R-Kurs · Kapitel 4 · Datensätze in R

Datensätze in R

Data-Frames anlegen

Ein Data-Frame ist eine Tabelle aus gleich langen Spalten (die Vektoren dürfen unterschiedliche Typen haben):

personen <- data.frame(
name  = c("Anna", "Ben", "Cem"),
alter = c(23, 31, 27),
raucht = c(FALSE, TRUE, FALSE)
)
personen
str(personen)          # Struktur ansehen
personen$alter         # Spalte als Vektor

Ausgabe

   name alter raucht
1  Anna    23  FALSE
2   Ben    31   TRUE
3   Cem    27  FALSE
[1] 23 31 27

Mini-Aufgabe

Lege einen Data-Frame mit den Spalten stadt (HH, M, B) und einwohner (1.8, 1.5, 3.7) an und berechne die mittlere Einwohnerzahl.

Lösung zeigen

df <- data.frame(
stadt = c("HH", "M", "B"),
einwohner = c(1.8, 1.5, 3.7)
)
mean(df$einwohner)

Ausgabe

[1] 2.333333

Dateien einlesen

Je nach Format die passende Funktion — die Argumente sep (Trenner), dec (Dezimalzeichen) und header sind entscheidend:

RDateinamen/Trennzeichen müssen exakt passen, sonst werden Zahlen als Text gelesen.

# allgemeine Textdatei
df <- read.table("DWD.txt", header = TRUE, sep = ";", dec = ".")
# deutsche CSV (Semikolon, Komma-Dezimal)
farbe <- read.csv2("Farbe.csv")
# Excel (Paket readxl)
library(readxl)
spx <- read_excel("SPX.xlsx")

Nach dem Einlesen immer prüfen: str(df), head(df), summary(df). Der Wert NA markiert fehlende Beobachtungen.

Mit Datum arbeiten

Datumsangaben wandelt man mit as.Date() in echte Datumswerte um; dann lässt sich damit rechnen und sortieren:

d <- as.Date(c("2015-01-01", "2015-03-15"))
d[2] - d[1]            # Differenz in Tagen
format(d, "%d.%m.%Y")  # deutsches Format

Ausgabe

Time difference of 73 days
[1] "01.01.2015" "15.03.2015"

Merke: Erst str() nach dem Einlesen! Falsche sep/dec-Argumente führen dazu, dass Zahlenspalten als character (Text) landen und Rechnungen scheitern.

Abruf-Quiz

Frage 1 / 2

Womit greift man auf die Spalte „Alter" eines Data-Frames df zu?

x <- c(3, 1, 4, 1, 5) # Vektor anlegen y <- rep(c(0, 1), times = c(26, 9)) # 26x 0, 9x 1 s <- seq(0, 2*pi, length.out = 100) # gleichmäßige Folge 1:10 # Ganzzahlfolge length(x); sort(x); rev(x) # Länge, sortieren, umkehren x[x > 2] # logische Indizierung

barplot(table(x), main = "Titel", ylab = "h(a)") # Säulen pie(table(x), labels = c("nein", "ja")) # Kreis hist(x) # Histogramm (Auto-Klassen) hist(x, breaks = seq(50, 110, by = 5), # eigene Klassen col = heat.colors(12), xlab = "kg") plot(s, sin(2*s), type = "l", col = "blue", lwd = 2) # Linie lines(s, cos(s)) # weitere Linie ergänzen boxplot(x) # Box-Plot

mean(x) # arithmetisches Mittel median(x) # Median quantile(x, c(.25, .5, .75)) # Quartile quantile(x, 0.9) # 90%-Quantil # Modus: Ausprägung mit größter Häufigkeit names(which.max(table(x)))

var(x) # Stichprobenvarianz (/ (n-1)) sd(x) # Standardabweichung IQR(x) # Interquartilsabstand range(x); diff(range(x)) # Min/Max bzw. Spannweite sd(x) / mean(x) # Variationskoeffizient

dbinom(k, size = n, prob = p) # Binomial P(X = k) pbinom(k, n, p) # P(X <= k) dpois(k, lambda); ppois(k, lambda) dnorm(x, mean, sd); pnorm(x, mean, sd) # Normal qnorm(0.975) # Quantil (z-Wert) rnorm(100, mean = 0, sd = 1) # Zufallszahlen

t.test(x, mu = 0) # t-Test / KI für mu t.test(x, conf.level = 0.95)$conf.int # Konfidenzintervall prop.test(k, n) # Anteilstest chisq.test(table(a, b)) # Unabhängigkeitstest