最近のRのメモ

Rのメモ

大きなデータの取り込み †

• 通常の read.csv()は遅いので、tidyverseパッケージのインストールをして、readr 関数で読む：

install.packages("tidyverse")
library(tidyverse)
data <-read.csv("data")

• 自分のマシンでは 40MB くらいのデータで３倍高速（`system.time()`関数で計測）

Encoding のチェック †

• 文字コードの確認は guess_encoding()関数を使うといい

guess_encoding("data.csv")

• 結果は以下のように返してくれる：

<chr>           <dbl>
1UTF8           1.00
2Shift_JIS     0.780

• それを指定した読み込みは以下：

product_enc <- read_csv("data.csv", locale=locale(encoding="UTF-8"))

データフレーム操作 †

• dplyr 入門

library(dplyr)
newdataset <- select(dataset, variable1, variable2, ...) # Choose necessary variables only
  １つのデータフレーム dataset から必要な変数（variable1, 2, ..)を抜粋して newdataset を作る 
filter(newdataset, variable1 > 56) %>% select(variable2, variable 1)
　　newdataset の variable 1の値（ここでは56より大きい）でフィルタし、かつ変数2, 1 だけ値を表示
  %>% はこのコマンドを逐次的に実行するという意味

• mosaic ライブラリ
  • 欠損値を調べる際に、mosaic ライブラリの tally() 関数で is.na(variable) を検査する

library(mosaic)
tally(~ is.na(variable), data=dataset)

• そうすると TRUE で出てきた件数が欠損値にあたる

• 同様のことは favstat()関数でもできる

favstats(~ variable, data=dataset)
min Q1 median Q3 max mean ad n missing

• このような項目の summary が出る。最後の missing が欠損値。普通の summary()関数では欠損値は出ないので便利だ。

変数の再集計 †

• memisc ライブラリ
  • dplyr と合わせて以下のようなコードを書くと、論理演算の式をもとに、変数の数値条件ごとにラベルを付けることが可能：

> library(dplyr)
> library(memisc)
> newdataset = mutate(newdataset, new_variablename=
    cases(
       "LABEL A" = variable1==0,
       "LABEL B" = (variable1>0 & variable1<=1 & variable2<=3 & variable3==1) |
                             (variable1>0 & variable1<=2 & variable2<=4 & variable3==0),
       "LABEL C"    = ((variable1>1 | variable2>3) & variable3==1) |
                             ((variable1>2 | variable2>4) & variable3==0)))

• variable1, 2, 3 の値の論理式の組み合わせで LABEL A, B, C を定義。このへんの式の内容は研究内容ごとに異なる。