[[Rのメモ]]

**大きなデータの取り込み [#vc4bc9ad]

-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 [#le4bcdbc]

-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 [#g2e5a0b6]

-[[dplyr 入門>https://www.jaysong.net/dplyr_intro/]]

 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 [#tee4c604]

-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。
---
トップ   編集 差分 バックアップ 添付 複製 名前変更 リロード   新規 一覧 単語検索 最終更新   ヘルプ   最終更新のRSS