สรุปจากการหัดเขียนภาษา R ผ่าน CodeSchool

บทความนี้เป็นการบันทึกการเรียนรู้พื้นฐาน R จากเว็บไซต์ tryr.codeschool.com/ หลังจากได้ยินชื่อภาษา R มานานละ แต่ไ่มรู้ว่ามันคืออะไร รู้แต่ว่ามันใช้งานในด้าน Big Data วิเคราะห์ข้อมูล ซึ่งปัจจุบันกำลังสนใจแนวๆนี้อยู่ได้ ด้านล่างก็เป็นสิ่งที่ได้เรียนรู้จากเว็บข้างบนนั่นแหละ ไม่ได้ติดตั้ง R ลงในเครื่องแต่อย่างใด เรียนผ่าน Website แบบคร่าวๆเท่านั้น ส่วน Compiler ก็เลยใช้ตัว R Compiler Online ที่ r-fiddle.org สะดวกดี ซึ่งทั้งหมดสรุปได้ดังนี้ อาจจะมีมั่วบ้างโปรดใช้วิจารณญาณในการอ่านเอาเองเด้อ

Ch 1 : R Syntax

• Expressions เหมือนกับภาษาอื่นๆ
• boolean ใช้คีย์เวิร์ด TRUE และ FALSE (ตัวพิมพ์ใหญ่ทั้งหมด)
• TRUE และ FALSE เขียนแบบ short hand ได้ด้วย T และ F
• ประกาศตัวแปรและกำหนดค่าด้วยเครื่องหมาย <- เช่น x <- 20 สามารถ re-assign ได้
• ฟังค์ชัน ใช้คล้ายๆภาษาอื่น คือ ชื่อตามด้วยวงเล็บเปิด/ปิด เช่น sum(4, 5, 6)
• help(functionname) และ example(functionname) เอาไว้เปิดอ่าน doc ช่วยชีวิต
• รัน script ไฟล์ .R ด้วยคำสั่ง source(filename)

Ch 2 : Vectors

• เก็บข้อมูล vector ใช้ syntax c(1, 2, 3) (c ย่อมาจาก combine)
• vector เก็บข้อมูลชนิดอะไรก็ได้ c('a', 'b', 'c') แต่ต้องเป็นชนิดเดียวกัน
• vector ถ้าเก็บข้อมูลต่างชนิดกัน c(1, TRUE, "three") ทั้งหมดจะถูกแปลงเป็น characters
• sequence vector 5:9 มีค่าเท่ากับ seq(5, 9) ผลลัพธ์คือ 5 6 7 8 9
• seq() สามารถกำหนดค่าที่ต้องการจะ increase ได้ seq(5, 9, 0.5) ผลลัพธ์คือ 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0
• การ access ค่าที่อยู่ใน vector ใช้ index เหมือนกับภาษาอื่น แต่ต่างกันที่ ภาษา R เริ่มที่ index = 1

> sentence <- c('walk', 'the', 'plank')
> sentence[3]
[1] "plank"
> sentence[1]
[1] "walk"

• access multiple ได้ เช่นเลือก index 1 และ 3 sentence[c(1, 3)]
• สามารถตั้งชื่อ key ให้กับ vector ได้ด้วยฟังค์ชัน names() ตัวอย่าง

ranks <- 1:3
print(ranks)
names(ranks) <- c("first", "second", "third")
print(ranks)

ผลลัพธ์

[1] 1 2 3
 first second  third
     1      2      3

• ฟังค์ชัน barplot เอาไว้วาด Bar Graph จากค่า vectors ได้เลย (มี built-in ฟังค์ชันวาดกราฟมาด้วย เท่มาก)

data <- c(10, 7, 4, 13)
barplot(data)

• ถ้าเกิดใส่ names() ให้กับ vector มันก็จะใช้ชื่อเป็น label ของ graph

data <- c(10, 7, 4, 13)
names(data) <- c("First", "Two", "Three", "Four")
barplot(data)

• การเพิ่มค่าให้กับ vector จะเพิ่มค่าให้ทุกตัวใน vector ด้วย เช่น

> a <- c(1, 2, 3)
> a + 1
[1] 2 3 4

• บวกค่า vector 2 ตัวที่มีจำนวนเท่ากัน

a <- c(1, 2, 3)
b <- c(5, 6, 7)
print(a + b)

[1] 6 8 10

• ในกรณีที่ จำนวนค่าใน vector ไม่เท่ากัน ลองทดสอบดูจาก r-fiddle มันจะก็อปค่า vector ที่สั้นกว่า ให้ยาวเท่ากับ vector อันยาว แล้วถึงทำ operator เช่น

a <- c(1, 2, 3)
b <- c(2, 5, 3, 1, 2, 6, 7)
print(a+b)

[1] 3 7 6 2 4 9 8

ได้ผลลัพธ์เท่ากับ [1] 3 7 6 2 4 9 8 เพราะว่า มันจะกลายเป็น

a <- c(1, 2, 3, 1, 2, 3, 1)
b <- c(2, 5, 3, 1, 2, 6, 7)

• (ถ้า vector b ยาวมากๆ vector a ก็จะมีค่า 1, 2, 3, 1, 2, 3, ... ไล่ไปเรื่อยๆ จนกว่าความยาวจะเท่ากับ vector b อันนี้ตามความเข้าใจจากการลองเล่นดูผ่าน r-fiddle ไม่รู้ถูกมั้ย :)
• เปรียบเทียบ vector ด้วย == จะเป็นการเปรียบเทียบค่าแต่ละตัวใน vector
• ฟังค์ชันสามารถรับ args เป็น vector ได้ เช่น sqrt(c(2, 4, 16)) หรือ sin(c(2, 3, 4))
• ฟังชัน plot รับ args เป็น vector 2 ตัว คือ ค่าแกน x และค่าแกน y plot(x, y)
• NA คือ Not Available หากบวกค่าด้วย NAจะได้ผลลัพธ์เป็น NA ต้องกำหนด na.rm = TRUE ซะก่อน

result = sum(c(2, 3, NA, 7), na.rm = TRUE)
print(result)

[1] 12

Ch 3 : Matrices

• matrix(0, 3, 4) ทำการสร้าง matrix ขนาด 3 แถว 4 คอลัม ทั้งหมดมีค่าเป็น 0
• สร้าง matrix จาก vector ด้วย

a <- 1:12
m = matrix(a, 3, 4)
> print(m)

     [,1] [,2] [,3] [,4]
[1,]    1    4    7   10
[2,]    2    5    8   11
[3,]    3    6    9   12

• สร้าง matrix ด้วยฟังค์ชัน dim() โดยการรับ args เป็น vector และ assign ค่าเป็น vector ที่ระบุ แถวและคอลัม เช่น

plank <- 1:8
dim(plank) <- c(2, 4)
> print(plank)

     [,1] [,2] [,3] [,4]
[1,]    1    3    5    7
[2,]    2    4    6    8

Ch 4 : Summary Statistics

• mean() หาค่าเฉลี่ยของเซตข้อมูล เช่น mean(c(2, 3, 4, 5, 6))
• abline() เอาไว้สำหรับ draw line โดยรับ args เป็น h เช่น

data <- 1:4
names(data) <- c("One", "Two", "Three", "Four")
barplot(data)
abline(h = mean(data))

• median() คือการหาค่า median วิธีการหาค่า median คือ ทำการ sort ข้อมูลเรียงลำดับจากน้อยไปมากก่อน แล้วจากนั้นเลือกค่ากึ่งกลางมา ถ้าค่ากึ่งกลางมี 2 ค่าก็ให้เฉลี่ยจากค่า 2 ค่านั้นอีกทีหนึ่ง

data <- c(8, 3, 1, 9)
print(median(data))

[1] 5.5

• Standard Deviation หรือ sd คือค่าเบี่ยงเบนมาตรฐาน เป็นการกระจายข้อมูลและแจกแจงความน่าจะเป็น คุ้นๆเหมือนเคยเรียนตอนสมัยมัธยม :) ส่วนวิธีการลืมหมดแล้ว

Ch 5 : Factors

• factor() เป็นการรวมกลุ่มของ vector ให้เป็น unique โดยมี Levels กำกับ
• ค่าของ Levels ใน Factor ไม่ได้เป็น String แต่เป็น integer reference

chests <- c('gold', 'silver', 'gems', 'gold', 'gems')
types <- factor(chests)

print(chests)
print(types)

[1] "gold"   "silver" "gems"   "gold"   "gems"
[1] gold   silver gems   gold   gems
Levels: gems gold silver

• as.integer() เอาไว้ใช้แสดง integer reference ของ factor
• levels() แสดงเฉาพะ factor level
• Plot graph ด้วยการใช้ 2 factors ก็ได้

weights <- c(300, 200, 100, 250, 150)
prices <- c(9000, 5000, 12000, 7500, 18000)
plot(weights, prices)

แต่ว่าจะดูไม่ออกว่าข้อมูลไหนคือ weights หรือ prices ถ้าหากมีข้อมูลเยอะๆ

• ใช้ pch เป็น args เพื่อแสดงสัญลักษณ์ข้อมูลที่แตกต่างกัน (วงกลม, สามเหลี่ยม, บวก)
• legend() เอาไว้อธิบายเพิ่มเติมว่า แต่ละสัญลักษณ์มันคืออะไร เช่น แสดงที่บนขวามือของกราฟ

chests <- c('gold', 'silver', 'gems', 'gold', 'gems')
types <- factor(chests)

weights <- c(300, 200, 100, 250, 150)
prices <- c(9000, 5000, 12000, 7500, 18000)
plot(weights, prices, pch=as.integer(types))

legend("topright", c("gems", "gold", "silver"), pch=1:3)

เปลี่ยน legend() ที่เป็น hard code อยู่ เป็น

legend("topright", levels(types), pch=1:length(levels(types)))

Ch 6 : Data Frames

• Data Frame ในภาษา R เปรียบเสมือนฐานข้อมูล เช่น ตัวอย่างอธิบายว่าหากเก็บข้อมูล weights, prices และ types หากเพิ่มค่าใดค่าหนึ่ง ก็ต้องจำและเพิ่มมค่าอื่นๆตามด้วย จึงใช้ Data Frame เข้ามาช่วยรวมข้อมูลทั้ง 3 เป็น Data Structure ตัวเดียวกัน

จากข้อมูลด้านล่าง types, weights และ prices

chests <- c('gold', 'silver', 'gems', 'gold', 'gems')

types <- factor(chests)
weights <- c(300, 200, 100, 250, 150)
prices <- c(9000, 5000, 12000, 7500, 18000)

เมื่อเก็บข้อมูลเป็น Data Frames จะเป็นแบบนี้

treasure <- data.frame(weights, prices, types)
print(treasure)

  weights prices  types
1     300   9000   gold
2     200   5000 silver
3     100  12000   gems
4     250   7500   gold
5     150  18000   gems

• การ access data frame ทำเหมือนกันกับ matrix แต่ว่า ใช้ [[]] (double brackets)

print(treasure[[2]])
print(treasure[["weights"]])

[1]  9000  5000 12000  7500 18000
[1]  300 200 100 250 150

• ใช้ $ เพื่อ access data frame โดยระบุชื่อของ data คล้ายๆกับ dot notation ของภาษาอื่นๆ

print(treasure$prices)

[1]  9000  5000 12000  7500 18000

• read.csv(filename) เอาไว้สำหรับโหลดไฟล์ .csv โดยชื่อไฟล์ ได้มาจาก list.files()
• ข้อมูลที่ไม่ใช่ comma seperate แต่คั่นด้วยอย่างอื่น เช่น | หรือแท็ป จะใช้ฟังค์ชัน read.table() โดยรับ args 2ตัว คือชื่อไฟล์ และ sep สัญลักษณ์ที่ใช้คั่นข้อมูล

read.table('infantry.txt', sep = "\t")

           V1       V2
1        Port Infantry
2 Porto Bello      700
3   Cartagena      500
4 Panama City     1500
5      Havana     2000

โดยจะมี Column Header V1, V2, ... Vn แทรกมา วิธีการก็ต้องเพิ่มอีก args ลงไป

read.table("infantry.txt", sep="\t", header=TRUE)

         Port Infantry
1 Porto Bello      700
2   Cartagena      500
3 Panama City     1500
4      Havana     2000

• merge() ใช้สำหรับรวม Data Frame เข้าด้วยกัน โดยการรวม column ที่ชื่อเหมือนกัน

Ch 7 : Working With Real-World Data

• แสดงตัวอย่าง Real World Data โดยมีข้อมูล GDP ของแต่ละประเทศ และเปอเซนการใช้ซอฟแวร์ละเมิดลิขสิทธิ์ของแต่ละประเทศ เมื่อโหลดข้อมูลผ่าน read.table() และทำการ merge() แล้ว plot() กราฟออกมาได้เหมือนในรูป

• จากกราฟแสดงว่าประเทศที่มี GDP สูง จะมีเปอร์เซนการใช้ซอฟแวร์เถื่อนต่ำ แต่ว่าข้อมูลแค่นี้จะเพียงพอต่อหรือไม่?
• cor.test() เป็นฟังค์ชันที่เราไว้ทดสอบความสัมพันธ์ของ 2 vectors

cor.test(countries$GDP, countries$Piracy)

Pearson's product-moment correlation

data:  countries$GDP and countries$Piracy
t = -14.8371, df = 107, p-value < 2.2e-16
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.8736179 -0.7475690
sample estimates:
       cor
-0.8203183

• ค่า p-value คือ Probability Value เหมือนเคยเรียนวิชา Probability คุ้นๆมากแต่ลืมว่ามันคืออะไร เอาเป็นว่าเป็นผลการทดสอบสมมติฐานหรือยอมรับสมมติฐาน ซึ่งในบทเรียนเค้าบอก ถ้าน้อยกว่า 0.05 แสดงว่ายอมรับในสมมติฐาน ซึ่งตามข้อมูล ก็คือ GDP มันแปรผกผันกับซอฟแวร์ละเมิดลิขสิทธิ์อยู่

• lm() เป็นฟังค์ชันที่รับ args เป็น model formula คือรับค่า response variable (เปอเซนการละเมิดลิขสิทธิ์) กับ predictor variable (GDP) โดยมี ~ คั่นกลาง

line <- lm(countries$Piracy ~ countries$GDP)
abline(line)

• ggplot2 เป็น graphic package ที่ช่วยให้กราฟดูสวยขึ้น
• การติดตั้งและเรียกใช้ package ด้วย install.packages("ggplot2")
• ตัวอย่างเมื่อใช้ ggplot2

weights <- c(300, 200, 100, 250, 150)
prices <- c(9000, 5000, 12000, 7500, 18000)
chests <- c('gold', 'silver', 'gems', 'gold', 'gems')
types <- factor(chests)

qplot(weights, prices, color = types)

สรุป

หลังจากได้ทดลองเรียน R Language แล้วรู้สึกว่ามันเป็นภาษาที่เหมาะกับด้าน Data โดยตรงเลย นอกจากความรู้เรื่องโปรแกรมมิ่งแล้ว ยังต้องมีพวก Math มาเกี่ยวข้องด้วย ตอนที่ได้ลองอ่านก็ได้เจอศัพท์คุ้นๆที่เคยได้เรียน ได้ผ่านมาสมัยมัธยมปลายเพียบเลย คงต้องกลับไปทบทวนกันยกใหญ่เลยทีเดียว :)