1
Procvičování 5 s řešením
Natáhněte si pracovní prostředí z http://www.sci.muni.cz/~syrovat/pakomari.RData.
load(url("http://www.sci.muni.cz/~syrovat/pakomari.RData")) ls()
## [1]  "env" "spe"
1. Převeďte matici spe na dataframe a všechny její NA hodnoty nahraďte nulami (0).
spe <- as.data.frame(spe) spe[is.na(spe)] <- 0 spe [1:10, 1:5]
##		ablabesp Apsetrif		Brilbif	Brilflav	cladotsp
##	sl	0	1	0	0	0
##	s2	1	1	0	1	3
##	s3	0	2	0	0	1
##	s4	0	0	0	0	5
##	s5	1	0	2	1	18
##	s6	0	2	0	0	25
##	s7	0	0	0	0	0
##	s8	0	0	0	1	0
##	s9	0	0	0	0	1
##	slO	0	0	0	0	0
2. Přejmenujte proměnné gr_ env a velocity dataframu env na hab a vel, resp.
# samozrejme, možnosti je vic. muzu se nejprve podivat na jména a zjistit
# poradi tech, která chci změnit (predtim si vytvorim kopii originálu, abych
# mohl demonstrovat i jednu z dalsich možnosti): env.orig <- env
names(env)
## [1]  "gr_env"     "depth" "velocity"
# vidim, ze se jedna o jména na 1.  a 3. pozici, zmenim tedy ty: names(env)[c(l, 3)] <- c("hab", "vel")
head(env)
## hab depth vel
## sl Ep 0.395 0.274
## s2 Ep 0.422 0.358
## s3 Ep 0.496 0.310
## s4 Ep_FP0M 0.291 0.078 ## s5 Ep_FP0M 0.320 0.092 ## s6 Ep_FP0M 0.328 0.126
2
# dalsi jednoduchou možnosti je nahrazovat postupne vybíraná konkrétni
# jména:
env <- env.orig names(env)
## [1]  "gr_env"     "depth" "velocity"
names(env)[names(env) == "gr_env"] <- "hab"
names(env)[names(env) == "velocity"] <- "vel" head(env)
## hab depth vel
## s4 Ep_FP0M 0.291 0.078 ## s5 Ep_FP0M 0.320 0.092 ## s6 Ep_FP0M 0.328 0.126
3. Proměnnou vel dataframu env přepište absolutní hodnotou této proměnné (záporná rychlost proudu je nesmyslná).
env$vel <- abs(env$vel)
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.)
env$fr <- env$vel/sqrt(env$depth * 9.81) head(env)
## hab depth     vel fr
## sl Ep 0.395 0.274 0.13919
## s2 Ep 0.422 0.358 0.17595
## s3 Ep 0.496 0.310 0.14054
## s4 Ep_FP0M 0.291 0.078 0.04617 ## s5 Ep_FP0M 0.320 0.092 0.05193 ## s6 Ep_FP0M 0.328 0.126 0.07024
5. Vytvořte dataframe micr (Podle druhu Microtendipes chloris) s proměnnými depth, fr a abund, obsahující hloubku a hodnoty Froudeho čísla dataframu env a abundance druhu Microtendipes chloris (zkratka micrchgr) dataframu spe. Řádky dataframu micr pojmenujte stejně jako řádky dataframu env.
## sl ## s2 ## s3
Ep 0.395 0.274 Ep 0.422 0.358 Ep 0.496 0.310
micr <- data.frame(depth = env$depth, fr = env$fr, abund = spe$micrchgr) head(micr)
3
##     depth fr abund
## 1 0.395 0.13919 25
## 2 0.422 0.17595 31
## 3 0.496 0.14054 31
## 4 0.291 0.04617 14
## 5 0.320 0.05193 30
## 6 0.328 0.07024 31
6. V dataframu micr vytvořte proměnnou abundL s logaritmovanými abundancemi druhu Micro-tendipes chloris. Nula nejde logaritmovat, proto logaritmujte (hodnoty abundance + 1) a použijte přirozený logaritmus.
micr$abundL <- loglp(micr$abund) head(micr)
##		depth			fr	abund	abundL	
##	1	0	.395	0,	,13919	25	3	.258
##	2	0	.422	0,	, 17595	31	3	.466
##	3	0	.496	0,	, 14054	31	3	.466
##	4	0	.291	0,	,04617	14	2	.708
##	5	0	.320	0,	,05193	30	3	.434
##	6	0	.328	0,	,07024	31	3	.466
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.
# zde neni spatné si prvně vytvořeni vektoru zkoušet na nečisto, a az když
# vidim, ze to funguje správne, ulozim si ho pod prislusnym jménem do
# dataframu.    ...par marných pokusu a konečne ten povedeny: (micr$abund > 0) + 1
##    [1] 222222111111212121211221122 micr$prezence <- (micr$abund > 0) + 1
8. Vytvořte bodový graf (plotO) hloubky (depth, osa y) proti Froudeho číslu (osa x) a barevně a tvarem symbolu odlište lokality, kde M. chloris byl nalezen od těch, kde nebyl.
palette("default")    # abych mel defaultni paletu jako mate vy par(mar = c(4, 4, 1, 0.1))    # aby obrázek nemel velké okraje plot(depth ~ fr, data = micr, pch = prezence, col = prezence)
4
o o
o
i-1-1-1-r
0.0     0.1     0.2     0.3     0.4 0.5
fr
9. Z vektoru prezence vytvořte vektor jedniček (1) a patnáctek (15) puntík (místo dvojek budou patnáctky).
puntik <- c(l, 15)[micr$prezence]
10. Vytořte stejný graf jako v bodě 8, jen pro odlišení tvaru puntíků použijte puntik. par(mar = c(4, 4, 1, 0.1))
plot(depth ~ fr, data = micr, pch = puntik, col = prezence)
O O
"O °
C\l O
■ ■ ■	o		
■	■		
■			o o o
■ ■ ■	o o o	o	o o o o
1 1 0.0 0.1	I 0.2	I 0.3	I I 0.4 0.5
fr
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.
5
barvy <- c("slateblue3", "peachpuff2")[micr$prezence] par(mar = c(4, 4, 1, 0.1))
plot(depth ~ fr, data = micr, pch = puntik, col = barvy)
0.0     0.1     0.2     0.3     0.4 0.5
fr
12. Zdá se, že M. chloris nemá rád, když voda moc teče, že si spíš libuje v tůních. Spočtěte průměrné Froudeho číslo lokalit, kde se druh vyskytoval a těch, kde se nevyskytoval (tedy 2 hodnoty).
mean(env$f r [micr$abiind > 0] ) ## [1] 0.1035
13. Zjistěte, na kolika lokalitách se druh vyskytoval a kolik z těchto lokalit je tunových (Froudeho číslo <= 0.23).
# kolik lokalit celkem sum(micr$abiind > 0)
## [1] 14
# kolik z nich je tunových sum(micr$abund > 0 & micr$fr <= 0.23)
## [1] 13
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.
micrPool <- micr[micr$fr <= 0.23, ] dim(micrPool)
## [1]  16 5
6
15. Z dataframu micrPool odstraňte proměnnou prezence.
# opet vic možnosti,  bud do proměnné  'vlozime' NULL: micr.orig <- micr
micr$prezence <- MULL head(micr)
##     depth fr abund abundL
## 1 0.395 0.13919 25 3.258 ## 2 0.422 0.17595 31 3.466 ## 3 0.496 0.14054 31 3.466 ## 4 0.291 0.04617 14 2.708 ## 5 0.320 0.05193 30 3.434 ## 6 0.328 0.07024      31 3.466
# nebo prepiseme dataframe sebou samým bez one proměnné (pripadne
# proměnných): micr <- micr.orig names(micr)
## [1]  "depth" "fr"
micr <- micr[, -5] names(micr)
"abund"       "abundL" "prezence"
## [1]  "depth"    "fr" "abund" "abundL"
micr <- micr.orig names(micr)
## [1]  "depth" "fr"
"abund"       "abundL" "prezence"
micr <- micr[, names(micr)  != "prezence"] names(micr)
## [1]  "depth"    "fr" "abund" "abundL"
16. Vytvořte vektor, v němž se bude opakovat pětkrát za sebou sekvence celých čísel od 1 do 5. rep(l:5, 5)
##    [1] 1234512345123451234512345
17. Uspřádejte tento vektor do matice o 5 řádcích a 5 sloupcích: (a) po sloupcích, (b) po řádcích.
# (a)
matrix(rep(l:5, 5), nrow = 5)
## [,1]   [,2]   [,3]   [,4] [,5]
## [1,] 11111
7
## [2,] 2 2 2 2 2
## [3,] 3 3 3 3 3
## [4,] 4 4 4 4 4
## [5,] 5 5 5 5 5
# o>;
matrix(rep(l:5, 5), nrow = 5, byrow = T)
## [,1] [,2] [,3] [,4] [,5]
## [1,] 1 2 3 4 5
## [2,] 1 2 3 4 5
## [3,] 1 2 3 4 5
## [4,] 1 2 3 4 5
## [5,] 1 2 3 4 5
18. Vytvořte matici ones jedniček o 9 řádcích a 6 sloupcích.
ones <- matrix(l, nrow = 9, ncol = 6) ones
## [,1] [,2]
## [1,] 1 1
## [2,] 1 1
## [3,] 1 1
## [4,] 1 1
## [5,] 1 1
## [6,] 1 1
## [7,] 1 1
## [8,] 1 1
## [9,] 1 1
,3] [,4] [,5] [,6] 1111 1111 1111 1111 1111 1111 1111 1111 1111
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.
onesR <- ones * 1:9 onesR
## [,1] [,2]
##    [1,] 1 1
##    [2,] 2 2
##    [3,] 3 3
##    [4,] 4 4
##    [5,] 5 5
##    [6,] 6 6
##    [7,] 7 7
##    [8,] 8 8
##    [9,] 9 9
[,3] [,4] [,5] [,6] 1111
2 2 2 2
3 3 3 3
4 4 4 4
5 5 5 5
6 6 6 6
7 7 7 7
8 8 8 8
9 9 9 9
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.
8
# abych se vyhnul vytvářeni matice, kterou bych násobil, muzu si matici ones
# transponovat, a po násobeni vrátit zpet: onesC <- t(t(ones) * 1:6)
onesC
##            [,1]  [,2]  [,3]  [,4] [,5] [,6]
##   [1,]       1      2      3      4 5 6
##    [2,]       1      2      3      4 5 6
##    [3,]       1      2      3      4 5 6
##    [4,]       1      2      3      4 5 6
##    [5,]       1      2      3      4 5 6
##   [6,]       1      2      3      4 5 6
##    [7,]       1      2      3      4 5 6
##    [8,]       1      2      3      4 5 6
##    [9,]       1      2      3      4 5 6
# nebo si vytvorim tu matici:
ones * matrix(rep(l:6, each = 9), nrow = 9)
##            [,1]   [,2]   [,3]   [,4]   [,5] [,6]
##    [1,]       1      2      3      4 5 6
##    [2,]       1      2      3      4 5 6
##    [3 J       1      2      3      4 5 6
##    [4,]       1      2      3      4 5 6
##    [5,]       1      2      3      4 5 6
##    [6,]       1      2      3      4 5 6
##    [7,]       1      2      3      4 5 6
##   [8,]       1      2      3      4 5 6
##    [9,]       1      2      3      4 5 6
# v kazdem prípade, na rozdíl od násobeni radku, je násobeni jednotlivých
# sloupců matice je krkolomne.
21. Použijte postupně matice onesR a onesC jako subscript pro výběr jmen druhů z dataframu spe.
names(spe)[onesR]							
##	[1]	"ablabesp"	"Apsetrif"	"Brilbif"	"Brilflav"	"cladotsp"	"corysp."
##	[7]	"Cricannu"	"Cricbici"	"cricbigr"	"ablabesp"	"Apsetrif"	"Brilbif"
##	[13]	"Brilflav"	"cladotsp"	"corysp."	"Cricannu"	"Cricbici"	"cricbigr
##	[19]	"ablabesp"	"Apsetrif"	"Brilbif"	"Brilflav"	"cladotsp"	"corysp."
##	[25]	"Cricannu"	"Cricbici"	"cricbigr"	"ablabesp"	"Apsetrif"	"Brilbif"
##	[31]	"Brilflav"	"cladotsp"	"corysp."	"Cricannu"	"Cricbici"	"cricbigr
##	[37]	"ablabesp"	"Apsetrif"	"Brilbif"	"Brilflav"	"cladotsp"	"corysp."
##	[43]	"Cricannu"	"Cricbici"	"cricbigr"	"ablabesp"	"Apsetrif"	"Brilbif"
##	[49]	"Brilflav"	"cladotsp"	"corysp."	"Cricannu"	"Cricbici"	"cricbigr
names(spe)[onesC]							
##	[1]	"ablabesp"	"ablabesp"	"ablabesp"	"ablabesp"	"ablabesp"	"ablabesp
	[7]	"ablabesp"	"ablabesp"	"ablabesp"	"Apsetrif"	"Apsetrif"	"Apsetrif
9
## [13]  "Apsetrif" "Apsetrif" "Apsetrif" "Apsetrif" "Apsetrif" "Apsetrif"
## [19]  "Brilbif" "Brilbif" "Brilbif"    "Brilbif"    "Brilbif" "Brilbif"
## [25]  "Brilbif" "Brilbif" "Brilbif"    "Brilflav" "Brilflav" "Brilflav"
## [31] "Brilflav" "Brilflav" "Brilflav" "Brilflav" "Brilflav" "Brilflav"
## [37]  "cladotsp" "cladotsp" "cladotsp" "cladotsp" "cladotsp" "cladotsp"
## [43]  "cladotsp" "cladotsp" "cladotsp" "corysp."    "corysp." "corysp."
## [49]  "corysp." "corysp." "corysp."    "corysp."    "corysp." "corysp."
22. Aplikujte funkce row() a col() na matici ones a zamyslete se nad výsledkem. K čemu se tyto funkce hodí?
row(ones)					
##	[,1]	[,2]	[,3]	[,4] [,5]	[,6]
## [1,]	1	1	1	1 1	1
## [2,]	2	2	2	2 2	2
## [3,]	3	3	3	3 3	3
## [4,]	4	4	4	4 4	4
## [5,]	5	5	5	5 5	5
## [6,]	6	6	6	6 6	6
## [7,]	7	7	7	7 7	7
## [8,]	8	8	8	8 8	8
## [9,]	9	9	9	9 9	9
col(ones)					
##	[,1]	[,2]	[,3]	[,4] [,5]	[,6]
## [1,]	1	2	3	4 5	6
## [2,]	1	2	3	4 5	6
## [3,]	1	2	3	4 5	6
## [4,]	1	2	3	4 5	6
## [5,]	1	2	3	4 5	6
## [6,]	1	2	3	4 5	6
## [7,]	1	2	3	4 5	6
## [8,]	1	2	3	4 5	6
## [9,]	1	2	3	4 5	6
# funkce row() a col() nam pro každou bunku maticového objektu
# (matice/dataframe) vráti jeho pozici na radku a ve sloupci, respective.
# funkci row() mozna prilis nevyužijemem, ale col() je skvela pro násobeni
# sloupců - roztáhne nam nas vektor va rozmery násobené matice po radcich: ones * (1:6)[col(ones)]
##            [,1]   [,2]   [,3]   [,4]   [,5] [,6]
## [1,] 1 2 3 4 5 6
## [2,] 1 2 3 4 5 6
## [3,] 1 2 3 4 5 6
## [4,] 1 2 3 4 5 6
## [5,] 1 2 3 4 5 6
## [6,] 1 2 3 4 5 6
## [7,] 1 2 3 4 5 6
## [8,] 1 2 3 4 5 6
## [9,] 1 2 3 4 5 6
10
# muzu samozrejme násobit i nejakými zajimavejsimi hodnotami, napr.  0.5, 2,
# 10, 0,1a -12:
ones * c(0.5, 2, 10, 0, 1, -12)[col(ones)]
##		[,1]	[,2]	[,3]	[,4]	[,5]	[,6]
##	[1,]	0.5	2	10	0	1	-12
##	[2,]	0.5	2	10	0	1	-12
##	[3,]	0.5	2	10	0	1	-12
##	[4,]	0.5	2	10	0	1	-12
##	[5,]	0.5	2	10	0	1	-12
##	[6,]	0.5	2	10	0	1	-12
##	[7,]	0.5	2	10	0	1	-12
##	[8,]	0.5	2	10	0	1	-12
##	[9,]	0.5	2	10	0	1	-12
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)).
spe.max <- spe/sapply(spe, max)[col(spe)] spe.wis <- spe.max/rowSums(spe.max) spe.wis[l:10, 1:6]
##		ablabesp Apsetrif				Brilbif		Brilflav		cladotsp		corysp.	
##	sl	0,	,00000	0	.02748	0,	,00000	0,	,00000	0,	,000000	0,	,08628
##	s2	0,	,04872	0	.01624	0,	,00000	0,	,01462	0,	,006007	0,	,06459
##	s3	0,	,00000	0	.10873	0,	,00000	0,	,00000	0,	,006703	0,	,11379
##	s4	0,	,00000	0	.00000	0,	,00000	0,	,00000	0,	,013838	0,	,04698
##	s5	0,	,03543	0	.00000	0,	,02362	0,	,01063	0,	,026212	0,	, 05439
##	s6	0,	,00000	0	.02514	0,	,00000	0,	,00000	0,	,038741	0,	,08419
##	s7	0,	,00000	0	.00000	0,	,00000	0,	,00000	0,	,000000	0,	,02199
##	s8	0,	,00000	0	.00000	0,	,00000	0,	,02892	0,	,000000	0,	,01345
##	s9	0,	,00000	0	.00000	0,	,00000	0,	,00000	0,	,001814	0,	,04927
##	slO	0,	,00000	0	.00000	0,	,00000	0,	,00000	0,	,000000	0,	,02639