exam <- read.csv("csv_exam.csv")exam[] # 조건 없이 전체 데이터 출력
exam[1,] # 1행 추출
exam[2,] # 2행 추출
exam[exam$class == 1,] # class가 1인 행 추출
exam[exam$math >= 80,] # 수학점수가 80점 이상인 행 추출
# 1반 이면서 수학점수가 50점 이상
exam[exam$class == 1 & exam$math >= 50,]
# 영어점수가 90점 미만이거나 과학점수가 50점 미만
exam[exam$english < 90 | exam$science < 50,]
exam[,1] # 첫 번째 열 추출
exam[,2] # 두 번째 열 추출
exam[,3] # 세 번째 열 추출
exam[, "class"] # class 변수 추출
exam[, "math"] # math 변수 추출
exam[,c("class", "math", "english")] # class, math, english 변수 추출# 행, 변수 모두 인덱스
exam[1,3]
# 행 인덱스, 열 변수명
exam[5, "english"]
# 행 부등호 조건, 열 변수명
exam[exam$math >= 50, "english"]
# 행 부등호 조건, 열 변수명
exam[exam$math >= 50, c("english", "science")]
- dplyr과 내장 함수의 차이 : 가독성의 차이, dplyr 코드가 논리의 흐름대로 구조화 되어있기 때문에 가독성이 높고 이해하기 쉬움
# 내장 함수 코드
exam$tot <- (exam$math + exam$english + exam$science)/3
aggregate(data=exam[exam$math >= 50 & exam$english >= 80,], tot~class, mean) # 범주형 요약 통계량을 구하는 내장 함수
# dplyr 코드
exam %>%
filter(math >= 50 & english >= 80) %>%
mutate(tot = (math + english + science)/3) %>%
group_by(class) %>%
summarise(mean = mean(tot))
var1 <- c(1,2,3,1,2) # numeric 변수 생성
var1 # numeric 변수 출력
# [1] 1 2 3 1 2
var1+2 # numeric 변수로 연산
# [1] 3 4 5 3 4
class(var1) # "numeric"
levels(var1) # 범주 구성 확인, NULL
mean(var1)
# [1] 1.8
var2 <- factor(c(1,2,3,1,2)) # factor 변수 생성
var2 # factor 변수 출력
# [1] 1 2 3 1 2
# Levels: 1 2 3
var2+2 # factor 변수로 연산
# [1] NA NA NA NA NA
# Warning message:
# In Ops.factor(var2, 2) : 요인(factors)에 대하여 의미있는 ‘+’가 아닙니다.
class(var2) # "Factor"
levels(var2) # [1] "1", "2", "3"
mean(var2)
# [1] NA
var3 <- c("a", "b", "b", "c") # 문자 변수 생성
var4 <- factor(c("a", "b", "b", "c")) # 문자로 된 factor 변수 생성
var3
# [1] "a" "b" "b" "c"
var4 # factor 변수로 만들 시 Levels가 같이 출력
# [1] a b b c
# Levels: a b c
class(var3)
# "character"
class(var4)
# "factor"
- 변수 타입 바꾸기
- as.numeric()
- as.factor()
- as.character()
- as.Date()
- as.data.frame()
var2 <- as.numeric(var2) # numeric 타입으로 변환
mean(var2) # 함수 재적용
class(var2) # 타입 확인
levels(var2) # 범주 확인
- 다양한 변수 타입
- numeric : 실수
- integer : 정수
- complex : 복소수 (3 + 2i)
- character : 문자
- logical : 논리
- factor : 범주
- Date : 날짜
- 벡터 : 하나의 값 또는 여러 개의 값으로 구성된 데이터 구조
# 벡터 만들기
a <- 1
a
# [1] 1
b <- "hello"
b
# [1] "hello"
# 데이터 구조 확인
class(a)
# "numeric"
class(b)
# "character"
- 데이터프레임 : 행과 열로 구성된 2차원 데이터 구조
# 데이터프레임 만들기
x1 <- data.frame(var1 = c(1,2,3),
var2 = c("a","b","c"))
x1
# var1 var2
# 1 1 a
# 2 2 b
# 3 3 c
# 데이터 구조 확인
class(x1)
# "data.frame"
- 매트릭스 : 한 가지 변수 타입으로만 구성할 수 있는 행과 열로 구성된 2차원 데이터 구조
# 매트릭스 만들기 - 1~12로 2열
x2 <- matrix(c(1:12), ncol = 2)
x2
# [,1] [,2]
# [1,] 1 7
# [2,] 2 8
# [3,] 3 9
# [4,] 4 10
# [5,] 5 11
# [6,] 6 12
# 데이터 구조 확인
class(x2)
# "matrix" "array"
# array 만들기 - 1~20으로 2행 x 5열 x 2차원
x3 <- array(1:20, dim = c(2, 5, 2))
x3
# , , 1
#
# [,1] [,2] [,3] [,4] [,5]
# [1,] 1 3 5 7 9
# [2,] 2 4 6 8 10
#
# , , 2
#
# [,1] [,2] [,3] [,4] [,5]
# [1,] 11 13 15 17 19
# [2,] 12 14 16 18 20
# 데이터 구조 확인
class(x3)
# "array"
- 리스트 : 모든 데이터 구조를 포함하는 데이터 구조
# 리스트 생성 - 앞에서 생성한 데이터 구조 활용
x4 <- list(f1 = a, # 벡터
f2 = x1, # 데이터 프레임
f3 = x2, # 매트릭스
f4 = x3) # 어레이
x4
# $f1
# [1] 1
#
# $f2
# var1 var2
# 1 1 a
# 2 2 b
# 3 3 c
#
# $f3
# [,1] [,2]
# [1,] 1 7
# [2,] 2 8
# [3,] 3 9
# [4,] 4 10
# [5,] 5 11
# [6,] 6 12
#
# $f4
# , , 1
#
# [,1] [,2] [,3] [,4] [,5]
# [1,] 1 3 5 7 9
# [2,] 2 4 6 8 10
#
# , , 2
#
# [,1] [,2] [,3] [,4] [,5]
# [1,] 11 13 15 17 19
# [2,] 12 14 16 18 20
# 데이터 구조 확인
class(x4)
# "list"
- 리스트 구조를 다루는 문법을 이용하면 원하는 값을 추출할 수 있음
mpg <- ggplot2::mpg
x <- boxplot(mpg$cty)
x
# $stats
# [,1]
# [1,] 9
# [2,] 14
# [3,] 17
# [4,] 19
# [5,] 26
#
# $n
# [1] 234
#
# $conf
# [,1]
# [1,] 16.48356
# [2,] 17.51644
#
# $out
# [1] 28 28 33 35 29
#
# $group
# [1] 1 1 1 1 1
#
# $names
# [1] "1"
x$stats[,1] # 요약 통계량 추출
# [1] 9 14 17 19 26
x$stats[,1][3] # 중앙값 추출
# [1] 17
x$stats[,1][2] # 1분위수 추출
# [1] 14
