R의 다양한 데이터 구조

> ### 1) 팩터의 순서(Levels) 설정

> x1 <- c("Dec", "Apr", "Jan", "Mar")

> x2 <- c("Dec", "Apr", "Jam", "Mar")

> # 팩터 정렬은 알파벳 순서대로 진행 (A-D-J-M)

> factor(x1)

[1] Dec Apr Jan Mar

Levels: Apr Dec Jan Mar

> sort(x1)

[1] "Apr" "Dec" "Jan" "Mar"

 

> x1 <- c("Dec", "Apr", "Jan", "Mar")

> month_levels <- c(

+   "Jan", "Feb", "Mar", "Apr", "May", "Jun", 

+   "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"

+ )

 

> # 팩터 순서를 month_levels대로 변경

> y1 <- factor(x1, levels = month_levels)

> y1

[1] Dec Apr Jan Mar

Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

> #> [1] Dec Apr Jan Mar

> #> Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

> #> (12 Levels: Jan Feb Mar Apr May Jun Jul Aug ... Dec)

> sort(y1)

[1] Jan Mar Apr Dec

Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

> 

> # Jan이 아니라 Jam으로 잘못 입력된 부분은 로 처리

> y2 <- factor(x2, levels = month_levels)

> y2

[1] Dec  Apr   Mar 

Levels: Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

> 

> ### 2) t(x)를 사용하여 벡터를 데이터 프레임으로 변경

> library(UsingR)

> x <- sapply(kid.weights[, 1:3], mean); x

   age weight height 

47.948 38.384 36.524 

> as.data.frame(x)

            x

age    47.948

weight 38.384

height 36.524

> # transpose: 데이터 프레임을 전치시킴

> as.data.frame(t(x))

     age weight height

1 47.948 38.384 36.524

> 

> ### 3) 데이터 객체의 정보를 알 수 있는 함수

> ## : 저장 유형 mode(), 객체지향 관점 속성 class(), 객체 타입 typeof()

> ## mode(): (numeric), character, logical, (list)

> ## class(): (numeric, factor), character, logical, (data.frame)

> ## typeof(): (interger, double), character, logical, (list)

> 

> # 예제1: numeric

> a <- 555

 

> mode(a)

[1] "numeric"

> class(a)

[1] "numeric"

> typeof(a)

[1] "double"

> typeof(1:100)

[1] "integer"

 

> 

> # 예제2: character

> a <- "Data Science & Big Data"

> mode(a)

[1] "character"

> class(a)

[1] "character"

> typeof(a)

[1] "character"

 

> # 예제3: logical

> a <- (10 > 7)

> mode(a)

[1] "logical"

> class(a)

[1] "logical"

> typeof(a)

[1] "logical"

> 

> # 예제4: factor

> gender <- c("M", "M", "F")

> gender <- factor(gender)

> gender

[1] M M F

Levels: F M

> mode(gender)

[1] "numeric"

> class(gender)

[1] "factor"

> typeof(gender)

[1] "integer"

 

> # 예제5: data.frame

> name <- c("Cha", "Park", "Jung")

> toeic <- c(900, 690, 730)

> gpa <- c(3.8, 4.5, 3.1)

> student <- data.frame(name, toeic, gpa)

> str(student)

'data.frame':           3 obs. of  3 variables:

 $ name : chr  "Cha" "Park" "Jung"

 $ toeic: num  900 690 730

 $ gpa  : num  3.8 4.5 3.1

 

> mode(student)

[1] "list"

 

> class(student)

[1] "data.frame"

 

> typeof(student)

[1] "list"

 

> # 예제6: kid.weights의 네 변수

> #       (sapply를 통한 벡터연산)

> library(UsingR)

> head(kid.weights)

  age weight height gender

1  58     38     38      M

2 103     87     43      M

3  87     50     48      M

4 138     98     61      M

5  82     47     47      F

6  52     30     24      F

> str(kid.weights)

'data.frame':           250 obs. of  4 variables:

 $ age   : num  58 103 87 138 82 52 28 79 107 45 ...

 $ weight: num  38 87 50 98 47 30 24 45 144 24 ...

 $ height: num  38 43 48 61 47 24 29 48 59 24 ...

 $ gender: Factor w/ 2 levels "F","M": 2 2 2 2 1 1 2 1 2 2 ...

 

> sapply(kid.weights, class)

      age    weight    height    gender 

"numeric" "numeric" "numeric"  "factor" 

> sapply(kid.weights, mode)

      age    weight    height    gender 

"numeric" "numeric" "numeric" "numeric" 

> sapply(kid.weights, typeof)

      age    weight    height    gender 

 "double"  "double"  "double" "integer" 

> 

> # str(kid.weights)의 자료구조는 class(속성)로 표시됨

> 

> ### 4) 객체의 속성에 따른 summary() 결과

> name <- c("Cha", "Park", "Jung")

> gender <- c("M", "F", "M")

> toeic <- c(900, 690, 730)

> gpa <- c(3.8, 4.5, 3.1)

> student <- data.frame(name, gender, toeic, gpa)

> str(student)

'data.frame':           3 obs. of  4 variables:

 $ name  : chr  "Cha" "Park" "Jung"

 $ gender: chr  "M" "F" "M"

 $ toeic : num  900 690 730

 $ gpa   : num  3.8 4.5 3.1

> student$gender <- factor(student$gender)

> str(student)

'data.frame':           3 obs. of  4 variables:

 $ name  : chr  "Cha" "Park" "Jung"

 $ gender: Factor w/ 2 levels "F","M": 2 1 2

 $ toeic : num  900 690 730

 $ gpa   : num  3.8 4.5 3.1

 

> summary(student)

     name           gender     toeic            gpa      

 Length:3           F:1    Min.   :690.0   Min.   :3.10  

 Class :character   M:2    1st Qu.:710.0   1st Qu.:3.45  

 Mode  :character          Median :730.0   Median :3.80  

                           Mean   :773.3   Mean   :3.80  

                           3rd Qu.:815.0   3rd Qu.:4.15  

                           Max.   :900.0   Max.   :4.50