R Markdown
MD
3/14/23
1
Induktivní (vs. deduktivní) úsudky
• logické úsudky
Jestliže je Bohouš v Bratrstvu, tah nemá rád Rychlé šípy.
Bohouš je y Bratrstvu.
N Bohouš nemá rád Rychlé šípy.
- chybný úsudek: Jestliže je Bohouš v Bratrstvu, tah nemá rád Rychlé šípy.
Bohouš není v Bratrstvu.
Ý Bohouš má rád Rychlé šípy.
• deduktivní platnost
#library(reticulate) #py_install(,,nltk")
2
Python + Prove r9
import nltk
read_expr = nltk.sem.Expression.fromstring nltk.boolean_ops() # modus ponens
negation
conjunction &
disjunction |
implication ->
equivalence <->
Ip = nltk.sem.Expression.fromstring
BohJeBra = read_expr('BohJeBra') NotRadRS = read_expr('-RadRS') Rule = read_expr('BohJeBra -> -RadRS') prover = nltk.Prover9()
print(prover.prove(NotRadRS, [BohJeBra, Rule])) True
3
Monotonicita
BohJeBra = read_expr('BohJeBra')
Prsi = read_expr("Prsi")
NotRadRS = read_expr('-RadRS')
Rule = read_expr('BohJeBra -> -RadRS')
prover = nltk.Prover9()
print(prover.prove(NotRadRS,  [BohJeBra, Prsi, Rule]))
True
4
Chybný úsudek
BohNeBra = read_expr('-BohJeBra') RadRS = read_expr('RadRS') Rule = read_expr('BohJeBra -> -RadRS') prover = nltk.Prover9()
print(prover.prove(RadRS,  [BohNeBra, Rule]))
False
5
Induktivní úsudky jsou ne-monotonní
# Performs an exact test of a simple null hypothesis about the probability of success in a Bernoulli experiment.
# first 62 cases are true (first 62 P are Q) binom.test( x=62, n=100, p=.5 )
Exact binomial test data:    62 and 100
number of successes = 62, number of trials = 100, p-value = 0.02098 alternative hypothesis: true probability of success is not equal to 0.5 95 percent confidence interval:
0.5174607 0.7152325 sample estimates: probability of success
0.62
6
ale po prvních 100 pouze 38 z druhých 100 P je Q
binom.test( x=100, n=200, p=.5 )
Exact binomial test data:   100 and 200
number of successes = 100, number of trials = 200, p-value = 1 alternative hypothesis: true probability of success is not equal to 0.5 95 percent confidence interval:
0.4286584 0.5713416 sample estimates: probability of success
0.5
7
Pravděpodobnosti součtů (2 kostky) i
#vecl <- sample(l:6, replace = TRUE) #vec2 <- sample(l:6, replace = TRUE)
vecl <- sample(l:6, 1000, replace=TRUE) vec2 <- sample(l:6, 1000, replace=TRUE)
df <- cbind.data.frame(vecl, vec2) str(df)
'data.frame':     1000 obs. of   2 variables: $ vecl:  int 5263212512... $ vec2:  int 3663134136...
library(dplyr)
df <- df %>%
mutate(sum = rowSums(select(.,vecl:vec2)))
str(df)
'data.frame'
$ vecl $ vec2 $ sum
int int num
1000 obs. of   3 variables 5263212512 ... 3663134136 ... 88 12 6346648 ...
8
Pravděpodobnosti součtů (2 kostky) i i
library(ggplot2) # Basic density p <- ggplot(df, aes(x=sum)) + geom_density()
P
9
Pravděpodobnosti součtů (2 kostky) iii
R Markdown
• toto je příklad dokumentu v R Markdown
• Markdown je jednoduchý značkovací jazyk pro vytváření HTML, PDF a MS Word dokumentů
• jedna z adres: http://rmarkdown.rstudio.com.
• syntax je velmi jednoduchá: italika pomocí *výraz*
• bold: **výraz**
• odrážky pomocí: - - pod sebou
• více
• zanořování
• zanořování
12
ale umožňuje TeX-zápis matematických formulí:
Vx[man(x) —> 3j/[woman(j/) A love(x,y)]]
vzniklo z:
\forall x[\mathbf{man}(x) \rightarrow
\exists y[\mathbf{woman}(y) \wedge \mathbf{love}(x,y)]]
• asi nej podstatnější: umožňuje interaktivní zanořování R kódu
13
x <- seq(l, 100, by = 2) y <- log(x)
y
[1]	0	.000000	1	.098612	1	.609438
[9]	2	.833213	2	.944439	3	.044522
[17]	3	.496508	3	.555348	3	.610918
[25]	3	.891820	3	.931826	3	.970292
[33]	4	.174387	4	.204693	4	.234107
[41]	4	.394449	4	.418841	4	.442651
[49]	4	.574711	4	.595120		
1.945910 2.197225 2.397895 2.56 3.135494 3.218876 3.295837 3.36 3.663562 3.713572 3.761200 3.8G 4.007333 4.043051 4.077537 4.11 4.262680 4.290459 4.317488 4.34 4.465908 4.488636 4.510860 4.52
14
plot(xfy)
co H
o o
o
o H
T" 0
20
40
60
80
100
str(x)
num [1:50] 1 3 5 7 9 11 13 15 17 19 ...
library(ggplot2) df <- data.frame(x) str(df)
'data.frame':     50 obs. of   1 variable: $ x: num   1 3 5 7 9 11 13 15 17 19 .. .
ggplot(df,aes(x)) + stat_function(fun=function(x) log(x))
• chunk Pythonu
• lepší na algebru, logiku,...
18
B = {1, 2}
A == B   # Python will say 'True' True
C = {3, 4} A.union(C)
{1, 2, 3, 4}
A.intersection(C)
set()
len(A)   # tells you the size of A 2
A <= B   # checks if A is a subset of B True
A < B    # checks if A is a proper subset of B False
{(a, b) for a in A for b in B} # Cartesian product AxB
{(1, 1), (1, 2), (2, 1), (2, 2)} emptyset = set() A = {1, 2} C = {3, 4}
A.intersection(C) == emptyset   # True
True
• pluralities
#Python program to find powerset from itertools import combinations def print_powerset(string):
for i in range(0,len(string)+l):
for element in combinations(string,i): print(''.join(element)) string=['a','b','c'] print_powerset(string)
a b c
ab ac be abc
•   pointwise sum # Python 3
listl - ['a', 'b', 'c'] list2 = ['d' , 'e', 'f' ]
assert len(listl) == len(list2)
result = [listl[i] + list2[i] for i in range(len(listl))] print(result)
['ad',  'be', 'cf']
20
Knížky
https://bookdown.org/
• R Markdown: The Definitive Guide
• case studies
21
• moje nejčastější použití: slidy a reporty
title: "Habits" author: John Doe date: March 22, 2005 output: beamer_presentation
# In the morning ## Getting up
- Turn off alarm
- Get out of bed
## Going to sleep
In the morning
Getting up
• Turn off alarm
• Get out of bed
Breakfast
• Eat eggs
• Drink coffee
23
In the evening
Dinner
• Eat spaghetti
• Drinkwine
24
o o
©
o o
T
5
o o o
10
o o o
o
o o
o o
15
speed
o o
o o
o o
o o o
20
25
Figure 1: A scatterpiot.
Going to sleep
• Get in bed
• Count sheep
26
• rmarkdown: trochu příliš lehký
• rozšíření směrem k akademickému použití: TeXové citace
bibliography: biblio.bib
includes:
in_header: preamble.tex latex_engine: xelatex citation_package: natbib
• citace: @R-base
• vytvoří: R Core Team (2016)
• lingvistika: príklady
• expex makra:
(1)   One brown mouse jumped over the fence.
\ex One brown mouse jumped over the fence. \xe
• markdown je oficiální markovací jazyk na GitHubu
• dostanete se do polar vault
• ideální pro spolupráci:
• GitHub jako univerzálně použitelné úložiště pro experimenty, programování, etc:
29
• největší plus: velmi propracovaný verzovací systém
• editovatelný zdroják experimentu
• samotný experiment na IBEXu
• historie verzí
30
• práce s open-source knihami:
• fork knihy Hands-On Programming with R
• https://github.com/MojmirDocekal/hopr
• zmenená kapitola bacics.rmd
vlastní report: File -> New File -> R Markd insert R chunk
rychlá kontrola: knit to html
RaTeX
• dizertace v Markdownu
• mezikrok k Overleafu: MUNI šablony na Overleafu
• první verze v markdownu, pak vyexportovat do TeXu
• případně Markdown v TeXu: https://www.overleaf.eom/learn/latex/A rticles/How_to_write_in_Markdown_on_Overleaf
33
• R Sweave: File -> New File -> R Sweave
• export do čistého TeXu
• propojení s Overleafem
• práce s verzemi v Overleafu
• článek z FANSB
34
Domácí úloha
• v ČNK najít (např. ze jména) slovo: např. čekat čekat
• do dataframe hodit textové typy a ipm (zaokrouhlit):
• jednoduchý ggplot2 barplot graf
• zaslat výsledek reportu jako html
• obvyklé náležitosti: jméno, komentáře,...
35
x <- c("mluvenyjazyk","beletrie","publicistika","odborna.litei y <- c(230, 569, 458, 164)
df <- data.frame(x,y)
36
library(ggplot2)
ggplot(aes(x = x, y = y), data = df) + geom_bar(stat="identity"
References
R Core Team. 2016. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
38