DM—套件與函式
POLab
2017/05/19
在R語言中只是第一步。若要熟練地處理/分析資料，必須要掌握另一個技巧：
套件(package)與函式(function)。
沒有寫過程式的人，可能對函式(function)不是那麼熟悉，但其實理解起來並不難。
還記得國中的數學課，有一個章節叫「代數與函數」嗎？
我們可能會根據某一道題目，建立一個f(x)=2x+3的式子對吧？這裡的f(x)，就是「函式」(函數)。
函式之所以好用，就是因為裡面已經幫你制定好規則。
因此，即使把不同的情況(x=2, x=3)丟入，也會根據相同的規則(f(x)=2x+3)，產出結果(f(x=2)=7, f(x=3)=9)。
由於R是一個Open Source的程式語言(簡單來說，全世界的人在R語言上進行開發，撰寫自己的函式)，因此具有豐沛的函式集，也就是「套件」(package)。
以下將會介紹R裡面一些實用的函式，以及如何根據自己的需求，搜尋到對應的套件並安裝。
1. 函式(function)
‧summary()
如果還記得的話，其實在上一篇的文章中，已經介紹過許多函式(is.integer(), data frame(), c(), str()…)
其中，str()十分好用，尤其在了解一筆資料時或未知的變數時，能派上很大的用場。
除此之外，還有一個相當強大、具有類似功能的函式，叫做summary()。
我們先拿R內建的鳶尾花資料(iris)，比較看看str()和summary()的功用吧：
str(iris)## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...summary(iris)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## 你會發現，str()列出資料內每個欄位的狀態，
而summary()則給出每個欄位的「最大值」、「最小值」、「平均值」、「中位數」「第一四分位數」…等等。
那麼，str()和summary()的差別究竟在哪裡呢？
這裡要教一個實用的小技巧：當你不清楚「一個函式的用途」、「該如何使用」時，要從哪裡找到說明文件(Help)？
答案很簡單！請在console裡面，輸入?str和?summary指令(如下圖)： 
你會發現，在右手邊的「Help」欄位，會出現說明文件，裡面包括「函式的套件」、「函式的用途」、「參數說明」、「使用上的教學示範」…
這個技巧，在日後會時常用到！
(重要觀念：當接觸一個新的函式時，第一步就是要去了解「它的用途」、以及「如何去使用」！)
(小練習)請試著在console裡，查詢summary()的說明文件
‧敘述統計函式
敘述統計是進行資料分析時，有效瀏覽(explore)、了解(recognize)資料狀態的步驟。
作為一個資料分析軟體，R裡面自然有許多可以協助我們進行敘述統計分析的函式：
mean()：平均值
var()：變異數
sd()：標準差
median()：中位數
max()：最大值
min()：最小值
sum()：綜合相加
quantile()：分位數
range()：全距
對鳶尾花資料(iris)進行簡單的示範：
# 從iris的資料集中，取"Sepal.Length"(花萼長度)這個欄位的資料出來(利用神奇符號$)
iris$Sepal.Length ## [1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9 5.4 4.8 4.8 4.3 5.8 5.7 5.4
## [18] 5.1 5.7 5.1 5.4 5.1 4.6 5.1 4.8 5.0 5.0 5.2 5.2 4.7 4.8 5.4 5.2 5.5
## [35] 4.9 5.0 5.5 4.9 4.4 5.1 5.0 4.5 4.4 5.0 5.1 4.8 5.1 4.6 5.3 5.0 7.0
## [52] 6.4 6.9 5.5 6.5 5.7 6.3 4.9 6.6 5.2 5.0 5.9 6.0 6.1 5.6 6.7 5.6 5.8
## [69] 6.2 5.6 5.9 6.1 6.3 6.1 6.4 6.6 6.8 6.7 6.0 5.7 5.5 5.5 5.8 6.0 5.4
## [86] 6.0 6.7 6.3 5.6 5.5 5.5 6.1 5.8 5.0 5.6 5.7 5.7 6.2 5.1 5.7 6.3 5.8
## [103] 7.1 6.3 6.5 7.6 4.9 7.3 6.7 7.2 6.5 6.4 6.8 5.7 5.8 6.4 6.5 7.7 7.7
## [120] 6.0 6.9 5.6 7.7 6.3 6.7 7.2 6.2 6.1 6.4 7.2 7.4 7.9 6.4 6.3 6.1 7.7
## [137] 6.3 6.4 6.0 6.9 6.7 6.9 5.8 6.8 6.7 6.7 6.3 6.5 6.2 5.9發現到了嗎？從data frame裡面取出來的「某一欄」資料，就是一個陣列(vector)的形式。(代表每一筆觀測值的花萼長度)
現在，就把上面這些函式，應用到這個陣列資料上吧(雖然有點無聊XD)：
mean(iris$Sepal.Length) #「花萼長度」的平均值
var(iris$Sepal.Length) #「花萼長度」的變異數
sd(iris$Sepal.Length) #「花萼長度」的標準差
median(iris$Sepal.Length) #「花萼長度」的中位數
max(iris$Sepal.Length) #「花萼長度」中的最大值
min(iris$Sepal.Length) #「花萼長度」中的最小值
sum(iris$Sepal.Length) #「花萼長度」加總
range(iris$Sepal.Length) #「花萼長度」最小值和最大值(全距)## [1] 5.843333
## [1] 0.6856935
## [1] 0.8280661
## [1] 5.8
## [1] 7.9
## [1] 4.3
## [1] 876.5
## [1] 4.3 7.9然而quantile()這個函式有點特殊：
quantile(iris$Sepal.Length, probs=0.25) # 第一四分位數 ## 25%
## 5.1quantile(iris$Sepal.Length, probs=0.75) # 第三四分位數 ## 75%
## 6.4注意到了嗎？在quantile()這個函式裡面，除了iris$Sepal.Length以外，後面加了一個逗號，並且多出probs的參數。
這代表什麼意思呢，當你對函式有所困惑時，就讓我們偷看一下說明文件吧！ 
明白了嗎？所以：
prob=0.25，代表「第一四分位數」；
prob=0.1，代表「在連續分布上，對應到機率0.1的那個點是多少」
以此類推…就是這麼簡單喔！
(話說回來，你能從說明文件中注意到，quantile()這個函式是屬於哪個套件嗎？(Ans:stats套件))
那如果資料裡面，有遺漏值的話呢？
a <- c(1, 2, 3, 5, 8, 13, 21, NA, 55)
sum(a)## [1] NA遇到資料有遺漏值的時候，函式往往會無法運作，最後結果如上面顯示是NA。
但如果我們想要把「NA以外的值」加總起來，又該怎麼做？
其實挺容易的：
sum(a, na.rm=TRUE)## [1] 108注意到我們在sum()函式裡面，多加一個參數na.rm=TRUE。
其中，na.rm意味著“remove NA”，表示若資料裡面有遺漏值NA，會把它忽略，對剩下的資料進行加總。
我們也可以查看sum()的說明文件，發現在函式裡面，果然有na.rm的參數可以設定(預設是FALSE)： 
‧其他實用函式
除了敘述統計的函式以外，R裡面還有一些好用的函式，常常會在處理資料時派上用場。
以下列出個人自認好用的函式，但這裡不會多加解釋。
若有困惑的話，先閱讀函式的說明文件，再加上自我練習，才能漸漸掌握每個函式的使用：
paste(), append()
# paste()：拼貼字串(把 "Happy"" 和 "White Day"" 兩個字串拼貼起來，sep代表連結字串的符號)
paste("Happy", "White-Day", sep=" ")
# append()：把兩個vector串接起來
b <- c(1,2,3)
c <- c(4,5,6)
append(b, c)## [1] "Happy White-Day"
## [1] 1 2 3 4 5 6rbind(), cbind()
a <- data.frame(x=c(1,2,3), y=c("Henry", "Lun", "Kevin"))
b <- data.frame(x=c(4,5,6), y=c("Helen", "Tommy", "Leon"))
rbind(a,b) # rbind()：把兩個data frame，依據row串接起來## x y
## 1 1 Henry
## 2 2 Lun
## 3 3 Kevin
## 4 4 Helen
## 5 5 Tommy
## 6 6 Leoncbind(a,b) # cbind()：把兩個data frame，依據column串接起來## x y x y
## 1 1 Henry 4 Helen
## 2 2 Lun 5 Tommy
## 3 3 Kevin 6 Leonsample(), seq()
sample(x=1:100, size=10) # 從1~100數字中，隨機挑10個數字，產生一個數列(vector)
seq(from=1, to=5, by=0.5) # 產生一個「從1開始，每次加0.5，直到5為止」的數列(vector)## [1] 52 71 75 26 86 79 12 97 69 46
## [1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0head(), tail()
head(iris, n=6) # head(): 顯示data frame中的前6筆資料## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosatail(iris, n=6) # tail(): 顯示data frame中的後6筆資料## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 145 6.7 3.3 5.7 2.5 virginica
## 146 6.7 3.0 5.2 2.3 virginica
## 147 6.3 2.5 5.0 1.9 virginica
## 148 6.5 3.0 5.2 2.0 virginica
## 149 6.2 3.4 5.4 2.3 virginica
## 150 5.9 3.0 5.1 1.8 virginicaorder(), sort()
a <- sample(x=1:100, size=10) # 從1~100數字中，隨機挑10個數字，產生一個數列(vector)
a## [1] 20 63 52 80 2 64 81 87 90 86# 用order()，把數列由大排到小；從小排到大，decreasing = FALSE
a[order(a, decreasing=TRUE)] ## [1] 90 87 86 81 80 64 63 52 20 2# 和 a[order(a, decreasing=TRUE)] 一樣效果
sort(a, decreasing=TRUE) ## [1] 90 87 86 81 80 64 63 52 20 2unique(), duplicated()
a <- c("A", "B", "C", "A", "A", "B")
unique(a) # 萃取資料中unique的element## [1] "A" "B" "C"duplicated(a) # 若後面有重複的資料，函式會回傳TRUE，而第一個資料會是FALSE
a[duplicated(a)==FALSE] # 和 unique(a)一樣效果## [1] FALSE FALSE FALSE TRUE TRUE TRUE
## [1] "A" "B" "C"which()
# which()：找出第幾個element是TRUE(在a裡面，第幾個element的值等於100)
a <- c(68,73,99,100,56,100,85,36)
which(a==100)## [1] 4 6除此之外，網路上有人詳列出各種好用的函式的一覽表，當作參考。
2. 套件(package)
基本上，每一個函式都有對應的套件(package)。
不過你可能會覺得奇怪，當我們在使用上面那些函式時，似乎沒怎麼琢磨在套件上？
那是因為，R已經將那些套件內建在裡面，因此我們可以直接呼叫(call)這些函式來使用。
現在問題來了，如果我們想使用那些「沒有內建在R裡面」的函式呢？
例如，我們想要使用一個強大的繪圖函式ggplot()：
ggplot(data=CO2)## Error in ggplot(data = CO2): 沒有這個函數 "ggplot"結果R跟你說「沒有這個函數」，這代表ggplot()函式沒有內建在R裡面。
因此，你得另外(1)安裝對應的套件(package)，並且(2)匯入到R裡面才可以！
(1)安裝套件
我們先求助google大神，看ggplot()對應到的套件是哪一個？ 
光看搜尋結果，就會發現對應的套件是ggplot2。
不過我們還是點開這個有CRAN字樣的網站：CRAN(Comprehensive R Archive Network)，是R的官方網站之一，裡面收錄了所有經過R官方核可後的函式、以及對應的說明文件，就像這樣：
因此，現在我們知道要使用ggplot()函式，需要先下載ggplot2套件。
既然知道套件名稱，那麼就要把套件下載下來。
下載R的套件有兩種方式：
[1] 用RStudio介面：
在RStudio上點開「Tools」->「Install Packages」 ： 
在中間填入想要安裝的套件名稱，點「Install」就大功告成！ 
[2] 用R的函式(指令)：
直接在console裡面輸入函式install.packages("套件名稱")！ 
(2)匯入到R
當出現這樣的畫面，就代表安裝完成，這代表你已經把R的套件下載到電腦裡面了！
接下來，要使用套件裡面的函式，要將套件匯入到R裡面才可以，
這時就要用到library()/require()，用來「匯入套件」的函式：
library(ggplot2) #匯入ggplot2套件到R裡面
ggplot(data=CO2) + geom_boxplot(data=CO2,aes(x=conc, y=uptake, colour=Plant))
如此一來，就可以順利使用ggplot()函式進行繪圖囉～
(P.S.關於ggplot繪圖的相關細節，會在之後的的筆記中提及，請不用擔心！)
總結
套件和函式是R很重要的功能，但我們不可能記住所有的套件和對應的函式。
因此，如何妥善運用google和說明文件，是在R的學習之路上很重要的一環！
接下來，會進入比較接近「程式設計」的主題：條件式(if-else, switch)、迴圈(for, while)，與函式搭配的情形。
謝謝大家！
It’s still a long way to go~
(額外) Happy White Day
今天恰好是3/14，祝大家白色情人節快樂！(R code from here)
require(graphics)
dat<- data.frame(t=seq(0, 2*pi, by=0.1) )
xhrt <- function(t) 16*sin(t)^3
yhrt <- function(t) 13*cos(t)-5*cos(2*t)-2*cos(3*t)-cos(4*t)
dat$y=yhrt(dat$t)
dat$x=xhrt(dat$t)
with(dat, plot(x,y, type="l"))
with(dat, polygon(x,y, col="hotpink"))
points(c(10,-10, -15, 15), c(-10, -10, 10, 10), pch=169, font=5)