[R] Objects - Data frame

작성일자 : 2023-09-29

Ver 0.1.1

• Data frame은 자료분석을 위해 만들어진 객체형이다.
• Data frame은 여러면에서 matrix 및 list와 유사한 형태를 지닌다
• Data frame의 행(row)은 샘플(observations)에 대응되며 열(column)은 변수(variables)에 대응된다.

 

Data frame 만들기: read.table()

data1 = read.table( 'files/data1.txt' )
data1

##   V1   V2  V3  V4

## 1 no name age sex

## 2  1  LEE  55   M

## 3  2 PARK  47   F

## 4  3   SO  35   M

## 5  4  KIM  26   F

## 6  5 YOON  29   M

 

data2 = read.table( 'files/data1.txt' , row.names = 'no' , header = T )
data2

##   name age sex

## 1  LEE  55   M

## 2 PARK  47   F

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

str(data2)

## 'data.frame':    5 obs. of  3 variables:

##  $ name: Factor w/ 5 levels "KIM","LEE","PARK",..: 2 3 4 1 5

##  $ age : int  55 47 35 26 29

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

col1 = data2[ , 1 ]
col2 = data2[ , 2 ]
col3 = data2[ , 3 ]
col1

## [1] LEE  PARK SO   KIM  YOON

## Levels: KIM LEE PARK SO YOON

class( col1 )     # the first column is a factor

## [1] "factor"

class( col2 )     # the second column is numeric(integer)

## [1] "integer"

class( col3 )     # the third column is a factor

## [1] "factor"

• header 옵션은 첫번째 행을 변수명 또는 열이름으로 설정한다.
• row.names='no' 옵션은 변수 no를 행이름으로 설정한다. 이 옵션을 사용하지 않거나 row.names = NULL로 설정하면 디폴트로 일련번호가 행이름으로 정해진다.

 

Data frame 만들기: data.frame() 함수 이용

data3 = scan( 'files/data1.txt' , list( no = 0 , name = '' , age = 0 , sex = '' ) , skip = 1 )
data3

## $no

## [1] 1 2 3 4 5

## 

## $name

## [1] "LEE"  "PARK" "SO"   "KIM"  "YOON"

## 

## $age

## [1] 55 47 35 26 29

## 

## $sex

## [1] "M" "F" "M" "F" "M"

no = data3$no
name = data3$name
age = data3$age
sex = data3$sex
data4 = data.frame( no , name , age , sex )
data4

##   no name age sex

## 1  1  LEE  55   M

## 2  2 PARK  47   F

## 3  3   SO  35   M

## 4  4  KIM  26   F

## 5  5 YOON  29   M

• 위의 scan() 함수의 옵션 list는 제 1, 3열을 numeric으로, 제 2, 4열을 character로 받아들인다는 의미이다. 즉, 0은 numeric을, ''는 character를 뜻한다.
• 옵션 skip = 1 은 처음행을 건너뜀을 의미한다.

data5 = data.frame( no = 1:5 ,
                   name = c( 'LEE' , 'PARK' , 'SO' , 'KIM' , 'YOON' ) ,
                   age = c( 55 , 47 , 35 , 26 , 29 ) ,
                   sex = c( 'M' , 'F' , 'M' , 'F' , 'M' ) )
data5

##   no name age sex

## 1  1  LEE  55   M

## 2  2 PARK  47   F

## 3  3   SO  35   M

## 4  4  KIM  26   F

## 5  5 YOON  29   M

 

Data frame의 특성

data2

##   name age sex

## 1  LEE  55   M

## 2 PARK  47   F

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

mode( data2 )

## [1] "list"

length( data2 )

## [1] 3

names( data2 )

## [1] "name" "age"  "sex"

row.names( data2 )

## [1] "1" "2" "3" "4" "5"

dim( data2 )

## [1] 5 3

dimnames( data2 )

## [[1]]

## [1] "1" "2" "3" "4" "5"

## 

## [[2]]

## [1] "name" "age"  "sex"

colnames( data2 )

## [1] "name" "age"  "sex"

rownames( data2 )

## [1] "1" "2" "3" "4" "5"

ncol( data2 )

## [1] 3

nrow( data2 )

## [1] 5

class( data2 )

## [1] "data.frame"

 

Data frame의 성분 조작

data2

##   name age sex

## 1  LEE  55   M

## 2 PARK  47   F

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

data2[ 2 , 1 ]     # the first variable of the second observation

## [1] PARK

## Levels: KIM LEE PARK SO YOON

data2[[ 1 ]][ 2 ]    # the first variable of the second observation

## [1] PARK

## Levels: KIM LEE PARK SO YOON

data2[ data2$name == 'LEE' , ]     # observation of name=='LEE'

##   name age sex

## 1  LEE  55   M

data2[ , 2 ]     # the second component (or variable)

## [1] 55 47 35 26 29

data2$age     # the second component (age) -- same as a list

## [1] 55 47 35 26 29

data2[[ 2 ]]     # the second component (age) -- same as a list

## [1] 55 47 35 26 29

is.list( data2 )

## [1] TRUE

is.data.frame( data2 )

## [1] TRUE

 

샘플과 변수의 추가

levels( data2$name ) = c( levels( data2$name ) , 'RYU' )     # add new level to factor
data2 = rbind( data2 , c( 'RYU' , 36 , 'M' ) )     # add new row (observation)
data2[ 7 , ] = c( 'CHOI' , 41 , 'F' )     # 'CHOI' is not in the set of levels

## Warning in `[<-.factor`(`*tmp*`, iseq, value = "CHOI"): invalid factor

## level, NA generated

data2

##   name age sex

## 1  LEE  55   M

## 2 PARK  47   F

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

## 6  RYU  36   M

## 7 <NA>  41   F

class( data2$age )

## [1] "character"

data2$age

## [1] "55" "47" "35" "26" "29" "36" "41"

data2$age = as.numeric( data2$age )     # convert age into numeric
data2 = cbind( data2 , married = c( T , T , T , F , F , T , T ) )     # add new column (variable)
data2

##   name age sex married

## 1  LEE  55   M    TRUE

## 2 PARK  47   F    TRUE

## 3   SO  35   M    TRUE

## 4  KIM  26   F   FALSE

## 5 YOON  29   M   FALSE

## 6  RYU  36   M    TRUE

## 7 <NA>  41   F    TRUE

str( data2 )

## 'data.frame':    7 obs. of  4 variables:

##  $ name   : Factor w/ 6 levels "KIM","LEE","PARK",..: 2 3 4 1 5 6 NA

##  $ age    : num  55 47 35 26 29 36 41

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

##  $ married: logi  TRUE TRUE TRUE FALSE FALSE TRUE ...

 

Data frame들 간의 병합

df1 = data.frame( name = c( 'LEE' , 'PARK' , 'SO' , 'KIM' , 'YOON' ) ,
                  age = c( 55 , 47 , 35 , 26 , 29 ) ,
                  sex = c( 'M' , 'F' , 'M' , 'F' , 'M' ) )
df2 = data.frame( name = c( 'LEE' , 'SO' , 'LEE' , 'YOON' , 'PARK' ) ,
                  married = c( F , T , T , F , T ) )
df1

##   name age sex

## 1  LEE  55   M

## 2 PARK  47   F

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

df2

##   name married

## 1  LEE   FALSE

## 2   SO    TRUE

## 3  LEE    TRUE

## 4 YOON   FALSE

## 5 PARK    TRUE

merge( df1 , df2 )     # merge two data frames with a key 'name'

##   name age sex married

## 1  LEE  55   M   FALSE

## 2  LEE  55   M    TRUE

## 3 PARK  47   F    TRUE

## 4   SO  35   M    TRUE

## 5 YOON  29   M   FALSE

df3 = data.frame( surname = c( 'KIM' , 'SO' , 'LEE' , 'YOON' , 'PARK' ) ,
                  married = c( F , T , T , F , T ) )
merge( df1 , df3 , by.x = 'name' , by.y = 'surname' )

##   name age sex married

## 1  KIM  26   F   FALSE

## 2  LEE  55   M    TRUE

## 3 PARK  47   F    TRUE

## 4   SO  35   M    TRUE

## 5 YOON  29   M   FALSE

• 병합의 기준변수(key variable)은 옵션 by.x 과 by.y로 설정한다.

df4 = data.frame( name = c( 'LEE' , 'PARK' , 'SO' , 'KIM' , 'YOON' ) ,
                  sex = c( 'M' , 'M' , 'F' , 'F' , 'M' ) ,
                  married = c( T , T , F , T , F ) )
df1

##   name age sex

## 1  LEE  55   M

## 2 PARK  47   F

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

df4

##   name sex married

## 1  LEE   M    TRUE

## 2 PARK   M    TRUE

## 3   SO   F   FALSE

## 4  KIM   F    TRUE

## 5 YOON   M   FALSE

merge( df1 , df4 )     # 2 keys (name and sex): intersection

##   name sex age married

## 1  KIM   F  26    TRUE

## 2  LEE   M  55    TRUE

## 3 YOON   M  29   FALSE

merge( df1 , df4 , all = T )     # 2 keys (name and sex): union

##   name sex age married

## 1  KIM   F  26    TRUE

## 2  LEE   M  55    TRUE

## 3 PARK   F  47      NA

## 4 PARK   M  NA    TRUE

## 5   SO   F  NA   FALSE

## 6   SO   M  35      NA

## 7 YOON   M  29   FALSE

 

행과 열의 제거

data2

##   name age sex married

## 1  LEE  55   M    TRUE

## 2 PARK  47   F    TRUE

## 3   SO  35   M    TRUE

## 4  KIM  26   F   FALSE

## 5 YOON  29   M   FALSE

## 6  RYU  36   M    TRUE

## 7 <NA>  41   F    TRUE

( data2 = data2[ -2 , ] )     # delete the second row

##   name age sex married

## 1  LEE  55   M    TRUE

## 3   SO  35   M    TRUE

## 4  KIM  26   F   FALSE

## 5 YOON  29   M   FALSE

## 6  RYU  36   M    TRUE

## 7 <NA>  41   F    TRUE

( data2 = data2[ , -4 ] )     # delete teh fourth column

( data2 = data2[ -2 , ] )     # delete the second row

##   name age sex

## 1  LEE  55   M

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

## 6  RYU  36   M

## 7 <NA>  41   F

 

원소의 수정

data2

##   name age sex

## 1  LEE  55   M

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  29   M

## 6  RYU  36   M

## 7 <NA>  41   F

data2[ 4 , 2 ] = 28
data2

##   name age sex

## 1  LEE  55   M

## 3   SO  35   M

## 4  KIM  26   F

## 5 YOON  28   M

## 6  RYU  36   M

## 7 <NA>  41   F

 

성분 접근하기

data2$age

## [1] 55 35 26 28 36 41

mean( data2$age )

## [1] 36.83333

 

attach() 함수

ls()

##  [1] "A1"           "Ashley"       "Jake"         "Jason"       

##  [5] "age"          "age1"         "age2"         "ages"        

##  [9] "col1"         "col2"         "col3"         "data1"       

## [13] "data2"        "data3"        "data4"        "data5"       

## [17] "df1"          "df2"          "df3"          "df4"         

## [21] "drink"        "fac1"         "fives"        "list1"       

## [25] "logical.mat1" "mat1"         "mat2"         "mat3"        

## [29] "mat4"         "month.kor"    "my.class"     "name"        

## [33] "no"           "ord1"         "ord2"         "pencil"      

## [37] "ramen"        "row1"         "row2"         "row3"        

## [41] "school.store" "sex"          "stationery"   "std1"        

## [45] "student"      "surname"      "tbl"          "vec"         

## [49] "vec1"         "vec2"         "year"

rm( age )
age

## Error in eval(expr, envir, enclos): object 'age' not found

attach( data2 )

## The following objects are masked _by_ .GlobalEnv:

## 

##     name, sex

age

## [1] 55 35 26 28 36 41

detach( data2 )
age

## Error in eval(expr, envir, enclos): object 'age' not found

data2$age

## [1] 55 35 26 28 36 41

• attach()는 data frame의 각 성분을 변수로 사용가능하게 한다. Data frame의 변수가 매우 많을때 유용하게 쓰인다.
• attach()를 사용한 후, 반드시 detach()를 사용하여 예상치 않은 오류를 줄이는 습관이 중요하다.