Innføring i R for humanister

Transkript

1 Innføring i R for humanister Diana Santos Oppgaver for første uke i SPR Første steg: komme inn og ut Klikk på R-ikonet, eller skriv komandoen R på kommandolinja. R viser at det er klart med tegnet >. Da kan man skrive kommandoer i R. Den viktigste kommandoen er å gå ut av R. > q() Når du utfører den, spør R om du vil lagre omgivelsene dine. Det kan være nyttig om du er midt oppi et sammensatt prosjekt, men ikke når du bare er i testfasen eller har fått til det du ville. Den andre viktigste kommandoen er å be om hjelp: > help() Om du vil ha mer spesifikk hjelp om en komando, f. eks. kvadratrot, bruk help(sqrt). Det er også nyttig å vite hvor man er (i datamaskinen). Med andre ord, å vite hva R vet om hvor det er installert. > getwd() For forskjellige operativsystem kan du få forskjellige svar. [1] "e:/work/dssantos" [1] "/hf/sokrates/ilos-u1/dssantos" Om du vil flytte arbeidsområdet til R til et annet sted, er det bare å si til R hvor: > setwd("m:rwork/") ILOS 2013 Diana Santos 1

2 eller > setwd("/linguateca/cursos/r/") For å få litt kjennskap til R og svarene kan du begynne med å prøve kalkulatorkommandoer og å behandle mer sammensatte datastrukturer. a) aritmetiske uttrykk og tekststrenger > 3+4 [1] 7 > sqrt(49) [1] 7 > verdi <- 8 > verdi [1] 8 > (7+6)*3 - verdi [1] 31 > "hei" [1] "hei" > noe Error: object noe not found > unskyld [1] "unskyld" > mas() Error: could not find function "mas" > help function (topic, package = NULL, lib.loc = NULL, verbose = getoption("verbose"), try.all.packages = getoption("help.try.all.packages"), help_type = getoption( { types <- c("text", "html", "pdf") if (!missing(package)) [...] > b) vektorene Legg merke til at funksjonen c kjeder sammen ( concatenates ) flere objekter i en vektor: > c("23","1","potet","gulroter") [1] "23" "1" "potet" "gulroter" > idioti <- c("23","1","potet","gulroter") > idioti ILOS 2013 Diana Santos 2

3 [1] "23" "1" "potet" "gulroter" > 24:100 [1] [20] [39] [58] [77] 100 Jeg håper at måten R svarte på, forklarer grunnleggende fakta om R. Med andre ord: hvert svar er nummerert, nummereringen begynner med 1, og når flere svar/objekter finnes i en linje, er det bare det første nummeret som skrives helt til venstre mellom [] når man gir en kommando i R, utfører R den og viser resultatet når man bare skriver et navn, prøver R å se om det har mening allerede. Hvis ja, returnerer R verdien til navnet (den kan til og med være programkilde til et program), hvis ikke klager R med en feilmelding når man skriver en verdi, gjentar R verdien det finnes en (viktig) forskjell mellom variabelnavn og tekststreng (som man bruker anførselstegn for å skrive) funksjoner i R blir stavet NAVN(argumenter). Når de ikke har argumenter, slik som hjelpefunksjon, kreves det at man skriver () etter navnet, dvs. help() 2 Kommunisere med omgivelsene Om vi vil bruke R til noe virkelig, og ikke bare som en kalkulator eller et orakel, må vi bruke observasjoner som finnes allerede, og vi må kunne produsere tabeller og figurer. Det betyr at man må kunne arbeide med filer, lese fra dem og skrive til dem. Den letteste måten å begynne på er å lese fra en fil på nettet, så i begynnelsen kan dere hente data fra sida mi. Senere kan dere få bruke filer i deres egne datamaskiner eller kontoer. > CondivSimples <- read.table(" > CondivSimples ILOS 2013 Diana Santos 3

4 V1 V2 V3 V4 V5 1 dataset colour theme decade variety 2 fashion50br 1512 fashion 50 BR 3 fashion50pt 2351 fashion 50 PT [...] Når man ser hva som ble lest inn i R, ser man med en gang at første linje er spesiell: Den er en topptekst ( header ). Det finnes en lett måte å fortelle det til R på, men først vil jeg nevne hvordan R virker når kommandoer er lengre enn en linje: R venter til vi er ferdige, og viser at programmet venter med å bytte svartegn til + i stedet for >. > CondivSimples <- read.table(" + header=true) > CondivSimples dataset colour theme decade variety 1 fashion50br 1512 fashion 50 BR 2 fashion50pt 2351 fashion 50 PT [...] Filens innhold viser den mest brukte måten å skrive verdier for statistiske analyser på: en observasjon per linje, som inneholder verdier til forskjellige variabler, en i hver kolonne. En slik måte å organisere datoene på kalles dataframe på engelsk. På norsk skal vi kalle den dataramme. Vi kan beskrive datarammer som en matrise hvis kolonner og linjer kan ha navn. Den eneste forskjellen mellom en (matematisk) matrise og en dataramme er at en matrise må ha verdier av samme type, mens en dataramme kan ha kolonner med forskjellige typer. For å få dimensjonene til datarammer (hvor mange linjer, hvor mange kolonner) bruker man funksjonen dim: > dim(condivsimples) [1] 18 5 For å få bare en kolonne kan man bruke datarammens navn fulgt av dollartegn og navn på kolonnen: CondivSimples$colour [1] [16] ILOS 2013 Diana Santos 4

5 I dette eksempelet kan vi se at alle verdiene i første kolonne er forskjellige. Det ble forhåpentligvis brukt for å identifisere entydig hver linje. Det er ikke så sjelden, og derfor kan man si til R at en kolonne bare har linjenavn ved hjelp av kommandoen rownames=tall til kolonne. Men legg merke til at de fleste datarammene, med tusen linjer, ikke har en slik kolonne. > CondivSimples <- read.table(" + header=true, row.names=1) > CondivSimples colour theme decade variety fashion50br 1512 fashion 50 BR fashion50pt 2351 fashion 50 PT [...] Etter den siste komandoen finnes det bare fire kolonner i datarammen, ikke fem som tidligere. > dim(condivsimples) [1] 18 4 Vi kunne også lage en ny dataramme bare med en delmengde av informasjonene til den opprinnelige datarammen. Det kan en bruke subset-funksjonen til. I eksempelet som følger, velger vi bare de linjene som handler om fotball og kolonnene om farge og varietet. > BareFot<-subset(CondivSimples,theme=="football",c(1,4)) > BareFot colour variety football50br 719 BR football50pt 694 PT football70br 468 BR football70pt 318 PT football2000br 1167 BR football2000pt 614 PT Nå skriver dere den nye datarammen i deres arbeidsmappe. > write.table(barefot, file="futebol.txt") Gå og se hva som står i filen. Den andre måten er å lese det igjen til R: read.table("futebol.txt") ILOS 2013 Diana Santos 5

6 Nå skal vi lage en tabell fra bunnen av, og så skriver vi den inn i en ekstern fil. Dette er selvsagt ikke en naturlige måte å jobbe på, men hjelper oss til å venne oss til R. > tabell<-matrix(c(38,14,11,51),nrow=2) > tabell > colnames(tabell)<-c("blaaoyne","brunoyne") > rownames(tabell)<-c("blondhaar","brunhaar") > write.table(tabell, file="haaroyne.txt") 3 Figurer og grafikk Til nå har det ikke kommet fram at R er forskjellig fra andre programmeringspråk når det gjelder tekst, matriser eller andre datastrukturer. Grafiske muligheter er kanskje det første området hvor brukerne kan se klare fordeler ved å bruke R. Først må man vite at R har flere vinduer. Om vi ikke sier noe annet, åpner R ett vindu til alle grafiske utskrifter. Dvs, når man tegner en figur, ser vi ikke lenger den forrige figuren, fordi R skriver i det samme vinduet. Men vi kan si at vi vil ha et nytt vindu. Dette er de enkleste kommandoene for å lage figurer, hvor til leses som som en funksjon av. > plot(colour ~ variety, data=condivsimples) > hist(condivsimples$colour) > plot(condivsimples$colour) Hvis vi holder på med en gitt dataramme, passer det utmerket å ikke skrive hele datarammens navnet hele tiden. Ved å bruke kommandoen attach får man bruke bare de navnene som gjelder inne i datarammen. > attach(condivsimples) Gjør om de forrige figurene med attach for å se at det er mye enklere. En annen interessant egenskap ved R er følgende: R kan gjøre måten å kalle opp den (samme) funksjonen på enklere ved å tillate at den kalles med forskjellige argumenter. (Akkurat som i naturlige språk, der et verb kan nevnes uten alle sine logiske argumenter.) Av den grunn kan plot-funksjonen utføre forskjellige figurer som avhenger av typen datastruktur som er argument til plot. I tillegg kan man spesifisere hundre forskjellige valg, som tittel til figur, form, punktfarge, figurens undertekst, skalaen, osv. osv. Bare noen eksempler: ILOS 2013 Diana Santos 6

7 > plot(colour, col="green", pch=3, type="b") > plot(colour, col="red", pch=2, las="1", tcl="0.2", xlab="tilfeller", + ylab="hvor mange fargeord", type="h") > plot(colour, col="red", pch=2, las="1", xlab="tilfeller", + legend(4,6481,"maks") For å utforske dette grundig, prøv help(plot), eller les om de mange valgmuligheter i R [11]. Det viktigste nå er å lage figurene i et passende format for andre omgivelser (artikler, presentasjoner o.l.), og å lære hvordan en sender figurene til andre program. Løsningen er: omdiriger utskriftsmål ved hjelp av en kommando hvis navn er ønsket format. For en pdf: > pdf("simple.pdf") > plot(colour~theme) > dev.list() For å komme tilbake til det opprinnelige vinduet er det nok å bruke dev.list-kommandoen for å se hvilke vinduer som er åpne, og så velge det man vil komme tilbake til. > dev.list() X11cairo pdf 2 3 > dev.set(2) NB! Før man lukker vinduet man skriver i, kan man ikke åpne det med andre programmer... Husk derfor å lukke det med kommandoen dev.off(). Du kan gi det det vindusnummeret du vil lukke, eller ikke gi det noe, og det siste åpne vinduet blir lukket, som i neste eksempel: > dev.off() X11cairo 2 Det samme gjelder for format som png, bmp. Om du vil åpne flere vinduer i R samtidig, kan du bruke kommandoen dev.new(). ILOS 2013 Diana Santos 7

8 4 Ta vare på arbeid fra økt til økt ( sessions ) Selv om dette ikke gjelder nybegynnere, er det veldig praktisk å kunne lagre arbeidet mellom forskjellige tidspunkter, når man jobber hardt og må avbryte jobben (etter at mye allerede har blitt gjort). I slike tilfelle kan man be R lagre alt, for at det skal være klart når en er tilbake. Det finnes et spesielt format for dette, filtypen er.rdata, og kommandoene for å lagre og å gjenopprette det er som følger: > save.image("alt.rdata") Gå ut av R og kom tilbake igjen. Legg merke til at R alltid spør om du vil lagre, men om du svarer ja, lagrer R i en fil som den bare kaller.rdata, og kan lagre mer enn du vil. Derfor er det lurt om du lagrer en del ting i en fil viktig1.rdata, og så kan du fortsette å arbeide i R og prøve andre ting, som du senere bestemmer deg for ikke å lagre... Her kan du også lære noen rengjøringskommandoer i R: Med ls kan du se hva som står i R-omgivelsene dine, og med rm kan du slette hva du vil. > ls() character(0) > load("alt.rdata") > ls() [1] "idioti" "CondivSimples" "onlyfb" "BareFut" > rm(idioti) > ls() En annen mulighet, som tar mye mindre plass, er en historiefil, som har filtypen.rhistory. Man kan gi den et fullnavn: > savehistory("komandoenemaoppgave.rhistory") For å få kommandoene tilbake, er det nok med å bruke loadhistory. (Det er fint å ha de forrige kommandoene tilgjengelige, fordi man kan hente dem enkelt og greit med pilene...) > loadhistory("komandoenemaoppgave.rhistory") Til slutt får vi kanskje nevne at R antar at alle disse filene finnes i arbeidsområdet til R. Om de ikke er der, må man skrive hele navn, eller bytte til det riktige stedet med setwd, før man prøver å gjenopprette den forrige tilstanden. ILOS 2013 Diana Santos 8

9 5 Bibliografi Det finnes mange bøker som gir en innføring i R for humanister eller andre. I tillegg til boken til Baayen [1, 2], som er pensum, finnes Crawley [3], Johnson [6] and Gries [4], alle med eksempler og oppgaver. Siden kildekoden til R er åpen, er det også mange som forbedrer R, skriver dokumentasjon om R [10], og lager nye moduler hele tida. Den offisielle hjemmesida til R, gir også tilgang til en tutorial og til hjelpesider. I tillegg finnes det mange R-kurs, som har blitt utviklet over hele verden, og er publisert på nettet. Jeg har bare valgt en liten del av det som finnes [5, 7, 9, 8]. Referanser [1] Harald Baayen. Analyzing Linguistic Data: A practical introduction to Statistics using R, Cambridge University Press, [2] R. H. Baayen. languager: Data sets and functions with Analyzing Linguistic Data: A practical introduction to statistics, CRAN.R-project.org/package=languageR. R package version 1.2. [3] Michael J. Crawley. Statistics: An Introduction using R, John Wiley and Sons, [4] Stefan Th. Gries. Statistics for Linguistics with R: A Practical Introduction, Mouton de Gruyter, [5] Åsne Haaland. Statistikk for språk- og musikkvitere 1, November Statistikk1.pdf. Research Computing Systems, University of Oslo. [6] Keith Johnson. Quantitative Methods in Linguistics, Wiley-Blackwell, [7] Bjørn-Helge Mevik. R for lingvister, del I, November https: //wiki.uio.no/usit/suf/vd/hpc/images/7/76/r-kurs pdf. Research Computing Systems, University of Oslo. [8] Bjørn-Helge Mevik. Introduction to R, October wiki.uio.no/usit/suf/vd/hpc/images/e/e7/bhmslides.pdf. Research Computing Systems, University of Oslo. ILOS 2013 Diana Santos 9

10 [9] Bjørn-Helge Mevik og Diana Santos. R for lingvister, del II, November /R-kurs pdf. Research Computing Systems, University of Oslo. [10] R Development Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, ISBN [11] Tom Short. R Reference Card, doc/contrib/short-refcard.pdf. ILOS 2013 Diana Santos 10