1
Procvičování 5
Natáhněte si pracovní prostředí z http://www.sci.muni.cz/~syrovat/pakomari.RData.
1. Převeďte matici spe na dataframe a všechny její NA hodnoty nahraďte nulami (0).
2. Přejmenujte proměnné gr_ env a velocity dataframu env na hab a vel, resp.
3. Proměnnou vel dataframu env přepište absolutní hodnotou této proměnné (záporná rychlost proudu je nesmyslná).
4. V dataframu env vytvořte proměnnou fr obsahující hodnoty Froudeho čísla (Fr — U/(gD)1/2, kde U = absolutní hodnota rychlosti proudu, D = hloubka, g = 9.81.)
5. Vytvořte dataframe micr (Podle druhu Microtendipes chloris) s proměnnými depth, fr a abund, obsahující hloubku a hodnoty Froudeho čísla dataframu env a abundance druhu Microtendipes chloris (zkratka micrchgr) dataframu spe. Řádky dataframu micr pojmenujte stejně jako řádky dataframu env.
6. V dataframu micr vytvořte proměnnou abundL s logaritmovanými abundancemi druhu Microtendipes chloris. Nula nejde logaritmovat, proto logaritmujte (hodnoty abundance + 1) a použijte přirozený logaritmus.
7. V dataframu micr vytvořte proměnnou prezence, obsahující jedničky (1) a dvojky (2) a odlišující kladné nenulové hodnoty abundance druhu M. chloris od nulových. Jedničky budou odpovídat nulovým, a dvojky kladným nenulovým hodnotám.
8. Vytvořte bodový graf (plotO) hloubky (depth, osa y) proti Froudeho číslu (osa x) a barevně a tvarem symbolu odlište lokality, kde M. chloris byl nalezen od těch, kde nebyl.
9. Z vektoru prezence vytvořte vektor jedniček (1) a patnáctek (15) puntik (místo dvojek budou patnáctky).
10. Vytořte stejný graf jako v bodě 6, jen pro odlišení tvaru puntíků použijte puntik.
11. Barvy jdou specifikovat i slovně. Seznam pojmenovaných barev získáme příkazem colors (), nebo coloursO. Vyberte si libovolné dvě a vytvořte vektor barvy, v němž se budou tyto dvě barvy opakovat podle stejného pravidla jako v bodech 5 a 7. Cílem je odlišit opět lokality s výskytem M. chloris od těch bez výskytu a použít k tomu nějaké hezké barvy.
12. Zdá se, že M. chloris nemá rád, když voda moc teče, že si spíš libuje v tůních. Spočtěte průměrné Froudeho číslo lokalit, kde se druh vyskytoval a těch, kde se nevyskytoval (tedy 2 hodnoty).
13. Zjistěte, na kolika lokalitách se druh vyskytoval a kolik z těchto lokalit je tunových (Froudeho číslo <= 0.23).
14. Vytvořte dataframe micrPool, který bude obsahovat všechny proměnné dataframu micr, ale jen ta měření, kde Froudeho číslo bylo nižší nebo rovno než 0.23.
15. Z dataframu micrPool odstraňte proměnnou prezence.
16. Vytvořte vektor, v němž se bude opakovat pětkrát za sebou sekvence celých čísel od 1 do 5.
17. Uspřádejte tento vektor do matice o 5 řádcích a 5 sloupcích: (a) po sloupcích, (b) po řádcích.
18. Vytvořte matici ones jedniček o 9 řádcích a 6 sloupcích.
19. Matici ones vynásobte tak, aby výsledkem násobení byla matice onesR, která má v prvním řádku samé jedničky, ve druhém samé dvojky,... v devátém samé devítky.
2
20. Matici ones vynásobte tak, aby výsledkem násobení byla matice onesC, která má v prvním sloupci samé jedničky, ve druhém samé dvojky,... v šestém samé šestky.
21. Použijte postupně matice onesR a onesC jako subscript pro výběr jmen druhů z dataframu spe.
22. Aplikujte funkce row() a col() na matici ones a zamyslete se nad výsledkem. K čemu se tyto funkce hodí?
23. Jednou z možných transformací druhových dat předcházejících vícerozměrným analýzám je Wisconsin double standardization, která spočívá v tom, že abundance jednotlivých druhů nejprve standardizujeme druhovým maximem (hodnoty v každém sloupečku vydělíme maximální hodnotou daného sloupečku) a posléze lokalitní sumou (hodnoty každého řádku vydělíme sumou hodnot daného řádku). Do dataframu spe.wis standardizujte druhové abundance spe pomocí Wisconsin double standardization. (Nápověda: vektor druhových maxim získáme pomocí sapply(spe, max)).