Samenvatting digital methods

R LES 1: introduction to R
In pc: ‘R les 1 MyScript’

formule uitleg
MySum <- 3+2 Variabele MySum aanmaken
MyVector <- c (1,2,3,4) Variabele met meerdere waarden aanmaken
!! c niet vergeten  dan pas wordt hele lijst
nummers opgenomen
MyVector <- c (1:6) Variabele aanmaken met waarden 1-6
!! c niet vergeten  dan pas wordt hele lijst
nummers opgenomen
MyVector <- c (“Hello”, “world”) Variabele aanmaken met tekst elementen
!! c niet vergeten  dan pas wordt hele lijst
nummers opgenomen
SUBSETTING
MyVector [1] Subsetting: geeft de eerste waarde van de
vector
!! [ ] betekent dat je specifieke waarde eruit wilt
halen
MyVector [2-5] Subsetting: geeft de 2e en de 5e waarde uit de
vector
!! 2 en 5 indiceren de positie van het nummer
dat je wilt, niet het nummer zelf
MyVector [-1] Subsetting: selecteert alle nummers behalve het
eerste
MyVector [ c ( 1, 3)] Subsetting: geeft de eerste en de derde waarde
!! c toont dat je zowel 1e als 3e wil
FUNCTIES
Sum (2,3) Som van 2 en 3 = 5
Length (MyVector) Toont hoeveel waarden de vector heeft
Str (MyVector) Toont structuur van de waarde:
 Toont aantal waarden
 Toont de reeks waarden
 Toont soort variabele
o Numeric (1,2)
o Integer (1)
o Character (Hello world)
o Logical (true/false)
Class (MyVector) Toont alleen het soort variabele (numeric,
character…)
Summary (MyVector) Geeft statistische samenvatting:
 Minimum
 Maximum
 1e, 2e en 3e kwartiel
 Mediaan
 Gemiddelde
!! alleen voor ‘numerics’
Summary (MyVector) [4] Subsetting: alleen het vierde element van de

, summary opvragen: dit geeft alleen de mediaan
Mean (MyVector) Geeft het gemiddelde van de vectorreeks
Mean (3,2,5) Gemiddelde van de waarden 3, 2 en 5
Rnorm (n=1000, mean=5, sd=3) Iets een normaal verdeling maken:
 N = aantal observaties dat je wilt
 Mean= gemiddelde dat je wilt
 Sd = standaardafwijking die je wilt

Dan kan je deze normaalverdeling opslaan als
een object: MyNorm <- rnorm (n=1000, mean =
5, sd = 3)
Head (MyNorm) Geeft de 5 eerste cases van je normaalverdeling
Head (MyNorm,10) Geeft de 10 eerste cases van je
normaalverdeling
Tail (MyNorm) Geeft de 5 laatste cases van je
normaalverdeling
Tail (MyNorm, 10) Geeft de 10 laatste cases van je
normaalverdeling
Plot (MyNorm) Maakt scatterplot van de 1000 waarden
(allemaal bolletjes)
Abline (h=5, col= “blue”) Tekent lijn door het scatterplot
 H = horizontale lijn op waarde 5
 Col= lijn heeft kleur blauw
!! werkt alleen in scatterplots dus eerst functie
plot () gebruiken
Hist (MyNorm) Geeft histogram van je verdeling  checken of
ze wel echt normaal verdeeld is

!! toevoegen, breaks = 10
Bv 10 om meer detail in histo te krijgen
 Hist (MyNorm, breaks =10)
DATAFRAMES/DATASETS
Data.frame (id, height, gender) Maakt een dataset/tabel van de variabelen id,
height en length
!! eerst dus variabelen id enz aanmaken: id <-
c(1,2,3). Height <- c(185,186,190). Gender <-
c(“M”, “V”, “X”)

Dan kan je je dataframe opslaan als een object,
vb MyDataframe
MyDataframe [1,3] Subsetting: uit de volledige dataframe krijg je rij
1 en kolom 3  waarde die hiermee
overeenkomt
!! eerst rijnummer, dan kolomnummer

, Logical operators:




In pc: ‘R les 1 MyProject’
DATA INLEZEN EN OPSLAAN
Read.csv (“exacte naam van excel bestand”) Dit leest je excel bestand in R in
Read.csv2 (“exacte naam”) Als je een tweede bestand wil inlezen
Telco <- read.csv (“x”) Dit geeft je excel bestand een naam om beter
mee te werken
Save (telco, file= “Telco.Rda”) Dataset in R opslaan als R dataset
 Eerst: naam van dataset
 Tweede: .Rda erna als manier om het
op te slaan
Load ( “Telco.Rda”) Dit laadt de dataset opnieuw op in de
environment
FUNCTIES
Rm () Datasets uit environment verwijderen. Tussen
haakjes de datasets namen zetten die je weg wil
Telco$gender Geeft alle waarden uit de kolom gender
 Eerst: naam van dataset waaruit
specifieke rij/kolom gehaald moet
worden
 Naam van rij/kolom die je wilt
!! rij en dataset moeten exact worden
overgetypt: hoofdletters, leestekens….
Subset (telco, gender == “Female”) Hier wordt gesubset: alle females hun info
wordt uit de dataset gehaald
 Eerst: dataset waaruit het gehaald
wordt
 Dan: condition
o Hier: gender moet female zijn
want willen de vrouwen
Je kan deze subset van vrouwen opslaan als
object: Telco_female <- subset (telco, gender ==
“Female”)