1
Procvičování 6
Natáhněte si pracovní prostředí z http://www.sci.muni.cz/ syrovat/cv06.RData. load(url("http://www.sci.muni.cz/~syrovat/cv06.RData"))
1. Vytvořte faktor sex s úrovněmi m a z, z nichž každá se ve faktoru bude desetkrát opakovat.
sex <- factor(rep(c("m", "z"), each = 10)) sex
##    [1] mmmmmmmmmmzzzzzzzzzz ## Levels: m z
2. Přejmenujte úrovně faktoru sex na male (m) a female (z).
# dve možnosti,  bud zmenime jména úrovni pomoci argumentu labels= funkce
# factor O '■
factor(sex, labels = c("male", "female"))
##    [1] male     male     male     male     male     male     male     male     male male ## [11] female female female female female female female female female female ## Levels: male female
# v tomhle pripade jsem ale nezměnil faktor sex, jen jsem ho nechal změněny
# vypsat,    nebo primo prepiseme urovne fatoru sex: levels(sex) <- c("male", "female")
sex
##    [1] male     male     male     male     male     male     male     male     male male ## [11] female female female female female female female female female female ## Levels: male female
3. Přehoďte úrovně faktoru sex tak, že první bude female.
# opet vic možnost, bud pomoci argumentu levels= funkce factor(): factor(sex, levels = c("female", "male"))
##    [1] male     male     male     male     male     male     male     male     male male ## [11] female female female female female female female female female female ## Levels: female male
# nebo pomoci funkce relevel() relevel(sex, "female")
##    [1] male     male     male     male     male     male     male     male     male male ## [11] female female female female female female female female female female ## Levels: female male
# samozrejme jsem sex nezmenil, jen nechal vypsat reseni.
2
4. Z vektoru celých čísel od 1 do 25 vytvořte faktor petice odlišující pětice hodnot, jak jdou po sobě (1-5, 6-10,     21-25). Úrovně tohoto faktoru nazvěte nejmensi, maly, strední, velký, nejvetsi.
petice <- cut(l:25, breaks = c(0, 5, 10, 15, 20, 25), labels = c("nejmensi",
"maly", "stredni", "velký", "nejvetsi")) petice
##    [1] nejmensi nejmensi nejmensi nejmensi nejmensi maly maly ##    [8] maly        maly        maly        stredni   stredni   stredni stredni ## [15] stredni   velký       velký       velký       velký       velký nejvetsi ## [22] nejvetsi nejvetsi nejvetsi nejvetsi ## Levels: nejmensi maly stredni velký nejvetsi
# nebo taky
cut(l:25, breaks = 0:5 * 5, labels = c("nejmensi", "maly", "stredni", "velký", "nejvetsi"))
##    [1] nejmensi nejmensi nejmensi nejmensi nejmensi maly maly ##    [8] maly        maly        maly        stredni   stredni   stredni stredni ## [15] stredni   velký       velký       velký       velký       velký nejvetsi ## [22] nejvetsi nejvetsi nejvetsi nejvetsi ## Levels: nejmensi maly stredni velký nejvetsi
# nebo taky treba takhle
cut(l:25, breaks = seq(0, 25, 5), labels = c("nejmensi", "maly", "stredni", "velký", "nejvetsi"))
##    [1] nejmensi nejmensi nejmensi nejmensi nejmensi maly maly ##    [8] maly        maly        maly        stredni   stredni   stredni stredni ## [15] stredni   velký       velký       velký       velký       velký nejvetsi ## [22] nejvetsi nejvetsi nejvetsi nejvetsi ## Levels: nejmensi maly stredni velký nejvetsi
5. Pro kontrolu zobrazte vektor 1-25 proti faktoru petice.
par(mar = c(4, 4, 1, 0.1)) plot(1:25 ~ petice)
3
1-
nejmensi strední velký
petice
6. Zjistěte, jaké proměnné jsou v dtaframu env.
names(env)    # nebo colnames(env)
## [1]  "gr_env"     "depth"       "velocity" "froude"
7. Přejmenujte proměnnou gr_ env dataframu env na hab. names(env)[names(env) == "gr_env"] <- "hab"
8. Přesvědčte se, že proměnná hab dataframu env je faktor (odpovědí R bude TRUE / FALŠE).
i s . f act or (env$hab) ## [1] TRUE
9. Zjistěte, kolik úrovní tento faktor má a jaké to jsou.
nlevels(env$hab) ## [1] 5 levels(env$hab)
## [1]  "Ep" "Ep_CP0M" "Ep_FP0M" "Er" "Er_VEG"
10. Přejmenujte úrovně faktoru hab dataframu env následovně: Ep_CPOM na CPOM, Ep_FPOM na FPOM, Ep na P, Er na R, Er_VEG na VEG.
CM
O C\l
m —
4
# 2 možnosti, vzdy ale musime dodržet stejné poradi úrovni, v jakém jsou v
# definici faktoru, bud použijeme factor():
factor(env$hab, labels = c("P", "CPOM", "FPOM", "R", "VEG"))
##    [1] P       P       P       FPOM FPOM FPOM R      R      R      VEG   VEG   VEG   CPOM P ## [15] VEG   P      P      VEG   P      R      VEG   P      P      VEG   R      CPOM CPOM ## Levels: P CPOM FPOM R VEG
# nebo prepiseme primo úrovne:
levels(env$hab) <- c("P", "CPOM", "FPOM", "R", "VEG") env$hab
##    [1] P       P       P       FPOM FPOM FPOM R      R      R      VEG   VEG   VEG   CPOM P ## [15] VEG   P      P      VEG   P      R      VEG   P      P      VEG   R      CPOM CPOM ## Levels: P CPOM FPOM R VEG
11. V dataframu env vytvořte kopii faktoru hab hab2, v níž spojíte úrovně CPOM a FPOM do jedné OM.
env$hab2 <- env$hab
# vidim, ze spojované úrovne jsou ne 2.  a 3. miste, proto nahradim 2.  a 3.
# uroven:
levels(env$hab2)[2:3] <- "OM"
# pokud bych ale nechtěl manuálne odpocitavat,  lze to uselat obecněji: env$hab2 <- env$hab
levels(env$hab2) [levels(env$hab2) '/,in'/0 c("CP0M", "FPOM")] <- "OM"
# výsledek muzeme zkontrolovat pomoci krizové tabulky z funkce table() table(env$hab, env$hab2)
##
## P OM R VEG
## P      9 0 0 0
## CPOM 0 3 0 0
## FPOM 0 3 0 0
## R      0 0 5 0
## VEG   0 0 0 7
12. Zobrazte krabicový graf závislosti logaritmované abundance druhu Tvetenia discoloripes, tvetdive dataframu spe na typu habitatu.
par(mar = c(4, 4, 1, 0.1)) plot(loglp(spe$tvetdive) ~ env$hab2)
5
CD >
CD >
-I—*
68-CD CL
CO —
CM —
O
O —
env$hab2
13. Přeřaďte úrovně faktoru hab2 tak, aby úroveň VEG byla první - referenční a vykreslete graf znovu.
env$hab2 <- relevel(env$hab2, "VEG") par(mar = c(4, 4, 1, 0.1)) plot(loglp(spe$tvetdive) ~ env$hab2)
CD >
>
-I—*
68-CD CL
CO —
CM —
co
O
O —
env$hab2
14. Seřaďte úrovně faktoru hab2 podle průměrného Froudeho čísla v jednotlivých úrovních a vykreslete graf znovu.
env$hab2 <- reorder(env$hab2, env$froude, mean) par(mar = c(4, 4, 1, 0.1)) plot(loglp(spe$tvetdive) ~ env$hab2)
6
CD >
CD >
-I—*
tácu
CL CO
co H
o
o H
env$hab2
15. Zobrazte bodový graf závislosti hloubky depth na rychlosti proudu velocity a typem symbolů a barvou odlište vzorky z jednotlivých habitatů hab2. Typ symbolu vybírejte z hodnot 1:25, barvu z colours().
par(mar = c(4, 4, 1, 0.1))
plot(depth ~ velocity, data = env, pch = c(l, 15, 2, 9)[hab2], col = c("firebrick3", "peachpuff3", "olivedrab3", "midnightblue")[hab2])
0.0
0.2
0.4
0.6
0.8
velocity
16. V dataframu env vytvořte faktor hydr s úrovněmi pool, run a riffle, odlišující tůňové (pool), slapové (run) a peřejové (riffle) habitaty. Jako kritérium pro odlišení habitatů použijte Froudeho číslo (hraniční hodnoty pool <= 0,18 < run <= 0,41 < riffle).
7
env$hydr <- cut(env$froude, breaks = c(0, 0.18, 0.41, max(env$froude)), include.lowest
labels = cO'pool", "run", "riffle")) env$hydr
##    [1] pool     pool     pool pool     pool     pool     run       riffle run run
## [11] run       riffle pool run       run      pool     pool     run      pool riffle
## [21] riffle pool     pool riffle riffle pool pool ## Levels: pool run riffle
17. Nechejte si vypsat faktor hydr jako čísla, as.numeric(env$hydr)
##    [1] 111111232223122112133113311
18. Seřaďte úrovně faktoru hydr sestupně podle mediánu Froudeho čísla. (Když hodnoty převedeme na záporné, ty nejvyšší se stanou nejnižšími.)
env$hydr <- reorder(env$hydr, -env$froude, median) levels(env$hydr)
## [1]  "riffle" "run" "pool"
19. O správném seřazení se přesvědčte pomocí boxplotu Froudeho čísla v závislosti na hydr.
par(mar = c(4, 4, 1, 0.1)) plot(froude ~ hydr, data = env)
CD T3
O
^1-
Ö
C\l
o
o o
riffle
run hydr
pool
8
20. Obdobně jako v bodě 14 zobrazte bodový graf závislosti hloubky depth na rychlosti proudu velocity, ale barvou odlište lokality s odlišnými hydraulickými podmínkami (hydr). Barvy volte tak, aby vhodně ilustrovaly postupně se měnící hydraulické podmínky, tedy např. podobného odstínu, pool nejsvětlejší a riffle nejtmavší.
par(mar = c(4, 4, 1, 0.1))
plot(depth ~ velocity, data = env, col = c("midnightblue", "royalblue2", "lightskybluel")[hydr], pch = 16, cex = 1.5)
0.0      0.2      0.4      0.6 0.8
velocity