안녕하세요. 우주신 입니다.


오늘은 R 프로그래밍의 반복문에 대해 포스팅 하겠습니다.


언어마다 반복문의 문법이 조금씩 다르지만, 기본원리는 다 같습니다. 


for() / while() / repeat()



1. for문


먼저, 가장 많이 쓰이는 for문 입니다. 


  for( i in data ){

      i를 사용한 문장

  }


구구단 중 2단을 for문을 활용해 출력해보겠습니다.


먼저, i가 1일 때 { } 안에 있는 문장들을 실행하고 다시 ( ) 안의 조건으로 돌아온 후,

i가 2일 때 { } 안에 있는 문장들을 실행하고 다시 ( ) 안의 조건으로 돌아온 후,

... 

반복해서 i가 9일 때 까지 문장들을 실행하는 원리 입니다.



2. while문


다음은 while문 입니다. 


  while( 조건 ){

 조건이 참일 때 수행할 문장

  }


while문으로 2단을 출력해봤습니다.
for문의 코드랑 잘 비교해보십시오.
위와 같이 조건에 변수를 넣게되면 i에 값을 입력하는 것 주의하셔야 됩니다.

for문은 반복횟수를 정확히 알아야 하는 반면 while문은 조건에 따라 반복하기 때문에 반복횟수를 정확히 모를 때 사용하면 편리합니다.
위와 같이 반복횟수를 모를 때 조건에 TRUE를 입력한 후, if문을 이용해 조건을 걸었습니다. 
처음부터 ( ) 안에 TRUE 대신 조건을 넣으면 더 간단해지겠죠?


3. repeat문


  repeat{

반복해서 수행할 문장

  }


repeat문은 C언어에서 do-while문과 원리가 비슷합니다.



프로그래밍에 있어 반복문은 가장 중요한 문법이라고 해도 과언이 아니기 때문에 꼭 익숙해지셔야 합니다!

위의 기본문법들을 익힌 후, 혼자서 다양한 방법으로 응용해보시기 바랍니다.


예를 들어, 구구단 전체를 출력하는 코드를 짜본다거나 등등




수고하셨습니다.







  1. pegasusran 2017.11.18 09:53

    r컴퓨팅에서 1:6의 수를 각각
    (1=5, 2=3, 3=1, 4=1, 5=3, 6=5)의 반복횟수로rep ()결과값을산출하려면 어떻게 해야 할까요

안녕하세요. 우주신 입니다.


이번 포스팅에서는 행(row), 열(column) 이름, 순서 변경 및 맞추기에 대해 정리해보겠습니다.


행, 열 맞추기는 서로 다른 데이터셋 중 행이나 열 이름이 같은 것을 뽑아낸다고 생각하면 될 것 같습니다.


예를 들어, 서로 겹치는 주식 종목을 선택하거나 제외 시키는 경우 유용하게 사용할 수 있습니다.




1. 행(row), 열(Column) 이름 지정


우선, 설명을 위해 행렬(matrix)을 만들었습니다. (데이터프레임도 같은 원리로 적용됩니다.)


행, 열 이름을 지정하는 방법은 아주 간단합니다.

colnames(), rownames() 함수를 활용하면 되는데, colnames(행렬) = c(' ') 형식으로 입력하면 됩니다.

m1 을 보면 이름이 지정된 것을 확인할 수 있습니다. 

참고로, 행, 열의 개수와 이름의 개수가 다르면 오류가 발생합니다.


같은 방식으로 또 하나의 행렬 m2를 만들었습니다.




2. 행(row), 열(column) 순서 변경


행, 열 순서를 변경하는 방법 중 가장 간단한 방법을 소개하겠습니다.

인덱싱과 c( )를 활용하여 m1의 열을 역순으로 정렬 했습니다.

c( ) 안에 원하는 순서대로 열의 위치를 입력하면 됩니다.




3. 행(row), 열(column) 맞추기


하나의 행렬을 기준으로 행, 열의 이름을 맞출 때는 colnames( )%in%colnames( ) 형식으로 입력하면 됩니다.

예제부터 보면 쉽게 이해가실겁니다.


[문제] m1의 열(column) 이름과  m2의 열(column) 이름이 같은 열(column)만 선택하라.


m1과 m2의 열 이름이 중복되는 C와 D의 위치에 TRUE가 뜬 것을 확인할 수 있습니다.


이를 which( )함수를 활용하여 인덱싱 위치로 변환할 수 있습니다.


그 후, 위 함수를 m1의 인덱싱 안에 넣으면

m2 안에 있는 열 C, D만 선택 된 것을 알 수 있습니다.


서로 겹치는 열을 제외하고 싶을 때는,

'-'를 활용하면 되겠죠? 


행(row)의 경우에도 같은 원리로 적용이 되니 직접 해보시기 바랍니다~





수고하셨습니다~



안녕하세요. 우주신입니다.


이번 포스팅에서는 정렬, 순위 함수 sort(), rank(), order()를 비교해보겠습니다.


데이터를 처리할 때 활용도가 높은 함수들인데 가끔 혼동될 때가 있죠... 이번 기회에 싹 정리해보겠습니다.



우선, 샘플 데이터 20개를 만든 후, 설명을 위해 마지막에 NA 값을 추가했습니다.


1. sort()


예제를 보면서 이해하는 것이 수월하니 예제부터 바로 보겠습니다.

sort(a) 출력 결과, 절대값을 오름차순으로 정렬했습니다.

내림차순으로 정렬하고 싶을 때는 decreasing = T 옵션을 추가하면 됩니다.


sort()함수는 자동으로 NA 값을 제외 시킨 후 정렬을 하기 때문에, NA 값을 표시하고 싶다면 na.last 옵션을 추가하면 됩니다.

na.last = TRUE인 경우, NA 값을 끝에 출력하고, FALSE일 경우에는 앞에 출력하는 것을 확인할 수 있습니다.



2. rank()


이번에는 rank() 함수인데 출력 결과를 보면, 순위가 매겨졌습니다. 

여기서 중요한 것은 순위대로 정렬한 것이 아니라 순위의 색인을 나타낸 것입니다.

47은 18번째 순위라는 뜻이며 NA값이 마지막 순위인 21로  매겨진 것을 볼 수 있습니다.

거꾸로 큰 것부터 순위를 매기려면 rank(-a)와 같이 '-'를 앞에 붙여주면 됩니다. 


rank()함수는 자동으로 NA 값을 마지막 번째 순위로 매기는데, na.last 옵션을 사용하여 NA값을 조정할 수 있습니다.

FALSE일 경우 NA가 1번으로 순위가 매겨진 것을 알 수 있습니다. 

"keep"일 경우 NA를 그대로 나타내고,

NA일 경우 NA 값을 제거합니다.



3. order()


order() 함수 출력 결과를 보면 몇초 고민했을거에요...

출력결과를 보면, 'a의 4번째 자리에 있는 숫자 1이 첫번째 자리로 와야하고, 17번째 자리에 있는 숫자 2가 두번째 자리로 와야한다'라는 뜻 입니다.


na.last 옵션의 경우 TRUE, FALSE, "NA"가 있으며, 위 예제에서는 na.last = "NA" 를 통해 NA 값 자체를 제거했습니다.

두번쨰 출력 결과를 보면 오름차순으로 정렬된 것을 볼 수 있는데,

정렬 색인을 인덱싱에 넣음으로써 sort(a) 결과와 같게 나온 것을 확인할 수 있습니다.





수고하셨습니다~

  1. 알초보 2017.07.05 15:34

    항상 잘 보고 있습니다!

  2. 덕담 2021.02.07 21:40

    감사합니다.

안녕하세요. 우주신입니다.


이번 포스팅에서는 누적과 관련된 함수에 대해 정리해보겠습니다.


cumsum(), cumprod(), cummax(), cummin()


익숙해지시면 유용하게 사용되는 무척 간단한 함수들 입니다.




1. 누적 합 (Cumulative Sum)



1부터 10까지 값을 벡터 a에 넣었습니다.

모두가 아는 함수로 sum()을 통해  a의 구성값들 합을 구했습니다.


그러나, 여기서 각 누적 합을 나타내려면 어떻게 해야할까요?



흔히들 while(), for() 등 반복문 함수를 통해 표현하려 시도하겠지만,


cumsum() 함수 하나면 다 해결됩니다. (결과 값은 다른 형태로 표시 됩니다)


데이터프레임으로 응용해보겠습니다.

벡터 b, c를 만든 후, 데이터프레임 df를 생성했습니다.

b의 누적 합을 cumsum(df$b)을 통해 구한 후, 이를 데이터프레임의 새로운 변수로 추가해봤습니다.




2. 누적 곱 (Cumulative Products)


누적 곱을 for문을 통해 나타내봤습니다.


이 또한 cumprod() 한줄로 깔끔하게 완성!




3. 누적 최대값, 최소값(Cumulative Max, Min)


cummax(), cummin()을 통해 누적 최대값, 최소값도 아주 쉽게 구할 수 있습니다.


-cummax(): 맨 처음 값을 출력하고 그 다음 값과 비교 후, 그 값이 더 크다면 그 값을 출력

-cummin((): 맨 처음 값을 출력하고 그 다음 값과 비교 후, 그 값이 더 작다면 그 값을 출력


참고로, cummin()을 for(), if() 함수를 통해 직접 구현해 본다면,

cummin()에게 고마움을 느낄 수 있습니다.




끝. 


수고하셨습니다.






  1. 2020.11.16 20:09

    비밀댓글입니다


안녕하세요. 우주신입니다.



저번 상관분석 포스팅에 이어 이번에는 회귀분석(Regression Analysis)에 대해 정리해보겠습니다. 


상관분석은 변수들이 서로 얼마나 밀접하게 직선적인 관계를 가지고 있는지를 분석하는 통계적 기법이며 


회귀분석은 한 개 또는 그 이상의 변수들(독립변수)에 대하여 다른 한 변수(종속변수) 사이의 관계를 수학적인 모형을 이용하여 설명하고 예측하는 분석기법 입니다.


쉽게 말하자면, 상관분석에서는 산점도의 점들의 분포를 통해 일정한 패턴을 확인한 후, 상관계수를 구하여 두 변수 간의 선형관계를 알 수 있었습니다. 여기서 더 나아가, 이 일정한 패턴을 활용하여 무엇인가를 예측하는 분석을 회귀분석이라고 보시면 됩니다.


'회귀분석'하면 이름도 생소하고 낯설 수 있지만, R 코드와 함께 따라와보시면 쉽게 이해가실겁니다!!


상관분석의 연장선에서 회귀분석을 하기 위해 데이터도 같은 데이터를 사용하겠습니다.


df <- read.csv("http://goo.gl/HKnl74")



저번 포스팅의 상관분석을 통해 놀이기구에 대한 만족도(rides)와 전체만족도(overall) 간에 일정한 패턴을 확인하였고, 상관계수 또한 0.5859로써 양의 선형관계를 이뤘습니다. 여기서 더 나아가, 회귀분석을 통해 변수 간에 관계를 예측까지 해보겠습니다.


참고로, 회귀분석은 크게 독립변수 종속변수가 각각 한 개일 때의 관계를 분석하는 단순선형회귀분석(simple linear regression analysis)

종속변수는 한개 독립변수는 두개 이상일 때는 중선형회귀분석(multiple linear regression analysis)으로 구분됩니다.




<단순선형회귀분석>




1. 회귀식의 추정


두 변수 X와 Y의 관계(rides, overall)에 적합한 회귀식을 구하기 위해서는 관측된 값으로부터 회귀계수 B0와 B1의 값을 추정하여야 합니다. 

이 때 일반적으로 많이 사용되는 방법을 최소제곱법이라고 합니다.


R에서는 lm(Y~X) 함수를 이용하면 회귀식을 쉽게 추정할 수 있습니다.

b0 = -94.962, b1 = 1.703 으로부터 overall = -94.962 + 1.703*rides 라는 회귀식을 구할 수 있으며,

놀이기구에 대한 만족도(rides)가 1 증가할 때마다 전체만족도(overall)이 1.703만큼 증가한다고 볼 수 있습니다.


이렇게 구해진 회귀직선을 산점도(scatter plot)위에 그려보겠습니다.

-m1 <- lm(overall~rides): m1에 회귀식을 입력

-plot(overall~rides, ...): 산점도를 그림

-abline(m1, col='blue'): 산점도 위에 m1이라는 회귀직선을 blue 색으로 그림

산점도 위에 파란색의 회귀직선이 그려진 것을 확인할 수 있습니다 !!


그러나 회귀식이 도출 됐어도 아직 할 일이 많습니다.... 



2. 회귀모형의 검정 및 적합도 파악


이 회귀식이 통계적으로 유의한지, 변수가 유의하게 영향을 미치는 지, 그리고 얼만큼의 설명력을 가지는지 등의 여부를 확인해야 합니다.


1. F-statistic

도출된 회귀식이 회귀분석 모델 전체에 대해 통계적으로 의미가 있는지 파악


2. P-Value

각 변수가 종속변수에 미치는 영향이 유의한지 파악


3. 수정된 R제곱

회귀직선에 의하여 설명되는 변동이 총변동 중에서 차지하고 있는 상대적인 비율이 얼마인지 나타냄

즉, 회귀직선이 종속변수의 몇%를 설명할 수 있는지 확인


위에 나온 3가지는 모두  summary() 함수 하나를 통해 다 확인할 수 있습니다. summary()의 위대함은 여기서도 느끼네요.

결과를 보면 잔차에 대한 정보, 회귀계수에 대한 정보, R제곱, 검정통계량 F0 값과 P-Value 값 등이 출력된 것을 확인할 수 있습니다.


1. 제일 밑에 F-statistic의 p-value 값은 2.2e-16 로 0.05보다 작기에 이 회귀식은 회귀분석 모델 전체에 대해 통계적으로 의미가 있다고 볼 수 있습니다.


2. 중간의 Coefficients:에는 y절편 값(Intercept) 및 변수들의 p-value 값이 나와있습니다. rides 변수의 경우 2e-16으로 0.05보다 작기에 overall을 설명하는데 유의하다고 판단할 수 있습니다.

참고로 *는 통계적으로 유의하다는 것을 한 눈에 보여주는 표시이며 *가 많을수록 통계적으로 유의할 확률이 높다고 볼 수 있습니다.


3. 밑 부분의 Adjusted R-squared 값은 0.3421 로써 34%만큼의 설명력을 가진다고 판단할 수 있습니다.

(0에 가까울 수록 예측값 믿을 수 없고 1에 가까울 수록 믿을 수 있다)



<중선형회귀분석>

이번에는 중선형회귀분석(multiple linear regression analysis)을 해보겠습니다. 

위 단순선형회귀분석과 비교했을 때 종속변수를 설명하는 독립변수가 두개 이상으로 증가했다고 생각하시면 됩니다.


overall을 설명하는 독립변수를 기존에 있었던 rides에 더해 games와 clean 변수를 추가해봤습니다.

lm(Y~X1+X2+ ... Xn)과 같은 형식으로 입력해주면 회귀식이 나옵니다.

이번에는 summary() 함수를 통해 한번에 회귀식과 회귀모형을 검정해보겠습니다.


회귀식: overall = -131.67877 + 0.57798*rides + 0.26028*games + 1.28381*clean 


1. 제일 밑에 F-statistic의 p-value 값이 2.2e-16 로 0.05보다 작기에 이 회귀식은 회귀분석 모델 전체에 대해 통계적으로 의미가 있다고 볼 수 있습니다.


2. 중간의 Coefficients에 나온 변수들의 p-value 값이 모두 0.05보다 작기에 overall을 설명하는데 유의하다고 판단할 수 있습니다.


3. 밑 부분의 Adjusted R-squared 값은 0.4358 로써 43.5%만큼의 설명력을 가진다고 판단할 수 있습니다. 앞선 결과와 비교했을 때 더 높은 설명력을 가지는 것을 알 수 있습니다. 


이번에는 weekend 변수(범주형)를 넣어서 회귀분석을 해봤습니다.


1. 여전히 제일 밑에 F-statistic의 p-value 값이 2.2e-16 로 0.05보다 작기에 이 회귀식은 회귀분석 모델 전체에 대해 통계적으로 의미가 있다고 볼 수 있습니다.


2. 중간의 Coefficients에 나온 weekendyes를 제외한 변수들의 p-value 값이  0.05보다 작기에 overall을 설명하는데 유의하다고 판단할 수 있습니다. weekend 변수와 같이 yes, no 데이터로 구성되어 있는 범주형 변수의 경우 하나의 값을 기준으로 나머지 값을 비교합니다.

즉, weekendyes(주말에 온 사람들)가 weekendno(주중에 온 사람들)와 비교했을 때 -0.85183만큼 overall(전체만족도)를 평가했다고 생각하면 쉬울 것 같습니다.


3. 밑 부분의 Adjusted R-squared 값은 0.4358 로써 43.5%만큼의 설명력을 가진다고 판단할 수 있습니다. 





끝.


수고하셨습니다~









  1. 2017.06.10 14:52

    비밀댓글입니다

    • 2017.06.12 22:08

      비밀댓글입니다

  2. 권태용 2017.06.15 10:34

    각각의 값들이 어떤의미를 가지고 있는지에 대해서 이해가 됬습니다.
    하지만 제가 헷갈리는게 p-value인데 다른 인터넷에서는 p<0.05이면 대립가설을 채택한다고 하는데 위에선 0.05보다 작은데 선형회귀분석에 의미가 있다고 하는데 제가 잘못 이해 하고 있는 건가요?

    • JKyun 2017.06.15 22:47 신고

      '대립가설을 채택하다 = 통계적으로 유의하다' 의 뜻으로 적었습니다. 대립가설을 채택한다는 의미로 받아들이면 될 것 같아요~

    • 권태용 2017.06.16 17:07

      아 그렇군요 ㅎㅎ 친절한 설명 감사드립니다.

    • 권태용 2017.06.16 17:27

      이해가 된줄 알았는데 ㅜㅜ 다시 생각해보니 헷갈리네요

      lm()선형회귀의 가설이 두 변수는 선형관계를 가진다라는 가설로부터 시작하지 않나요? ㅜㅜ 그래서 제가 생각하는 대립가설을 채택한다는 뜻은 두 변수는 선형관계를 띄지 않는다로 생각됩니다. ㅜㅜ

  3. si 2017.11.08 14:37

    범주형인 weeked를 그냥 넣으셨는데 저는 as.factor(weeked) 이렇게 넣으라고 배웠는데
    안해도 상관 없는 건가요???

    • JKyun 2017.11.08 19:05 신고

      weekend가 이미 범주형으로 입력이 되어 있기 때문에 상관 없어요. 실제로 넣고 해봤는데도 결과값 똑같이 나옵니다~

  4. 2018.11.21 00:45

    안녕하세요! 회귀분석 공부중인 학생입니다 혹시 저 데이터를 어디서 찾으셨는지 알수있을까요??

    • 2018.12.08 17:22

      비밀댓글입니다

  5. 2019.04.18 16:59

    비밀댓글입니다

  6. 분석 2020.06.18 02:06

    안녕하세요! 제가 현재 회귀분석과 t-test 결과 분석을 하고 있는데 헷갈리는게 있어서요...! 혹시 조금 도움을 주실 수 있을까요??

  7. 고진_감래 2021.05.27 00:44 신고

    진짜 최고의 설명입니다.!!!!!!!!!



안녕하세요. 우주신입니다.



이번 포스팅과 다음 포스팅에서는 매우 중요한 상관분석(correlation analysis)회귀분석(regression analysis)에 대해 정리해보겠습니다.


plot(), corrplot(), cov(), cor(), cor.test()


우리는 종종 어떤 두 사건 간의 연관성을 분석해야 할 경우가 많습니다. 둘 또는 그 이상의 변수들이 서로 관련성을 가지고 변화할 때 그 관계를 분석하는데 사용되는 방법 중에서 가장 잘 알려진 것이 상관분석(correlation analysis)과 회귀분석(regression analysis)입니다.


GDP와 기대수명 간의 관계, 키와 몸무게 간의 관계 등을 예로 들 수 있는데 여기에서 두 사건, 즉 두 변수 간의 선형적 관계를 상관(correlation)이라고 하며, 이러한 관계에 대한 분석을 상관분석(correlation analysis)이라고 합니다.


먼저 상관분석에 쓸 데이터를 불러서 확인해보겠습니다.


df <- read.csv("http://goo.gl/HKnl74")


그대로 복사해서 데이터프레임 df에 입력하시면 됩니다.


str() 함수를 통해 항상 데이터 구조를 확인하는 습관!

놀이동산에 대한 만족도가 주말이용여부, 동반자녀수, 놀이공원까지의 거리, 놀이기구에 대한 만족도, 게임에 대한 만족도, 대기시간에 대한 만족도, 청결상태에 대한 만족도 그리고 전체만족도로 구성되어 있습니다.


상관분석을 할 때 결측값(NA)가 있으면 결과가 NA 값이 나오게 되므로 이를 꼭 확인하여 처리해야 합니다.

(결측값 처리는 http://ordo.tistory.com/19를 확인)

다행히도, 이번 데이터프레임에는 결측값이 하나도 없네요~


그럼, 저는 '놀이기구에 대한 만족도(rides)'와 '전체만족도(overall)' 간의 관계를 분석해보겠습니다. 


아마도 놀이기구에 대한 만족도가 높으면 전체 만족도 또한 높지 않을까 예상을 해보면서, 산점도(scatterplot)부터 그려보겠습니다.



1. 산점도(Scatter plot)


https://ko.wikipedia.org/wiki/산점도


상관계수를 파악하기 전에 우선, 산점도(scatterplot)로부터 두 변수 간에 관련성을 그림을 이용하여 시각적으로 파악할 수 있습니다.

plot(Y~X) 함수의 Y, X에 변수를 입력하면 위와 같이 산점도가 그려집니다.

대략 봤을 때, 양의 관계를 이루고 있는 것 같죠? 


좀 더 그림을 이쁘게 그려본다면,

-main="Overall~Rides": 그림의 main 제목 입력

-xlab="Satisfaction with Rides": x축 레이블 입력

-ylab="Overall Satisfaction": y축 레이블 입력

-cex=1: 출력되는 점들의 크기 결정

-pch=1: 출력되는 점의 형태  (기본형태는 빈원)

-col='red': 색상 지정


그 외에

-xlim=: x축 값의 출력범위 지정

-ylim=: y축 값의 출력범위 지정

-lty: 출력되는 선의 형태를 지정



2. 공분산(Covariance) 및 상관계수(Correlation Coefficient)

산점도 이용하면 두 변수간의 직선적인 관계를 개략적으로 파악할 수는 있지만, 두 변수 사이의 관계를 보다 정확히 숫자로 나타낼 수 없기 때문에

공분산 및 상관계수를 이용합니다.


공분산은 2개의 확률변수의 상관정도를 나타내는 값인데, 만약 2개의 변수 중 하나의 값이 상승하는 경향을 보일 때 다른 값도 상승하면 공분산의 값은 양수, 반대로 다른 값이 하강하는 경향을 보이면 공분산의 값은 음수가 나옵니다.
cov() 함수를 통해 공분산 값을 쉽게 구할 수 있습니다.
50.82939는 양수이므로 두 변수 간의 상관관계는 상승하는 경향이라고 이해할 수 있죠?

그러나 공분산은 상관관계의 상승 혹은 하강하는 경향을 이해할 수는 있으나 2개 변수의 측정 단위의 크기에 따라 값이 달라지므로 절대적 정도를 파악하기에는 한계가 있습니다. 즉 50.82939가 어느정도의 양의 상관관계인지를 가늠하기가 쉽지 않습니다.

이 때, 공분산을 표준화 시킨 상관계수를 통해 파악할 수 있습니다!

cor() 함수를 통해 두 변수 간의 선형관계의 강도를 알 수 있습니다.
-use='complete.obs': 결측값을 모두 제거된 상태에서 상관계수를 계산 
-method='pearson': 피어슨 상관계수 지정 (가장 많이 사용)
나머지 기능들은 ?cor 입력하여 더 자세히 보시기 바랍니다.

상관계수는 -1 ~ 1 사이의 값을 가지며 0일 경우에는 두 변수 간의 선형관계가 전혀 없다는 것을 뜻 합니다.
보통 0.3과 0.7 사이이면, 뚜렷한 양적 선형관계로 0.7과 1.0 사이이면, 강한 양적 선형관계로 간주하니,
위에 나온 0.5859 상관계수 값을 통해 놀이기구에 대한 만족도와 전체 만족도는 뚜렷한 양적 선형관계를 이루고 있다고 볼 수 있습니다.

주의할 점은 특이 값에 민감하게 반응하기 때문에 데이터 값에 항상 주의를 기울여야 합니다. 
또한 상관관계는 두 변수 간의 관련성을 의미할 뿐, 원인과 결과의 방향을 알려주지는 못 합니다.



3. 상관계수의 검정


상관계수의 가설 검정은 cor.test() 함수를 사용하면 됩니다.

귀무가설 "상관관계가 없다"에 대한 검정 결과 p-value < 2.2e-16 값이 나왔으므로 귀무가설을 기각할 수 있음을 알 수 있습니다.

그 외에 검정통계량의 값(t), 95% 신뢰구간, 표본상관계수 등을 확인할 수 있습니다.


4. 그 외 


이번에는 전체만족도놀이기구에 대한 만족도, 게임에 대한 만족도, 대기시간에 대한 만족도, 청결상태에 대한 만족도 간의 상관관계를 한 눈에 파악해보겠습니다.


변수를 지정하여 산점도를 나타내봤습니다.


그 후, cor() 함수를 통해 상관계수를 나타냈습니다.


'corrplot' 패키지에 들어있는 corrplot() 함수를 통해 한 눈에 시각적으로 파악했습니다.




끝.


다음 시간에는 회귀분석에 대해 다뤄보겠습니다.


수고하셨습니다~



  1. 2017.07.24 13:38

    비밀댓글입니다

    • 2017.08.03 09:35

      비밀댓글입니다

  2. blackz 2019.11.11 22:54

    이해하기 매우 쉽게 작성되어서 놀랐습니다.

    잘읽었습니다~!!!!

  3. knh 2020.12.06 17:54

    좋은 포스트 감사합니다. 덕분에 학습하는데 큰 도움이 되었습니다.

  4. 리딩웨더 2021.03.08 09:39 신고

    잘 보고 가요~

안녕하세요. 우주신입니다.



오늘은 비교연산자와 논리 연산자에 대해 배워보겠습니다.


>, <, >=, <=, ==, !=, &, &&, |, ||, sum(), mean(), any(), all()




1. 비교 연산자


우선, X, Y, Z 벡터를 만들었습니다.


부등호 '>'는 초등학교 때 배웠던 적이 있죠?ㅎㅎ 대소관계를 비교할 때 쓰는 기호로서 'X가 Y보다 크다'를 의미합니다.

결과값으로는 TRUE, FALSE가 나옵니다. 마지막 6 > 3만 TRUE가 나온 것을 알 수 있습니다.


같은 원리로, X가 Y보다 값이 작다면 TRUE가 아니라면 FALSE가 결과값으로 출력됩니다.


Z는 구성요소가 하나임에도 X와 비교연산이 되는 것을 볼 수 있습니다.

이러한 경우에는, Z가 X의 길이에 자동으로 맞추어(4, 4, 4, 4, 4, 4) 비교연산이 이루어 집니다.


부등호 '>='는 '왼쪽항이 오른쪽 항보다 크거나 같다'는 뜻입니다.


반대로, 부등호 '<='는 '왼쪽항이 오른쪽 항보다 작거나 같다'는 뜻입니다.

(*주의: 부등호 순서 =>, =<는 오류 입니다.)


'=='는 두 항이 같으면 TRUE를 다르면 FALSE를 출력합니다.

'='과 절대 혼동하지 마시길 바랍니다!


반대로, '!='는 두 항이 다르면 TRUE를 같으면 FALSE를 출력합니다.



2. 논리 연산자


'&'는 'AND' 연산자 입니다.

두 조건을 동시에 만족할 때 TRUE, 아닐 경우에는 FALSE를 출력합니다.

위 코드에서는 X가 3보다 크고 5보다 작은 두 조건을 만족하는 4의 위치에서만 TRUE가 출력된 것을 알 수 있습니다.


'|'는 'OR' 연산자 입니다.

두 조건 중 하나만 만족해도 TRUE, 두 조건 모두 만족되지 않을 경우에는 FALSE를 출력합니다.


참고로, '&'과 '|'은 벡터 전체 결과를 나타내지만, '&&'과 '||'은 일반적인 'AND', 'OR' 연산자로서 벡터 첫번째 결과만 나타냅니다. (직접 해보셔요~)


인덱싱 안에 논리연산자를 넣어 값들을 찾는 경우가 많습니다. 이런식으로 자주 활용되니 꼭 익숙해지시기 바랍니다!


위와 같이 데이터가 작은 벡터의 경우 결과값을 쉽게 확인할 수 있지만, 데이터가 커지면 결과값을 일일이 확인할 수는 없겠죠?

이럴 때 sum(), mean(), any(), all() 함수와 함께 사용함으로써 효율성을 높일 수 있습니다.


sum() 함수를 활용하여 결과값 중 TRUE가 몇 개인지 한번에 파악할 수 있습니다.

벡터 X의 구성요소 중 3보다 크고 6보다 작은 값은 4,5 이므로 결과값으로 2개가 출력됐습니다.


mean() 함수를 활용하면 벡터 전체에서 TRUE가 얼만큼 있는지 퍼센트로 보여줍니다.

X의 구성요소 6개 중 3, 4, 5는 3개이므로 3/6=0.5 값이 나왔습니다.


-any(X>3): X>3 조건의 결과값 중 TRUE가 하나라도 있으면 TRUE를 반환해라.


-all(X>3): X>3 조건의 결과값이 모두 TRUE이면 TRUE를 반환해라.


X >= 1 의 결과값은 TRUE, TRUE, TRUE, TRUE, TRUE, TRUE이므로 all(X>=1)의 결과값도 TRUE 입니다.




끝.


수고하셨습니다~





안녕하세요. 우주신입니다.


이전 기술통계 함수 포스팅에서는 데이터를 확인하고 데이터를 요약하는 함수들을 배웠습니다. 


이번 시간에는 관측된 데이터를 그래프, 도표 등을 통해 시각화하는 방법에 대해 정리해보겠습니다.


hist(), boxplot(), qqnorm(), qqline()






데이터는 저번 시간과 같은 것으로 사용하겠습니다.

store.df <- read.csv("http://goo.gl/QPDdMl")


항상, 데이터 형태를 str() 함수로 확인하는 습관!






1. 히스토그램(histogram)


히스토그램은 가장 대표적인 그래프 중 하나 입니다. 히스토그램을 통해 특정 변수의 관측값의 빈도 분포를 직관적으로 파악할 수 있습니다.

히스토그램은 간단하게 hist( ) 함수를 사용하면 됩니다.


p1sales를 히스토그램으로 표현해보겠습니다.


hist(데이터프레임$변수명) 형태로 입력하면 빈도수를 기준으로 그래프가 바로 만들어집니다.


좀 더 응용해보겠습니다.

-store.df$p1sales: 데이터프레임$변수명

-main="Product1 Weekly Sales Frequencies": 히스토그램 main 제목을 입력

-xlab="Product1 Sales": x축 레이블 입력 (lab은 label의 줄인 단어)

-ylab="Count": y축 레이블 입력

-breaks=30: breaks 변수를 통해 빈도를 일정 단위로 묶는다 (10,40.. 값을 바꿔서 비교해보면 바로 이해가실겁니다)

-col="red": color를 빨간색으로 나타내라

-freq=FALSE: 히스토그램의 빈도를 확률로 나타내라 (hist() 함수는 빈도를 기본값으로 표현합니다)


이번에는, x축 값의 범위를 변경해보겠습니다.

위 코드에서 xaxt="n"를 추가함으로써 x축 값을 제거했습니다.


axis( )함수를 통해 x축 값의 범위를 지정하겠습니다.

-side=1: 1은 가로 2는 세로를 의미

-at = seq(60, 300 by=20): seq()함수를 통해 60부터 300까지 20간격으로 나타내라


p2sales도 한번 혼자서 해보시면  히스토그램은 끝!

더 자세한 기능은 ?hist를 입력해서 보시기 바랍니다



2. 박스도표(Boxplot)


상자그림(Boxplot)은 자료로부터 얻어낸 통계량인 요약수치를 가지고 수치적 자료를 표현하는 그래프입니다.

R에서는 boxplot()함수를 통해 상자그림을 나타냅니다. 

-store.df$p2sales: 데이터프레임$변수명

-main="Weekly Sales of P2": 히스토그램 main 제목을 입력

-xlab="Weekly Sales": x축 레이블 입력 (lab은 label의 줄인 단어)

-ylab="P2": y축 레이블 입력

-horizontal=TRUE: 수평으로 나타내라


참고로, 사분위간 범위가 상자의 길이이며 중앙값은 상자 중간의 선으로 표현됩니다. (평균값이 아닙니다)

선은 최대값과 최소값까지 표현을 하고 그 밖의 점들은 특이점 입니다.


좀 더 응용해보자면,

-store.df$p2sales~store.df$storeNum: 하나 이상의 변수 입력함으로써 여러 박스 도표를 생성합니다. (X~Y)

-las=1: x축 범위의 값을 가로로 표현하라 (2로 할 경우 50, 100, 150, 200 값들이 세로로 표시됩니다)



히스토그램에서 했던 것과 같은 원리로 y축 값의 범위를 No, Yes로 바꿔봤습니다.



3. 분위수-분위수 도표(QQ Plot)


이번에는 정규성 검정을 확인하는 방법 중 하나인 QQ Plot을 보겠습니다.

이를 통해 특정 변수에 포함되어 있는 관측값들이 정규분포에 가까운지 확인할 수 있습니다.


QQ Plot은 qqnorm(), qqline() 함수를 통해 구할 수 있습니다.

-qqnorm(): 정규확률 산점도를 나타낸다


정규성을 검정하는 방법은, qqline()을 통해 산점도 점들이 대각선에 가깝게 선형을 이루면 정규성을 띈다고 평가하고 그렇지 않으면 정규성을 띄지 않다고 봅니다.





끝.


수고하셨습니다.






안녕하세요. 우주신입니다.


이번 포스팅과 다음 포스팅 두번 나누어 기술통계(Descriptive Statistics) 함수에 대해 다뤄보겠습니다.


기술통계는 관측한 데이터를 도표로 정리하거나 통계량(예: 평균, 분산, 상관계수, 주성분정준변량)으로 정리하는 것으로서 

관측한 현상의 특징을 기술한다.

[출처: 네이버 지식백과]




먼저, 데이터를 확인하는 함수들 부터 살펴보고

head( ), tail( ), some( ), str( )

데이터를 요약하는 방법을 보겠습니다.

min( ), max( ), mean( ), median( ), var( ), sd( ), range( ), quantile( ), summary( ), apply( )


그 외 attach( ), detach( ) 함수에 대해 배워보겠습니다.




1. 데이터 확인


수업 시간에 배운 데이터를 가지고 해보죠.

store.df <- read.csv("http://goo.gl/QPDdMl")

복사해서 실행하면 밑과 같은 데이터가 store.df 데이터프레임에 입력될 것 입니다.

2080개 항목이나 되는 이렇게 큰 데이터를 일일이 다 확인할 수는 없겠죠?


head( ) 함수를 통해 데이터 앞 부분을 확인할 수 있습니다.


tail( ) 함수를 통해 데이터 뒷 부분을 확인할 수 있습니다.


또한 some( ) 함수를 통해 데이터를 랜덤으로 확인할 수도 있습니다.

some( ) 함수는 'car' 패키지 안에 있으므로 install.packages('car') - library(car) 까먹지마세용~


그 다음으로는 아주 유용한 str( ) 함수 입니다. structure의 약자로서 데이터 구조를 한눈에 파악할 수 있습니다.

데이터구조가 10개의 변수, 2080개 항목으로 이루어진 data.frame인 것을 알 수 있으며

데이터프레임의 변수들이 어떤 형태의 데이터를 가지고 있는지 알 수 있습니다.


데이터를 활용하기 전에 항상 str( ) 함수를 써서 데이터 구조가 적절한 형태를 취하는지 확인해야 합니다. 

특히, 요인(factor)형은 꼭 확인 !



2. 데이터 요약


데이터를 확인했으니 가장 많이 쓰이는 함수들을 가지고 데이터를 요약해보겠습니다.


-min( ): 최소값

-max( ): 최대값

-mean( ): 평균


일일이 $를 사용하여 변수를 지정하려니 정말 귀찮고 번거롭습니다. 이 때 활용할 수 있는 함수가 attach( ), detach( ) 입니다.

attach(dataframe) 입력 후로는 밑에 그림과 같이 데이터프레임 이름을 생략하고 변수만 입력하면 됩니다.

마지막에 detach(dataframe) 함수를 입력해 끝을 알려줘야 추후에 오류가 안 납니다.

-median( ): 중앙값

-var( ): 분산

-sd( ): 표준편차

-range( ): 범위


-quantile( ): 사분위수

-quantile(변수, probs = 범위): 특정 범위를 지정해 줄 수 있습니다.


정말 많이 쓰이는 summary( ) 함수 입니다. 최소값, 사분위값, 중앙값, 평균, 최대값을 깔끔하게 한 눈에 보여줍니다.


apply( ) 함수를 이용해서도 데이터를 요약할 수 있습니다.

apply(dataframe, MARGIN=1(가로)2(세로), FUN = 기능)

-apply(store.df[,2:9], MARGIN=2, FUN=mean): store.df 데이터프레임의 2열부터 9열까지 세로로 평균값을 계산하라.

-apply(store.df[,2:9], MARGIN=2, FUN=sum): store.df 데이터프레임의 2열부터 9열까지 세로로 합을 계산하라.






끝.


수고하셨습니다.

안녕하세요. 우주신입니다!

오늘은 외부 파일을 불러오고 저장하는 방법에 대해 정리해보겠습니다.


R로 작업할 때는 외부 데이터를 불러와야 하는 경우가 정말 많습니다.


특히, R은 통계 컴퓨팅 및 그래픽을 위한 언어이기에 엑셀(Excel) 파일을 불러올 때가 많은데,


외부 데이터를 불러오고 저장하는 여러가지 방법 중 가장 쉬운 방법인 CSV파일에 대해 배워보겠습니다.


CSV는 Comma Seperated Value의 약자로서 , 몇 가지 필드를 콤마(,)로 구분한 텍스트 데이터 및 텍스트 파일입니다.


이러한 CSV 파일을 사용함으로써 많은 양의 데이터를 줄일 수 있는데, 


이는 CSV가 단순 텍스트 형식으로 저장되기에 모든 서식은 제거되고 그 값만이 저장되기 때문이죠.


EXCEL의 모든 파일은 csv로 저장이 가능하며 저장할 때 형식만 .csv로 바꿔주면 됩니다.




1. CSV파일로 저장하기


저번 시간에 만들었던 store.df 데이터프레임을 외부 파일에 저장해보겠습니다.

우선, setwd( ) 함수를 통해서 작업폴더를 먼저 지정해줘야하는 것 깜빡하지 마십쇼!


write.csv(store.df, file="store-df.csv", row.names = FALSE

-store.df: 데이터프레임 이름

-file="store-df.csv": 파일명 설정하기

-row.names = FASLE: 행의 이름을 생략 (TRUE를 했을 시 1, 2, 3, 4, 5가 하나의 데이터로써 저장이 됩니다)


그 후, 작업폴더를 들어가면 .csv 형식 파일로 저장되어 있는 것을 확인할 수 있습니다.



파일을 열어보면, 데이터프레임이 그대로 저장된 것을 볼 수 있습니다.




2. CSV파일 불러오기


이번에는 read.csv( )함수를 써서 People 파일을 불러오겠습니다.


데이터는 밑과 같은 형태 입니다.



DF라는 변수에 People 파일을 불러왔습니다.


read.csv('People.csv', header = TRUE, stringsAsFactors = FALSE, na.strings = "")

-'People.csv': 불러올 파일명

-header=TRUE: 변수명으로 사용 (Name, Age, Color가 변수명이 되는 것)

-stringsAsFactor=FALSE: 문자형 데이터를 요인(factor)로 인식하지 않음

-na.strings="": 결측값을 표시 ("", ".", NA 등이 있음)



불러오는 파일만 같고 모든 조건을 반대로 해봤습니다.


-header=FALSE: 변수명으로 사용하지 않음 (V1, V2, V3라는 새로운 변수명이 생김)

-stringsAsFactor=TRUE: str(DF1)을 보면 모든 데이터가 요인(factor)로 인식됨

-na.strings="": 이 조건이 생략됨으로써 결측값이데이터를 확인하면 빈칸으로 표시됨





수고하셨습니다.


+ Recent posts