-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathindex.Rmd
709 lines (505 loc) · 21 KB
/
index.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
---
title : Въведение в R
subtitle :
author : Кристиан Младенов
job :
framework : io2012 # {io2012, html5slides, shower, dzslides, ...}
highlighter : highlight.js # {highlight.js, prettify, highlight}
hitheme : tomorrow #
widgets : [] # {mathjax, quiz, bootstrap}
mode : selfcontained # {standalone, draft}
knit : slidify::knit2slides
---
## За мен
- Съосновател на Intuitics/StatAce
- От 2.5 години разработваме софтуер на базата на R
- Бизнес образование
- Опит с анализ на данни в Agilent Technologies, HP, и университета
---
## Какво е R
- R е език за статистическо програмиране = програмен език с изчислителна и графична насока
- Диалект на комерсиалните езици S и S-Plus (сега собственост на Tibco)
- Започнат през 1993 от Robert Gentleman и Ross Ihaka в университета в Оукланд, Нова Зенландия
- Ползва се от над 2 милиона потребителя
- Растежа се забърва последните няколко години, преминавайки от академичните среди към бизнеса
---
## Предимства
- Пълен набор от фукнции за целия процес на анализа, от свързването към данни до комуникирането на резултати
- Повече от 6000 допълнителни пакета. R често получава най-новите анализи първи.
- Много добри графични способности
- Безплатен, с отворен код
- Няколко комерсиални предложения
- Изключително активна общност
- Напълно функционален програмен език
---
## Популярност
<img src="popularity.png" style="width: 100%" />
Rexer Analytics Data Miner Survey, 2013
---
## Растеж на броя на R пакетите
<img src="cran.png" style="height: 520px" />
---
## Недостатъци
- Сравнително труден за научаване
- Сравнително слаби графични интерфейси
- Документацията не е винаги ясна или пълна
- Не всички пакети са с добро качество
- Много начини за постигане на една и съща цел
- В много случай ограничен от достъпната памет (RAM)
- Липса на вградена паралелизация
---
## Сравнение с конкуренцията
(според мен)
| | R | SAS | SPSS | Matlab | Python |
|----------------------|-------------|-------------|----------------|----------------------|-------------|
| Цена | Безплатен | Много скъп | Скъп | Скъп | Безплатен |
| Нови функции | Бързо | Бавно | Бавно | Бавно | Средно |
| Насока | Широка | Широка | Социални науки | Инженерни науки + ML | Широка |
| Леснота на учене | Труден | Среден | Лесен | Лесен | Среден |
| Графични способности | Много добри | Средни | Средни | Добри | Средни |
| Работа с данни | Добра | Много добра | Слаба | Добра | Много добра |
---
## Развитие
- Бърз разтеж, ползва се от фирми като Google, Facebook, Twitter, Amazon, Netflix, Microsoft, Expedia, Dell, HP, и много други
- По-достъпни пакети с богат набор от функции (dplyr, reshape2, caret, и т.н.)
- Често се ползва за прототипиране, след което анализа се пренаписва с Java, Python и т.н.
- Допълва се с Python за събиране и обработка на данни, както и за анализ на текст
- Сериозни усилия за премахване на ограниченията с паметта и процесора
---
## Въведение в езика
- R се ползва през интерактивна конзола (често RStudio)
- Ползва къдрави скоби като C, Java и JavaScript
- Като цяло е функционален програмен език = съставен от функции които приемат обекти. Обектите рядко имат функции.
- Пример:
<!-- collapse=TRUE -->
```{r, collapse = T, comment = "#"}
"Hello world"
1234
1 + 2
```
---
## Видове обекти
- Има няколко основни вида обекти в R. Всеки обект има клас (`class()`)
- Нулева стойност (`NULL`)
- Вектор - редица от примитивни структури (липсващи стойности = `NA`):
- Двоични, TRUE/FALSE или T/F (`logical`)
- Числа: дробни (`numeric`), цели (`integer`), комплексни (`complex`)
- Текст (`character`) и фактор/категория (`factor`, `ordered.factor`)
- Дата до ден (`Date`) и до секунда (`POSIXt`)
- Матрица (`matrix`): 2-измерен вектор
- Масив (`array`): вектор в 2 или повече измерения
- Списък (`list`): съдържа произволни други обекти (всеки има индекс + евентуално име)
- Таблица (`data.frame`): списък който съдържа само вектори с еднаква дължина
---
## Задаване на стойност на променливи
- Оператора за задание е `<-` (може да се ползва и `=` но не е препоръчано)
- Изпълнението само на име на променлива връща нейната стойност
```{r, collapse = T, comment = "#"}
hello <- "Здравей"
hello
```
- `hello` е текстов вектор с дължина 1:
```{r, collapse = T, comment = "#"}
class(hello)
length(hello)
```
---
## Помощ за функция
`? функция` и `help()` показват документацията на функция, `example()` показва примери:
```
? rnorm или help(rnorm)
```
<img src="help.png" style="width: 100%; border: 1px solid black" />
---
## Търсене в документацията
Tърсете в документацията с `?? термин`:
```
?? random
```
<img src="help.search.png" style="width: 100%; border: 1px solid black" />
---
## Задаване на стойност на функции
- В R може да се зададе стойност на функция
- Пример: елементите във вектор могат да имат имена (текстов вектор):
```{r, collapse = T, comment = "#"}
names(hello)
```
- Задаване на имена:
```{r, collapse = T, comment = "#"}
names(hello) <- "Това е R"
hello
names(hello)
```
---
## Работа с обекти
- Имената на обекти могат да съдържат букви, цифри, `.` и `_`. Конвенция: data.frame, as.list
- Отделните елементи на всеки обект се достигат с квадратни скоби (`[...]`). Индексите винаги започват от 1.
- Функция `c()` създава/комбинира вектор с повече от един елемент:
```{r, collapse = T, comment = "#"}
hello.vector <- c(hello, "Нова стойност")
hello.vector
names(hello.vector)[2] <- "Ново име"
hello.vector
hello.vector[2]
```
--- &twocol_left
## Работа с обекти (2)
Всеки обект може да има атрибути, които се съхраняват в списък по име
*** =left
Класовете на обектите са атрибут, както и имената на елементите във вектор и нивата на фактор:
```{r, collapse = T, comment = "#"}
attributes(hello.vector)
attributes(as.factor(hello.vector))
```
*** =right
Можете да добавяте свои атрибути:
```{r, collapse = T, comment = "#"}
attr(hello.vector, "my.attribute") <- "А"
attributes(hello.vector)
```
---
## Работа с вектори
- Конструкцията `X:Y` създава вектор от `X` до `Y` (растящ или намаляващ)
- Разлики в класовете:
```{r, collapse = T, comment = "#"}
numbers <- c(-1:1, rnorm(n = 3, mean = 3, sd = 10))
numbers
class(numbers)
as.integer(numbers)
as.character(numbers)
as.logical(numbers)
```
---
## Операции с вектори
- Векторните операции винаги се извършват върху всички елементи:
```{r, collapse = T, comment = "#"}
vec <- 1:10
vec * 2
vec + 2
```
- Когато единият вектор е по-къс, той се преизползва от началото:
```{r, collapse = T, comment = "#"}
multiply <- c(2, 3)
vec * multiply
## = 1 2 3 4 5 6...
## * 2 3 2 3 2 3...
```
--- &twocol_left
## Работа с матрици
Матрицата представлява вектор, с дефиниран брой редове и колони, и може да бъде достъпна като вектор (с `[x]`). Броят на редовете и колоните се съхранява в атрибута `dim`.
*** =left
Създава се и се манипулира по колона, елементи се избират с `[редове, колони]`
```{r, collapse = T, comment = "#"}
mat <- matrix(1:4, nrow = 2); mat
mat[2, 1]
mat[2,]
mat[, 2]
mat[4]
```
*** =right
С `byrow` създаването става по ред
```{r, collapse = T, comment = "#"}
mat <- matrix(1:4, 2, byrow = T)
mat
```
--- &twocol_left
## Операции с матрици
Матричните операции се извършват:
*** =left
### Нормално (като вектори)
```{r, collapse = T, comment = "#"}
mat
mat * mat
mat + 2
```
*** =right
### Нормално (като вектори)
```{r, collapse = T, comment = "#"}
mat ^ mat
```
### Не толкова (като матрици)
```{r, collapse = T, comment = "#"}
mat %*% mat
```
--- &twocol_left_width
## Списъци
Списъкът представлява масив от други обекти. С `[x]` се създава нов списък само с желаните елементи. С `[[x]]` или `$` се достига отделен елемент.
*** =left width:48%
```{r, collapse = T, comment = "#"}
my.list <- list(Numbers = 1:5,
Names = c("Иван", "Петя"),
Date = Sys.Date()); my.list
my.list$Date
```
*** =right width:48%
```{r, collapse = T, comment = "#"}
my.list[c(2, 3)]
my.list["Names"]
my.list[["Names"]]
my.list[[3]]
```
--- &twocol_left_width
## Таблици
- Таблицата е списък от вектори с еднаква дължина
- Всеки ред може да има име, което е достъпно и може да се променя чрез `names()`
- С `[колони]` се създава нова таблица с желаните колони. С `[ред, колона]` се достига една клетка. С `[[колона]]` или `$` се достига вектора на колона.
*** =left width:48%
```{r, collapse = T, comment = "#"}
df <- data.frame(Age = c(29, 34),
Gender = as.factor(c("M", "F")),
row.names = c("Иван", "Петя"))
df
df[2]
```
*** =right width:48%
```{r, collapse = T, comment = "#"}
df[[2]]
class(df[[2]])
unclass(df[[2]])
df[2, 1]
```
---
## Екосистема
- Графични интерфейси: RStudio, R Commander, Rattle, Deducer,
- Създаване на доклади: RMarkdown, IPython, Knitr, Sweave
- Интерактивни уеб апликации: Shiny, Intuitics
- Скалируемост: H20 (система базирана на Hadoop), rmr2 (Hadoop MapReduce)
- Интерпретатори:
- Комерсиални: Revolution Analytics, Tibco TERR, HP Distributed R, Teradata Aster R, Oracle R Enterprise
- С отворен код: Pretty Quick R, Renjin, Riposte, CXXR, FastR
---
## Екосистема (2)
- Пакети за паралелизация: multicore, snowfall/snow, Rmpi/pdbMPI
- Графични пакети: ggplot2, ggvis, googleVis, rCharts, lattice
- Работа с данни:
- Свързване: RCurl, ROracle, RMySQL, RODBC, RPostgreSQL, RMongo, RSQLite, rhdfs, rhbase
- Транформация: dplyr/plyr, reshape2, sqldf
- Големи данни: ff, datatable, bigmemory, bigalgebra и приятели
- Продуктизиране: OpenCPU, rApache, rServe
- Други: slidify (тази презентация), animation, audio, rgl (3D графики), httpuv (HTTP сървър)
--- &twocol_left_width
## Ще анализираме червени и бели вина!
- Данни от https://archive.ics.uci.edu/ml/datasets/Wine+Quality
- Получаваме два файла - един с бели и един с червени вина
- Целта е да установим как химичните съставки определят качеството на виното
*** =left width:48%
- Колони (12):
- fixed acidity
- volatile acidity
- citric acid
- residual sugar
- chlorides
- free sulfur dioxide
- total sulfur dioxide
*** =right width:48%
- Колони (продължение):
- density
- pH
- sulphates
- alcohol
- Изходна стойност
- quality (от 0 до 10)
---
## Зареждане на данните
```{r, collapse = T, comment = "#"}
data.red <- read.csv("winequality-red.csv", header = T, sep =";")
head(data.red, 1)
data.white <- read.csv("winequality-white.csv", header = T, sep =";")
head(data.white, 1)
```
---
## Добавяне на типа вино в таблицата
```{r, collapse = T, comment = "#"}
data.red <- transform(data.red, type = "red")
head(data.red, 1)
data.white <- transform(data.white, type = "white")
head(data.white, 1)
```
---
## Обединяване на данните
```{r, collapse = T, comment = "#"}
data <- rbind(data.red, data.white)
data[c(1, 2000), ]
```
---
## Как се филтрират редове и колони
```{r, collapse = T, comment = "#", warning = F}
library(dplyr)
nrow(data)
data.red <- filter(data, type == "red")
ncol(data.red)
names(data.red)[13]
data.red <- select(data.red, -type)
ncol(data.red)
```
За сравнение, филтрирането и махането на колона без dplyr:
```
data.red <- data[data$type == "red", ]
data.red <- data.red[, -which(names(data.red) == "type")]
```
---
## Подготвяне на данни за плотове
```{r, collapse = T, comment = "#", warning = F}
library(reshape2)
data.red <- select(filter(data, type == "red"), -type)
data.white <- select(filter(data, type == "white"), -type)
data.red.for.plot <- melt(data.red, id.vars = NULL)
data.white.for.plot <- melt(data.red, id.vars = NULL)
data.red.for.plot[1:7, ]
```
--- &twocol_left_width
## Плотове на червени вина
*** =left width:38%
```{r, collapse = T, comment = "#", eval = F}
library(ggplot2)
ggplot(data.red.for.plot,
aes(x = value)) +
facet_wrap(~variable,
scales = "free_x") +
geom_histogram()
```
*** =right width:58%
```{r, echo = F, warning = F}
library(ggplot2)
p <- ggplot(data.red.for.plot, aes(x = value)) +
facet_wrap(~variable, scales = "free_x") +
geom_histogram()
suppressMessages(print(p))
```
---
## Обобщаващи данни
```{r, collapse = T, comment = "#", eval = F}
library(psych); describe(data.red)
```
```{r, collapse = T, comment = "#", echo = F, warning = F, results = "asis"}
suppressMessages(library(psych))
suppressMessages(library(pander))
library(xtable)
print(xtable(describe(data.red)), type = "html")
```
<!-- pander(, style = 'rmarkdown', split.cells = Inf) -->
--- &twocol_left_width
## Плот на sulphates на червени вина
*** =left width:38%
```{r, collapse = T, comment = "#", eval = F}
data.red.sulphates = filter(
data.red.for.plot,
variable == "sulphates")
ggplot(data.red.for.plot,
aes(x = value))
+ geom_histogram()
```
*** =right width:58%
```{r, echo = F, warning = F}
data.red.sulphates = filter(data.red.for.plot, variable == "sulphates")
p <- ggplot(data.red.sulphates, aes(x = value)) + geom_histogram()
suppressMessages(print(p))
```
---
## Филтриране на силно отличаващи се стойности (outliers)
```{r, collapse = T, comment = "#", warning = F}
nrow(data.red)
data.red = filter(data.red, sulphates < 1.5)
nrow(data.red)
```
--- &twocol_left_width
## Проверка за колинеарност
*** =left width:38%
```{r, collapse = T, comment = "#", eval = F}
library(corrplot)
corrs <- cor(data.red,
use = "complete.obs")
corrplot(corrs,
method = "number")
```
*** =right width:58%
```{r, collapse = T, comment = "#", echo = F, warning = F}
library(corrplot)
corrs <- cor(data.red, use = "complete.obs")
corrplot(corrs, method = "number")
```
---
## Кoмбинираме стойности
```{r, collapse = T, comment = "#", warning = F}
data.red <- mutate(data.red,
acidity.density = (fixed.acidity + citric.acid + density - pH) / 3,
sulfur.dioxide = (free.sulfur.dioxide + total.sulfur.dioxide) / 2)
data.red <- select(data.red, -c(fixed.acidity, citric.acid, density,
free.sulfur.dioxide, total.sulfur.dioxide, pH))
head(data.red, 3)
```
--- &twocol_left_width
## Проверка за колинеарност (отново)
*** =left width:38%
```{r, collapse = T, comment = "#", eval = F}
corrs <- cor(data.red,
use = "complete.obs")
corrplot(corrs,
method = "number")
```
*** =right width:58%
```{r, collapse = T, comment = "#", echo = F, warning = F}
corrs <- cor(data.red, use = "complete.obs")
corrplot(corrs, method = "number")
```
---
## Линеен регресионен модел
```{r, collapse = T, comment = "#", warning = F, eval = F}
model <- lm(quality ~ volatile.acidity + residual.sugar + chlorides + sulphates +
alcohol + acidity.density + sulfur.dioxide, data = data.red)
summary(model)
```
--- &twocol_left_width
## Линеен регресионен модел (резултат)
```{r, collapse = T, comment = "#", echo = F, results='asis'}
model <- lm(quality ~ volatile.acidity + residual.sugar + chlorides + sulphates +
alcohol + acidity.density + sulfur.dioxide, data = data.red)
print(xtable(summary(model)), type = "html")
```
Имаме няколко променливи с добри показатели:
*** =left width:48%
- volatile.acidity
- chlorides
- sulphates
*** =right width:48%
- alcohol
- acidity.density
- sulfur.dioxide
---
## Класификационен модел
Трябва да групираме качеството на вината:
```{r, collapse = T, comment = "#"}
data.red <- mutate(data.red, quality.group = cut(quality, c(1, 5, 6, 10)))
head(data.red, 3)
table(data.red$quality.group)
```
--- &twocol_left_width
## Класификационен модел (2)
*** =left width:42%
```{r, collapse = T, comment = "#", eval = F}
library(rpart)
library(rpart.plot)
model <- rpart(quality.group ~
volatile.acidity +
residual.sugar +
chlorides + sulphates +
alcohol + acidity.density +
sulfur.dioxide,
data = data.red)
prp(model)
```
Извод: на-добрите вина са с между 11 и 12% алкохол и сулфати под 0.64
*** =right width:54%
```{r, collapse = T, comment = "#", echo = F, warning = F}
library(rpart)
library(rpart.plot)
data.red <- mutate(data.red, quality.group = cut(quality, c(1, 5, 6, 10)))
model <- rpart(quality.group ~ volatile.acidity + residual.sugar + chlorides + sulphates + alcohol + acidity.density + sulfur.dioxide, data = data.red)
prp(model)
```
---
## Благодаря!
<div style="height: 400px"> </div>
Кристиан Младенов
christian@intuitics.com
Презентация с код + данни: https://github.com/zhvihti/rintro