Ki Beom Kim

Ki Beom Kim

der Wille zur Macht,

© 2022

Dark Mode

[R을 이용한 데이터분석] 데이터분석에 유용한 R 함수 정리
Oct 5, 2021
  • R

which()

TRUE 값들의 벡터/데이터프레임 내 인덱스를 반환한다.

  • which(TRUE/FALSE 반환하는 어떤 조건)

complete.cases()

벡터에서는 NA 값이 아닌 값들에 TRUE 반환, NA 값들에 대해서는 FALSE 반환한다.

데이터프레임에서는 NA값을 포함하지 않는 데이터레코드(행)에 대해 TRUE 반환한다.

NA값 포함하는 데이터레코드(행)에 대해서는 FALSE 반환한다.

is.na()

벡터/데이터프레임 내에 NA값에 대해서는 TRUE 반환, NA 아닌 값에 대해서는 FALSE 반환한다.

str()

데이터프레임의 구조를 출력해준다.

structure() 를 뜻한다.

gsub(): 텍스트마이닝에 매우 유용할 듯 하다.

gsub(‘a’, ‘’, ‘abcdef’)

abcdef 에서 a 를 ‘’ 로 변환해라는 말이다.

gsub(‘,’,’’, ‘22,345’)

22,345 에서 , 찾아서 ‘’ 로 바꾸라는 말이다.

apply()

apply(행렬, MARGIN=, FUN=)

  • MARGIN: 1을 하면 행, 2를 하면 열
  • FUN: 행렬의 행. 열에 적용할 함수

pnorm()

정규분포에서 $P(X \leq x)$ 계산한다.

  • pnorm(x, $\mu$, $\sigma$, lower.tail=TRUE)

  • lower.tail=FALSE 이면, $P(X > x)$ 계산한다.

예를 들어 정규분포에서 $X=5$ 와 $X=10$ 사이 수가 실현될 확률을 알고 싶다면, 다음과 같이 명령할 수 있다.

$\Rightarrow$

$P(5 \leq x)$ and $P(x \leq 10)$

pnorm(10, 평균, 표준편차, lower.tail=TRUE) - pnorm(5, 평균, 표준편차, lower.tail=TRUE)

qnorm()

정규분포에서 특정 면적에 해당하는 $x$ 값을 계산해준다.

  • qnorm(면적넓이(확률값), $\mu$, $\sigma$)

예를 들어 정규분포에서 상위 10% 면적의 시작점에 해당하는 $x$ 값을 찾고 싶다면, 다음과 같이 하면 된다.

qnorm(0.9, 평균, 표준편차)

quantile()

데이터셋 원소 중 각 % 별 분위수 알려주는 명령이다.

  • quantile(데이터, probs=seq(몇 분위수로 할 것인가?))
quantile(cust$age, probs=seq(0,1,by=0.2))

probs에 0, 0.2, 0.4, 0.6, 0.8, 1 을 넣었다.

곧, 데이터 중 0%, 20%, 40%, 60%, 80%, 100% 에 해당하는 데이터를 반환하라는 뜻이다.

Screen Shot 2021-10-14 at 23 27 53

cut()

데이터셋을 몇 개 구간으로 나눠 묶어주는(쪼개주는) 명령이다.

cut(벡터, breaks=, labels=, include.lowest=TRUE, right=FALSE)
  • breaks: bin 경계에 해당하는 값들 벡터 꼴로 입력한다. 또는 몇 개 구간으로 나눌건지 정수 n 넣어도 된다. (5개 구간으로 쪼갤 거면 breaks=5 넣으면 된다)
  • labels: 각 bin에 label(이름, 카테고리값)을 붙인다
  • right=FALSE: 간격이 왼쪽으로는 닫혀있고 오른쪽으로는 열려있게 하는 옵션이다
  • include.lowest=TRUE: right=FALSE 옵션과 함께 쓴다. 가장 큰 값이 마지막 bin에 포함되도록 한다.

levels()

cut과 함께

levels(cut(데이터셋, breaks=5)) 이런 식으로 쓰면

데이터셋을 쪼갠 각 5개 구간 범위(시작점-끝점)를 보여준다.

paste()

paste(벡터1, 벡터2, 벡터3)
  • 벡터 1,2,3 을 요소별로 ‘합친다’
  • 요소들을 하나로 이어 붙여서 문자열 하나로 만든다.

그림 보면 이해가 쉽다.

Screen Shot 2021-10-12 at 23 00 34

이런 식으로 만든다는 거다.

만약

벡터1 다음에 벡터2가 아니라 문자 하나가 오면 어떻게 될까?

paste(벡터1, '%')

일종의 브로드캐스팅해서, 벡터1의 모든 원소에 %를 붙여준다.

table()

도수분포표 출력해준다.

  • 각 변숫값 별로 총 몇번 실현됬는지 알려준다.

file.choose()

interactive 하게 데이터셋을 불러올 수 있다.

file.choose()

# 또는 

read.csv(file.choose()) -> 객체이름

# 이렇게 쓴다.

round()

반올림 함수다.

round(데이터, digits=2) # 반올림해서 소수 둘째자리까지 나타내라

log()

log(벡터) 이런 식으로 쓰면 벡터 각 요소에 자연로그 취해준다.

log(vector1)

log10()

log10(벡터) 이런 식으로 쓰면 벡터 각 요소에 상용로그 취해준다.

as.Date()

데이터를 날짜 자료형으로 바꿔준다.

as.Date(날짜형으로 바꿀 데이터, format='%m/%d/%Y')

format 에서

  • %m : R에게 ‘날짜형으로 바꿀 데이터’ 에서 / 맨 앞자리를 ‘월’로 인식해라
  • %d : R에게 ‘날짜형으로 바꿀 데이터’ 에서 / 중간 자리를 ‘일’로 인식해라
  • %Y : R에게 ‘날짜형으로 바꿀 데이터’ 에서 / 맨 뒷자리를 ‘연’로 인식해라

날짜형으로 바꿀 데이터가 ‘1990-08-21’ 이렇게 생겼으면 format에 ‘/’ 대신 ‘-‘ 써야 한다.

‘%Y-%m-%d’ 이런 식이다. 이래야 똑바로 인식한다.

만약 ‘18900623’ 이라면 format 에는 ‘%Y%m%d’ 이렇게 넣어야 똑바로 인식하고, date 자료형으로 바꿔준다.

difftime()

두 date 사이에 ‘몇 일’의 간격이 있는지 계산해주는 함수다.

difftime(끝나는date, 시작하는date)

floor()

내림 함수다. 곧, 실수에서 자기자신보다 작지만 그중 가장 큰 수 반환한다.

fivenum()

벡터가 담고 있는 데이터 중 최솟값, 1분위수, 중앙값, 3분위수, 최댓값 반환하는 함수다.

fivenum이 사분위 수 구하는 알고리듬은 다음과 같다.

  • 전체 표본 중에 중앙값을 찾는다. (50% 사분위수)
  • 중앙값 이하 왼쪽 데이터를 찾는다. 그것들 중 다시 중앙값을 찾는다(25% 사분위수)
  • 중앙값 이상 오른쪽 데이터를 찾는다. 그것들 중 다시 중앙값을 찾는다(75% 사분위수)
  • 2에서 계산한 값을 1분위수(lower hinge), 3에서 계산한 값을 3분위수(upper hinge) 라고 한다. boxplot도 이거랑 똑같은 알고리듬 써서 1,3 사분위수 구한다.

summary, quantile 은 훨씬 복잡한 알고리듬 써서 1,3 사분위수 구한다.

months()

date 자료형 갖는 데이터에 적용할 수 있다. date 벡터에 적용한다면, 벡터 각 요소에서 ‘월’에 해당하는 문자열만 모아서 새 벡터 만든다.

months(cust$BirthDate) -> cust$birthmonth

print(cust$birthmonth)

Screen Shot 2021-10-16 at 13 28 02

match()

match(첫번째 벡터, 두번째 벡터. nomatch=0)

첫번째 벡터의 각 요소가 두번째 벡터에서 몇 번째에 있는지 알려준다.

곧, 인덱스 넘버를 반환한다.

만약 첫번째 벡터 요소가 두번째 벡터에 없으면 NA 값 반환한다.

nomatch= argument 를 써서, NA 대신 다른 값 반환하게 할 수도 있다(위 경우는 0 반환)

예를 들면

아래 데이터를

Screen Shot 2021-10-16 at 13 28 02

match(cust$birthmonth, c('1월', '2월','3월', '4월', '5월', '6월', '7월','8월','9월','10월','11월','12월'))-> cust$birthmonth
head(cust$birthmonth)

위 코드를 써서

Screen Shot 2021-10-14 at 23 25 13

이렇게 바꿀 수 있다.

View()

전체 데이터프레임을 생략없이 엑셀-스프레드시트 느낌으로 보여준다.

View(df)

weekdays()

해당 날짜가 무슨 요일인지 알려준다.

weekdays(as.Date('2000-12-25'))

월요일을 반환할 것이다.

format()

아래와 같이 사용하면 date 값에서 특정 부분만 떼어서 반환해준다.

format(as.Date('2000-12-25'), '%Y')
format(as.Date('2000-12-25'), '%d')
format(as.Date('2000-12-25'), '%m')

‘2000’

‘25’

‘12’

Sys.Date() & Sys.time()

sys.date 는 오늘 날짜(연도-월-일) 알려준다.

sys.time 은 오늘 날짜와 시간 알려준다.

Sys.Date()
Sys.time()

Screen Shot 2021-10-14 at 23 44 25

assign()

iterator 를 어떤 객체에 할당시켜주는 함수

assign('x', c(1,2,3,4,5))

5차원 열벡터를 x라는 객체에 할당하라는 의미다.

rep()

반복 명령이다.

기본 쓰임새는 아래와 같다. 물론 사용방법도, 옵션도 다양하다.

x5 <- rep(x(벡터이름), times=5) # 벡터 x를 다섯번 반복해서 x5 객체에 넣어라

객체 이름 x5인 25차원 열벡터 하나가 생성될 것이다.

또 다른 사용 예

x6 <- rep(x(벡터이름), each=7) # 벡터 x 각 요소를 7번씩 반복한 다음 x6에 넣어라

Screen Shot 2021-10-16 at 16 13 07

cbind()

열벡터 끼리 묶어라는 명령이다

cbind(열벡터1, 열벡터2)

Screen Shot 2021-10-16 at 16 43 42

이런 식으로 묶인다. freq, relative_freq 둘 다 열벡터다.

rbind()

행벡터 끼리 묶어라는 명령이다.

열벡터를 전치연산 해서 행벡터로 만들고, 두개를 묶는다.

rbind(열벡터1, 열벡터2)

Screen Shot 2021-10-16 at 16 46 06

pie()

파이차트 그리는 명령이다.

pie(x, labels=값 별로 붙일 라벨, main='파이차트 이름')

Screen Shot 2021-10-16 at 16 52 06

R 내장 pie chart 는 별로 예쁘진 않다.

cumsum()

벡터를 넣으면 각 요소의 누적합을 출력해준다.

x<- c(1,2,3,4,5)
cumsum(x)

1,3,6,10,15

이런 식 이다.

stem()

줄기-잎 그림 그리는 명령이다.

stem(벡터)

Screen Shot 2021-10-16 at 17 06 19

이런 식의 그림이 그려진다.

가장 왼쪽 숫자들은 10단위수다. 오른쪽 숫자들은 1단위수들이다.

위 그림에서 같은 10단위수가 2개 존재하는 건, 길이가 너무 길어서 길이 줄이려고 이렇게 된거다.

  • 장점 : 모든 자료 각각의 값을 세세하게 알 수 있다. (최소, 최대 등)
  • 히스토그램은 구간에 몇 개가 있는지만 알 수 있다.
  • 또, 히스토그램 역할도 한다. 대강의 히스토그램 모양이다.
  • 이름의 유래 : 왼쪽에 있는 값들을 stem 이라고 부른다(가지, 줄기) / 오른쪽 숫자들을 leaf (잎) 이라고 부른다.

boxplot()

표본값들을 이용해서 box-whisker plot 을 그린다.

*box-whisker plot 그리는 데 필요한 정보

  • 1사분위수(1Q)
  • 2사분위수(2Q, = 중앙값)
  • 3사분위수(3Q)
  • IQR(표본 사분위수 범위, Inter Quartile Range): 3사분위수 - 1사분위수
  • 1.5 $\times$ IQR
  • 1.5IQR + 3사분위수 구간 내 최댓값
  • 1사분위수 - 1.5IQR 구간 내 최솟값
  • 그 외 아웃라이어 값들 (일반 박스 플롯은 아웃라이어 값 표시하지 않는다)
boxplot(벡터, range=1.5)
# range=1.5가 디폴트 값이다. 최댓값 - 최솟값(표본범위) 구간 조정한다. 
# range=0 주면 일반 박스 플롯 나온다(최소-최대 구간에 아웃라이어도 모두 포함한다)
# range 값 *IQR에 따라 최댓값-최솟값 구간 형성한다.

예를 들어 range가 0이면, 이런 식이다.

# range=1.5 일 때
test<- c(15, 17, 18, 18, 19, 20, 20, 22, 23, 25, 26, 99)
# 99는 아웃라이어
boxplot(test, range=1.5)

Screen Shot 2021-10-16 at 19 49 31

# range=0 일 때
boxplot(test, range=0)

Screen Shot 2021-10-16 at 19 50 19

range=0 이 되니까 표본범위 안에 아웃라이어까지 포함하고 있다.