1
Procvičování 4 s řešením
1. V RStudiu vytvořte nový projekt, umístěte ho do adresáře cv04 a natáhněte si pracovní prostředí z minula. Najdete zde: http://www.sci.muni.cz/~syrovat/cv04.RData. Natažení můžete provést přímo z internetu pomocí příkazu url().
load(url("http://www.sci.muni.cz/~syrovat/cv04.RData"))
2. Zjistěte, jaké objekty pracovní prostředí obsahuje. ls()
## [1]  "env"     "jména" "noha"    "sex"     "spe" "vyska"
3. Vytvořte vektor vec obsahující sekvenci celých čísel od 1 do 20. vec <- 1:20
4. Přiřaďte vektoru vec rozměry: 5 řádků a 4 sloupce. dim(vec) <- c(5, 4)
5. Zjistěte třídu objektu vec a zkontrolujte jeho rozměry.
class(vec)
## [1] "matrix"
dim(vec)
## [1] 5 4
6. Převeďte objekt vec zpět na vektor a nechejte si vypsat jeho třídu.
vec <- as.numeric(vec)
# nebo vec<- as.vector(vec)
class(vec)
## [1] "numeric"
7. Vytvořte z vektoru vec matici mátí o 4 sloupcích tak, aby se hodnoty do matice skládaly po sloupcích.
2
mátl <- matrix(vec, ncol = 4)
8. Vytvořte z vektoru vec matici matž o 4 sloupcích tak, aby se hodnoty do matice skládaly po řádcích.
mat2 <- matrix(vec, ncol = 4, byrow = T)
9. Vizuánlě porovnejte 10. hodnotu matic matl a matž (nechejte si je vypsat).
mat 1 [10] ## [1] 10 mat2[10] ## [1] 18
10. Stejně porovnejte první sloupec těchto matic.
matl[, 1]
## [1] 1 2 3 4 5
mat2[, 1]
## [1] 15   9 13 17
11. Do matice mat spojte 1.-3. sloupec matice matl a 3.-4. sloupec matž. (vznikne čtvercová matice o 5 řádcích i sloupcích)
mat <- cbind(matl[, 1:3], mat2[, 3:4])
mat						
##		[,1]	[,2]	[,3]	[,4]	[,5]
##	[1,]	1	6	11	3	4
##	[2,]	2	7	12	7	8
##	[3,]	3	8	13	11	12
##	[4,]	4	9	14	15	16
##	[5,]	5	10	15	19	20
12. Vytvořte list mat.info obsahující matici mat, její rozměry, počet sloupců, počet řádků a aritmetický průměr hodnot matice mat. Jednotlivé elementy listu vhodně nazvěte.
3
mat.info <- list(mat = mat, dim.mat = dim(mat), ncol.mat = ncol(mat), nrow.mat = nrow(mat), mean.mat = mean(mat))
mat	. info				
##	$mat				
##	[,1]	[,2]	[,3]	[,4]	[,5]
##	[1,] 1	6	11	3	4
##	[2,] 2	7	12	7	8
##	[3,] 3	8	13	11	12
##	[4,] 4	9	14	15	16
##	[5,] 5	10	15	19	20
##					
##	$dim.mat				
##	[1] 5 5				
##					
##	$ncol.mat				
##	[1] 5				
##					
##	$nrow.mat				
##	[1] 5				
##					
##	$mean.mat				
##	[1] 9.4				
13. Horní i dolní trojúhelník matice mat (tedy všechny mimodiagonální elementy) vyplňte nulami.
mat[upper.tri(mat)] <- 0 mat[lower.tri(mat)] <- 0 mat
##		[,1]	[,2]	[,3]	[,4]	[,5]
##	[1,]	1	0	0	0	0
##	[2,]	0	7	0	0	0
##	[3,]	0	0	13	0	0
##	[4,]	0	0	0	15	0
##	[5,]	0	0	0	0	20
14. Pojmenujte sloupce matice mat velkými písmeny.
colnames(mat) <- LETTERS[1:ncol(mat)] mat
## A B   C D E
## [1,] 1 0   0 0 0
## [2,] 0 7   0 0 0
## [3,] 0 0 13 0 0
## [4,] 0 0   0 15 0
## [5,] 0 0   0 0 20
4
15. K matici mat připojte sloupec součtů hodnot matice mat po řádcích. Nazvěte jej 'sumy'. Funkci počítající sumy v řádcích najděte.
mat <- cbind(mat, rowSums(mat)) colnames(mat)[ncol(mat)] <- "sumy" mat
## A B   C   D   E sumy
## [1,] 10 0 0 0 1 ## [2,] 0 7 0 0 0 7 ## [3,] 0 0 13 0 0 13 ## [4,] 0 0 0 15 0 15 ## [5,] 0 0   0   0 20 20
# nebo nejprve vytvorime sumy: sumy<- rowSums(mat) a az pak je pripojíme:
# mat<- cbind(mat, sumy)
16. Vytvořte matici NA hodnot o počtu řádků rovném počtu sloupců objektu mat a dvou sloupcích. Řádky pojmenujte jmény sloupců matice mat a sloupce rap.
# Napr. :
matrix(NA, nrow = ncol(mat), ncol = 2, dimnames = list(colnames(mat), c("r", "p")))
## r p
## A NA NA ## B NA NA ## C NA NA ## D NA NA ## E NA NA ## sumy NA NA
17. Vytvořte dataframe miry, obsahující proměnné výska, noha a sex s hodnotami vektorů vyska, noha a sex.
miry <- data.frame(vyska = vyska, noha = noha, sex = sex) miry
##		vyska noha		sex
##	1	164	24.3	z
##	2	162	25.0	z
##	3	183	27.7	m
##	4	174	25.5	z
##	5	197	29.6	m
##	6	180	29.7	m
##	7	164	23.7	z
##	8	187	29.0	m
##	9	173	27.5	m
##	10	NA	NA	z
5
18. Řádky dataframu miry pojmenujte jmény měřených jedinců jména.
rownames(miry) <- jména miry
##		výska	noha		sex
##	Michaela	164	24	.3	z
##	Petra	162	25	.0	z
##	Jaroslav	183	27	.7	m
##	Tereza	174	25	.5	z
##	Ondra	197	29	.6	m
##	Jan	180	29	.7	m
##	Ľubica	164	23	.7	z
##	Jiri	187	29	.0	m
##	Jakub	173	27	.5	m
##	Zuzka	MA	MA		z
19. V dataframu miry vytvořte novou proměnnou pomer obsahující poměr délky nohy ku výšce. miry$pomer <- miry$noha/miry$výska
20. V dataframu miry vytvořte novou logickou proměnnou nadprum odlišující jedince s naprůměr-ným poměrem.
miry$nadprum <- miry$pomer > mean(miry$pomer, na.rm = T) miry
##		výska	noha		sex	pomer		nadprum
##	Michaela	164	24	.3	z	0,	,1482	FALSE
##	Petra	162	25	.0	z	0,	,1543	TRUE
##	Jaroslav	183	27	.7	m	0,	,1514	FALSE
##	Tereza	174	25	.5	z	0,	,1466	FALSE
##	Ondra	197	29	.6	m	0,	,1503	FALSE
##	Jan	180	29	.7	m	0,	,1650	TRUE
##	Ľubica	164	23	.7	z	0,	,1445	FALSE
##	Jiri	187	29	.0	m	0,	,1551	TRUE
##	Jakub	173	27	.5	m	0,	,1590	TRUE
##	Zuzka	MA	MA		z		MA	MA
21. Dotažte se, zda objekt spe je matice, (odpovědí má být logická hodnota)
is.matrix(spe) ## [1] TRUE
22. Převede matici spe na dataframe.
6
spe <- as.data.frame(spe) class(spe)
## [1]  "data.frame"
23. Je možné převést dataframe miry na matici? Co se stane, když to uděláme?
# je, ale všechny hodnoty budou převedeny na text as.matrix(miry)
##		výska	noha		sex	pomer		nadprum
##	Michaela	"164"	"24	3"	"z"	"0	1482"	"FALSE"
##	Petra	"162"	"25	0"	"z"	"0	1543"	" TRUE"
##	Jaroslav	"183"	"27	7"	"m"	"0	1514"	"FALSE"
##	Tereza	"174"	"25	5"	"z"	"0	1466"	"FALSE"
##	Ondra	"197"	"29	6"	"m"	"0	1503"	"FALSE"
##	Jan	"180"	"29	7"	"m"	"0	1650"	" TRUE"
##	Ľubica	"164"	"23	7"	"z"	"0	1445"	"FALSE"
##	Jiri	"187"	"29	0"	"m"	"0	1551"	" TRUE"
##	Jakub	"173"	"27	5"	"m"	"0	1590"	" TRUE"
##	Zuzka	MA	NA		"z"	NA		NA
24. Nahraďte NA hodnoty dataframu spe nulami (0). (is.naO). Dataframe spe obsahuje početnosti - abundance - larev 56 druhů pakomárů (ve sloupcích) na 27 lokalitách (řádcích).
spe[is.na(spe)] <- 0
25. Vytvořte vektor loc.sum obsahující celkové abundance pakomárů na lokalitách. (Součty hodnot v řádcích dataframu spe).
loc.sum <- rowSums(spe) loc.sum
##   sl   s2   s3   s4   s5   s6   s7   s8   s9 slO sil sl2 sl3 sl4 sl5 sl6 sl7 sl8 ## 274 432 164 220 535 630 258 146 301 212 181 540 632 249 747 122 243 791 ## sl9 s20 s21 s22 s23 s24 s25 s26 s27 ## 207 221 657 194 145 705   65 957 444
26. Vytvořte vektor spe.freq obsahující počty lokalit, na kterých se jednotlivé druhy pakomárů vyskytovaly. (Počty hodnot vyšších než 0 ve sloupcích)
spe.freq <- colSums(spe > 0) spe.freq
7
##	ablabesp	Apsetrif	Brilbif	Brilflav	cladotsp	corysp.	Cricannu	Cricbici
##	4	8	3	11	17	26	5	7
##	cricbigr	crictrgr	Critriia	cromussp	demisp.	Diplcult	Eukibrev	Eukicoer
##	16	12	3	9	1	1	11	13
##	eukideil	eukigrgr	Eukilobi	Eukimino	Eukisimi	Hetemarc	mictrasp	micrchgr
##	13	1	19	2	1	2	26	14
##	Manoreag	Matasp.	Nilodubi	orthrigr	Orthrubi	Orthfrig	Orthobum	orththie
##	21	4	12	15	24	3	27	9
##	paracrsp	Parastyl	paratasp	paraalgr	Pararufi	phaepssp	polyconv	polylagr
##	2	6	2	2	9	2	5	18
## polyscgr		Pottgaed	Pottlong	Prodoliv	Rheofuse	rheotasp	stembrgr	Synosemi
##	10	1	14	4	23	23	3	27
##	tanybrun	tanytasp	thellasp	thieGrGe	tvetbaca	tvetdive	Xenoxeno	zavyiasp
##	24	24	24	25	22	22	1	5
27. Z dataframu spe vytvořte nový dataframe spe2, obsahující všechny lokality s celkovou abundancí pakomárů rovnou alespoň 200.
spe2 <- spe[loc.sum >= 200, ] dim(spe2)
## [1] 20 56
28. Z dataframu spe2 odstraňte druhy vyskytující se pouze na jedné (nebo žádné) lokalitě. (V dataframu zůstanou druhy vyskytující se na alespoň dvou lokalitách)
spe2 <- spe2[, colSums(spe2 > 0) > 1] dim(spe2)
## [1] 20 49
29. Dataframe env obsahuje některé proměnné prostředí naměřené na stejných lokalitách, kde byly odebrány vzorky pakomárů dataframu spe. Proměnná velocity obsahuje naměřené rychlosti proudu, nicméně některé její hodnoty jsou záporné, což je nesmysl. Převeďte proměnnou velocity dataframu env na absolutní hodnoty.
env$velocity <- abs(env$velocity)
30. Vytvořte novou proměnnou froude v dataframu env, do níž vypočítáte Froudeho čísla pro příslušné lokality. Vzoreček pro výpočet Froudeho čísla je: Fr — U/{gD)1/2, kde g = 9.81, U je absolutní hodnota rychlosti proudu velocity a Ľ je hloubka depth. Všechny proměnné najdete v dataframu env.
env$froude <- env$velocity/sqrt(9.81 * env$depth) env
8
##		gr-	_env	depth velocity					froude
##	si		Ep	0,	,395	0,	,274	0,	,139193
##	s2		Ep	0,	,422	0,	,358	0,	,175951
##	s3		Ep	0,	,496	0,	,310	0,	, 140536
##	s4	Ep_FPOM		0,	,291	0,	,078	0,	,046165
##	s5	Ep_FPOM		0,	,320	0,	,092	0,	,051925
##	s6	Ep_FPOM		0,	,328	0,	,126	0,	,070242
##	s7		Er	0,	,278	0,	,490	0,	,296715
##	s8		Er	0,	,213	0,	,618	0,	,427528
##	s9		Er	0,	,243	0,	,508	0,	,329023
##	slO	Er.	.VEG	0,	,353	0,	,758	0,	,407331
##	sll	Er.	.VEG	0,	,236	0,	,334	0,	,219511
##	sl2	Er.	.VEG	0,	,245	0,	,810	0,	,522477
##	sl3	Ep_CP0M		0,	,184	0,	,088	0,	,065500
##	s 14		Ep	0,	,155	0,	,224	0,	,181655
##	sl5	Er.	.VEG	0,	,279	0,	,496	0,	,299809
##	sl6		Ep	0,	,501	0,	,372	0,	, 167799
##	sl7		Ep	0,	,454	0,	,286	0,	, 135520
##	sl8	Er.	.VEG	0,	,200	0,	,340	0,	,242733
##	sl9		Ep	0,	,162	0,	,050	0,	,039662
##	s20		Er	0,	,290	0,	,804	0,	,476675
##	s21	Er.	.VEG	0,	,138	0,	,590	0,	,507082
##	s22		Ep	0,	,340	0,	,246	0,	, 134698
##	s23		Ep	0,	,344	0,	,234	0,	, 127380
##	s 24	Er.	.VEG	0,	,300	0,	,958	0,	,558432
##	s25		Er	0,	,139	0,	,630	0,	,539509
##	s26	Ep_CP0M		0,	,124	0,	,002	0,	,001813
##	s27	Ep_CP0M		0,	,478	0,	,044	0,	,020319
31. Zjistěte, kolik lokalit spadá do kategorie peřej (riffle) a kolik do kategorie tůň (pool). Kritériem je Froudeho číslo, jehož hodnota větší než 0,23 indikuje peřej.
# peřeje
sum(env$froude > 0.23) ## [1] 11
# tune
sum(env$froude <= 0.23) ## [1] 16
32. Spočítejte, kolik druhů se vyskytovalo ve všech peřejích (lokalitách s Foudovým číslem vyšším než 0,23). (myšleno v každé peřeji)
# perejovy subset:
spe.perej <- spe[env$froude > 0.23, ]
# kolik druhu ma abundanci > 0 v kazdem radku: sum(colSums(spe.peřej > 0) == nrow(spe.perej))
## [1] 6
9
33. Spočítejte, kolik druhů se vyskytovalo aspoň v polovině tůní (lokalit s Foudovým číslem nižším nebo rovným 0,23).
# tunový subset:
spe.tun <- spe[env$froude <= 0.23, ]
# kolik druhu ma abundanci > 0 v alespoň polovine radku: sum(colSums(spe.tun > 0) >= nrow(spe.tun)/2)
## [1] 21