 행을 우선으로 채우는 방향을 원하면
byrow=T옵션을 추가하면 된다.
> mx = matrix(c(1,2,3,4,5,6), ncol=2)
> mx
[,1] [,2]
[1,] 1 4
[2,] 2 5
[3,] 3 6
rbind, cbind
- 명령어
rbind와cbind를 사용해 이미 만들어져 있는 벡터를 서로 합쳐 행렬을 만들 수도 있다. - rbind의 r 은 ‘row’ - 기존 행렬에 행을 추가하는 형태로 데이터 결합한다.
- cbind c는 ‘column’ - 기존 행렬에 열을 추가하는 형태로 데이터 결합
> mx
[,1] [,2]
[1,] 1 4
[2,] 2 5
[3,] 3 6
>
> r1=c(10, 10)
> c1=c(20, 20, 20)
>
> rbind(mx, r1)
[,1] [,2]
1 4
2 5
3 6
r1 10 10
>
> cbind(mx, c1)
c1
[1,] 1 4 20
[2,] 2 5 20
[3,] 3 6 20
3) 리스트 (list)
- 각 요소 마다 벡터나 행렬을 한꺼번에 취급할 수 있는 형식
- 복수의 벡터나 행렬을 하나의 리스트에 정리하여 보존할 수 있다.
- 함수
list()를 이용하여 작성한다. - 데이터 참조용 이름을 부여할 수 있다.
# list 생성 방법 list()
> x <- list("name", "adc",100, TRUE)
> x
[[1]]
[1] "name"
[[2]]
[1] "adc"
[[3]]
[1] 100
[[4]]
[1] TRUE
# 각각의 리스트에 이름을 지어줄 수 있습니다.
> b <- list(name = "Gunhee", gender = "F", number = 100, person = TRUE)
> b
$name
[1] "Gunhee"
$gender
[1] "F"
$number
[1] 100
$person
[1] TRUE
# name()함수를 통해서도 가능
> names(x) <- c("name","gender","number","person")
> x
$name
[1] "name"
$gender
[1] "adc"
$number
[1] 100
$person
[1] TRUE
# 리스트 값 호출
> b$gender
[1] "F"
> b[[4]]
[1] TRUE
R의 데이터 셋 (구조)[이미지 출처 kookmindnablog]
4) 데이터 프레임 (data.frame)
- 행렬과 유사한 2차원 목록 데이터 구조
- 데이터 프레임의 리스트의 원소는 벡터 또는 요인이다.
- 한번에 많은 정보를 담을 수 있어 R에서 가장 널리 사용
- 행렬과 다르게 각 `열`에 서로 다른 데이터 타입을 가질 수 있다.
data.frame을 이용하면 여러 개의 벡터를 하나의 데이터 프레임으로 합쳐 입력 할 수 있다.
> income = c(100, 200, 150, 300, 900)
> car = c("kia", "hyundai", "kia", "toyota", "lexus")
> marriage = c(FALSE, FALSE, FALSE, TRUE, TRUE)
>
> mydat = data.frame(income, car, marriage)
> mydat
income car marriage
1 100 kia FALSE
2 200 hyundai FALSE
3 150 kia FALSE
4 300 toyota TRUE
5 900 lexus TRUE
5) 그 밖의 데이터 구조들
-
단일값 (Scalars) :
- 스칼라란 단일 차원의 값을 뜻하며, 길이가 1인 벡터와 같은 동일하다.
- 구성인자가 하나인 벡터를 말한다.
- 스칼라는 정수, 부동소수, 문자열, 논리값(TRUE, T, FALSE, F), NA, NULL 의 데이터타입을 갖는다.
- NA = 결측값 (값이 없음)
- NULL =undefined(미정)
- R에서 결측지 정제하기
-
배열 (Araays) :
- 행렬에 3차원 또는 n차원까지 확장된 상태
- 주어진 벡터에 더 많은 차원을 부여하여 배열을 생성
> d <- array(1:16, dim=c(2,2,2)) > > e <- array(1:16, dim=c(2,3,2)) > d , , 1 [,1] [,2] [1,] 1 3 [2,] 2 4 , , 2 [,1] [,2] [1,] 5 7 [2,] 6 8 > e , , 1 [,1] [,2] [,3] [1,] 1 3 5 [2,] 2 4 6 , , 2 [,1] [,2] [,3] [1,] 7 9 11 [2,] 8 10 12 -
요인 (Factor):
- 팩터는 범주형(categorical) 데이터 자료를 표현하기 위한 데이터 타입
- 범주형 데이터는 혈액성(A, AB, B, 0), 성별(Female, Male), 성적(A, B, C, D, E)와 같은 데이터 형을 의미합니다.
- R에서 벡터에 있는 고유값(unique value)의 정보를 얻어내는데, 이 고유값들을 요인의 수준이라고 한다.
factor()함수사용해 생성 가능
> blood.type <-factor(c("A","B","AB","O")) > blood.type[5]<-"D" Warning message: In `[<-.factor`(`*tmp*`, 5, value = "D") : invalid factor level, NA generated > blood.type [1] A B AB O <NA> Levels: A AB B O >
3. R의 기초
1) 수열 생성
# 첫 번째 인수를 두 번째 인수만큼 반복하는 숫자 벡터를 생성
> rep (1,3)
[1] 1 1 1
# 첫 인수부터 두 번째 인수까지 1씩 증가하는 수열의 숫자 벡터를 생성
> seq (1,3)
[1] 1 2 3
> 1:4
[1] 1 2 3 4
# by=n, n 씩 증가하는 수열을 생성
> seq(1, 11, by=2)
[1] 1 3 5 7 9 11
# lenght=m , 전체 수열의 개수가 m 개가 되도록 자동적으로 증가하는 수열 생성
> seq(1, 11, length=6)
[1] 1 3 5 7 9 11
> seq(1, 11, length=8)
[1] 1.000000 2.428571 3.857143 5.285714
[5] 6.714286 8.142857 9.571429 11.000000
# 연속 증가하는 seq 함수 형태를 인수로 사용해 다음과 같은 수열 생성
> rep(2:5, 3)
[1] 2 3 4 5 2 3 4 5 2 3 4 5
2) 기초적인 수치 계산
- 다양한 형태의 수치 계산을 위한 함수와 명령어가 있다.
- 벡터와 벡터간의 사칙연산을 수행하는 경우 연산되는 벡터들의 길이가 같아야 한다.
> a
[1] 1 2 3 4 5 6 7 8 9 10
>
> a+a
[1] 2 4 6 8 10 12 14 16 18 20
>
> a-a
[1] 0 0 0 0 0 0 0 0 0 0
>
> a*a
[1] 1 4 9 16 25 36 49 64 81 100
>
> a/a
[1] 1 1 1 1 1 1 1 1 1 1
-
R 은 기본적으로 열벡터(column vector)가 만들어 진다.
-
t명령어를 통해 주어진 행렬의 전치행렬(transpose matrix)을 구할 수 있다. -
%*%통해 두 행렬 사이의 행렬 곱을 실행할 수 있다.
> a = c(2,7,3)
>
> a
[1] 2 7 3
>
# 전치행렬(transpose matrix)
> t(a)
[,1] [,2] [,3]
[1,] 2 7 3
>
# 행렬 곱
> A = a%*%t(a)
>
> A
[,1] [,2] [,3]
[1,] 4 14 6
[2,] 14 49 21
[3,] 6 21 9
3) 벡터의 기초 통계
> d <- c(1,2,3,4,5,6,7,8,9,10)
>
> mean(d[1:5]) # 변수 평균
[1] 3
>
> sum(d) # 변수 합계
[1] 55
>
> sum(2*d) # 합계 x 2
[1] 110
>
> v1 <- median(d) #변수의 중앙값 산출
> v1
[1] 5.5
>
> length(d) # 변수 길이 값
[1] 10
>
> max(d)# 변수 최대값
[1] 10
>
> min(d)# 변수 최소값
[1] 1
>
> sort(d) # 올림차순 정렬
[1] 1 2 3 4 5 6 7 8 9 10
>
> sort(d, decreasing = FALSE) # 올림차순 정렬
[1] 1 2 3 4 5 6 7 8 9 10
>
> sort(d, decreasing = TRUE) # 내림차순 정렬
[1] 10 9 8 7 6 5 4 3 2 1
>
> log(d) # 변수 로그 값
[1] 0.0000000 0.6931472 1.0986123 1.3862944
[5] 1.6094379 1.7917595 1.9459101 2.0794415
[9] 2.1972246 2.3025851
>
> sd(d) # 변수 표준편차
[1] 3.02765
>
> var(d) # 분산산출
[1] 9.166667
> summary(a) # 주어진 벡터에 대해 사분위수와 최소값 최대값, 중앙값, 평균을 계산할 수 있다.
Min. 1st Qu. Median Mean 3rd Qu.
2.0 2.5 3.0 4.0 5.0
Max.
7.0
# 벡터의 원소 선택 하기
> q
[1] "1" "2" "3" "4" "5" "m" "c" "d"
> q[3]
[1] "3"
> q[-3]
[1] "1" "2" "4" "5" "m" "c" "d"
# 벡터의 연산
> q[[3]] # 인덱스
[1] "3"
# 요소 뽑아 내기
> x <- 1:5; coef(lm(c(1:3, 7, 6) ~ x))
(Intercept) x
-0.7 1.5
>
> f=c(1:3,7,6)
>
> j=lm(c(1:3,7,6) ~ x)
>
> x
[1] 1 2 3 4 5
> f
[1] 1 2 3 7 6
> j
Call:
lm(formula = c(1:3, 7, 6) ~ x)
Coefficients:
(Intercept) x
-0.7 1.5
4) 반복 구문, 조건문
for 반복 구문
> a = c() # 아무 값도 포함되지 않은 a벡터 선언
> for (i in 1:9) {
+ a[i] = i * i
+ }
>
> a
[1] 1 4 9 16 25 36 49 64 81
- for 반복 구문은 괄호 안의 조건 하에 i값을 하나씩 증가시켜가며 중괄호 {} 안의 구문을 반복실행 하도록 한다.
> isum = 0
> for (i in 1:100) {
+ isum = isum + i
+ }
>
> cat("1부터 100까지 합=", isum, "입니다.", "\n")
1부터 100까지 합= 5050 입니다.
while 반복 구문
> x=1
> while (x<5) {
+ x=x+1
+ print(x)
+ }
[1] 2
[1] 3
[1] 4
[1] 5
- 괄호안의 조건이 만족되어 있는 동안 중괄호 안의 구문을 반복한다.
사용자 정의 함수
- R 함수는 ‘function’ 키워드를 사용하여 생성합니다.
# 괄호 안의 x,y,x는 (인수)argument로 사용된다.
function_name <- function(arg_1, arg_2, ...) {
함수본문
}
> new.function <- function(a) {
+ for(i in 1:a) {
+ b <- i^2
+ print(b)
+ }
+ }
>
> new.function(6)
[1] 1
[1] 4
[1] 9
[1] 16
[1] 25
[1] 36
>
5) 기타 유용한 기능들
paste
> # 문자 붙이기
>
> A<- paste("a","b","c", sep = "-")
>
> B<- paste(A,c("e","f"))
>
> C<- paste(A,10, sep="&") # seq 인자에 지정한 구분자로 연결함
>
> A
[1] "a-b-c"
> B
[1] "a-b-c e" "a-b-c f"
> C
[1] "a-b-c&10"
- 입력받은 문자열을 하나로 붙여 준다.
- 구분자를 삽입할 수 있다.
- 더 알기 쉽게 출력하도록 할 있다.
substr
> # 문자열 추출
> substr("Bigdataanalysis", 1,4)
[1] "Bigd"
- substr(“문자열”, 시작점, 끝점) 문자열 특정부분추출가능
6) 자료형 데이터 구조 변환
- R에서 객체는 다양한 형태를 가질 수 있다.
-
문자형 변수, 실수형 변수, 논리 연산자, Factor, 데이터 프레임
- 데이터 구조를 다른 구조로 바꾸고자 할때 다음 같은 함수를 사용해 변환 가능
as.data.frame(x) # 데이터 프레임 형식으로 변환
as.list(x) # 리스트 형식으로 변환
as.matrix # 행렬 형식으로 변환
as.vector # 벡터 형식으로 변환
as.factor # 팩터 형식으로 변환
예시1 >
# 3.14 실수형 벡터를 함수를 이용해 강제로 정수형 벡터로 변경
> as.integer(3.14)
[1] 3
>
# "foo"라는 문자형 데이터를 수치형 벡터로 강제 변환
# 숫자형 벡터에 포함 할 수 없어서 결측지인 'Na' 가 출력되면서 경고
> as.numeric("foo")
[1] NA
Warning message:
NAs introduced by coercion
예시2>
# 수치형 -> 문자형
> as.character(101)
[1] "101"
# 논리형인 TRUE 와 FALSE를 수치형으로 변환
# FALSE = 0
# TRUE = 1
> as.numeric(FALSE)
[1] 0
>
> as.logical(0.45)
[1] TRUE
>
예시3>
- 데이터 프레임을 행렬로 변환
- 문자형 데이터만 저장되는 행렬로 변환
> mydat
income car marriage
1 100 kia FALSE
2 200 hyundai FALSE
3 150 kia FALSE
4 300 toyota TRUE
5 900 lexus TRUE
>
> as.matrix(mydat)
income car marriage
[1,] "100" "kia" "FALSE"
[2,] "200" "hyundai" "FALSE"
[3,] "150" "kia" "FALSE"
[4,] "300" "toyota" "TRUE"
[5,] "900" "lexus" "TRUE"
>
7) 문자열을 날짜로 변화
- as.Date - 기본적으로 문자열이 yyyy-mm-dd 일거라고 가정
- 이외 다른 형식을 처리하려면 “format=” 날짜 형식을 지정
> as.Date("2019-11-19")
[1] "2019-11-19"
> as.Date("01/13/19")
Error in charToDate(x) :
character string is not in a standard unambiguous format
> as.Date("01/13/19", format="%m/%d/%y")
[1] "2019-01-13"
8) 날짜를 문자열로 변환
> as.Date("08/13/19",format="%m/%d/%y")
[1] "2019-08-13"
> format(Sys.Date())
[1] "2019-10-19"
> as.character(Sys.Date())
[1] "2019-10-19"
> format(Sys.Date(), format="%m/%d/%y")
[1] "10/19/19"
4. 외부 데이터 불러오기
1) CSV 파일 불러 오기
-
명령어 - read.table
-
header= T- CSV 파일의 첫 줄을 변수명으로 지정할 수 있다. -
sep=','- 데이터가 쉼표로 구분된 데이터파일(즉, csv)임을 지정해 준다. -
파일 경로에 ₩대신, ₩₩ 를 사용하는 것에 유의한다.
/를 사용해도 무관하다. -
유사한 명령어인
read.csv를 이용할 수도 있다. 구분자를 명시할 필요 없다.data1 <- read.tabel("D:\\DATA\\example.csv", header=T, sep=",")
2) txt 파일 불러 오기
data2 <- read.table("D:\\DATA\\example.txt")
5. R 그래프
1. 산점도 그래프
- x변수와 y변수의 값을 한눈에 살펴볼 수 있도록 평면에 점을 찍어 표현
- 옵션을 통해 기준선을 추가하는 등 부가적인 기능 사용가능
# 산점도 그래프
height = c(170, 168, 174, 175, 188, 165, 165, 190, 173, 168, 159, 170, 184, 155, 165)
weight = c(68, 65, 74, 77, 92, 63, 67, 95, 72, 69, 60, 69, 73, 56, 55)
plot(height,weight)
2. 산점도 행렬
- 여러 변수들에 대해 각각의 산점도를 살펴볼 수 있도록 확장된 산점도 행렬
- paris 명령어를 통해 그릴 수 있다.
main =그래프의 제목pch=그래프 상에 찍히는 점의 모양 변경bg=iris 데이터의 Species에 따라 다른 색상을 부여했다.
> paris(iris[1:4]), main = "Anderson's Iris Data -- 3 species", pch = 21, bg = c("red", "green3", "blue")[unclass(iris$Species)])
3. 히스토그램, 상자그림
- 탐색적 자료 분석에서 자료 분포를 손쉽게 확인 하는 방법
hist함수 사용- 기본적으로 세로축(Y축)에 도수를 표기한다.
prob=T상대도수를 표시하도록 변경boxplot상자그림 출력
> StatScore
[1] 88 90 78 68 50 48 33 70 48 66 88 96 79 65 27 88 96 33 64 48 77 18 26 44
[25] 48 68 77 64 88 95 79 88 49 30 29 10 49 88
> hist(StatScore, prob=T)
> boxplot(StatScore)
