1
Procvičování 8 - řešení
1. Naimportujte do R křestní jména z listu jména excelového souboru dat_ 2013.xls. Použijte funkci
SCEUl() .
# Do R pošleme prikaz
jména <- scan(what = "", sep = "\t")
# a následné zkopírujeme a do R vlozime cely sloupec jmen (bez zahlavi). Po
# poslednim odklepneme Enter.    Take bychom mohli neprve sloupec zkopírovat
# do schránky a pri scanovani specifikovat, ze R ma data brat ze schránky: jména <- scan("clipboard", what = "", sep = "\t")
2. Naimportujte do R počty výskytů těchto jmen v ČR (vedlejší sloupec). Opět použijte funkci scan().
# stejný postup jako v prvnim bode, jen what= specifikujeme, ze importujeme
# cisla, připadne argument what= vynecháme. pocty <- scan(what = 0, sep = "\t")
pocty <- scan(sep = "\t")
3. Naimportujte do R taxonomické zařazení pakomárů do podčeledí (list tax). Opět použijte funkci scan(). Jedná se o stejné druhy pakomárů, jako jsou v listu spe.
# postup stejný jako v bode 1. tax <- scan(what = "", sep = "\t")
4. Naimportujte do R do dataframu envl nám již známé proměnné prostředí (list env). Použijte funkci z rodiny read. () a pro přesun dat použijte datovou schránku "clipboard". Při importu specifikujte, že jména řádků má R vzít z prvního sloupce sample. Po importu zkontrolujte strukturu dataframu.
# Tohle se muze lišit na různých pocitacich, zalezi na nastaveni desetinného
# oddělovače (ja mam tečku '.'). A možnosti je samozřejmé vic. Nejprve v
# Excelu oznacime celou oblast, kterou chceme importovat, zkopírujeme ji do
# schránky (Ctrl + C) a pošleme do R jeden z nasledujicich prikazu.   V prvnim
# uvadim všechny důležité argumenty, viz nápověda ?read.table.
envl <- read.table("clipboard", row.names = 1, header = T, sep = "\t", dec = ".") envl <- read.delim("clipboard", row.names = 1)
# read.delim() pro pocitace, jez maji tečku '. ' jako desetinný oddělovač envl <- read.delim("clipboard", row.names = "sample")
envl <- read.delim2("clipboard", row.names = 1)
# read.delim2() pro pocitace, jez maji carku ', ' jako desetinný oddělovač
str(envl)
2
## 'data.fraune' : 27 obs. of   5 variables:
## $ hab : Factor w/ 5 levels "Ep","Ep_CP0M",..: 1113334445...
## $ hydr       : Factor w/ 2 levels "pool","riffle": 1111112222...
## $ depth     : num   0.395 0.422 0.496 0.291 0.32 0.328 0.278 0.213 0.243 0.353 ...
## $ velocity: num   0.274 0.358 0.31 0.078 0.092 0.126 0.49 0.618 0.508 0.758 ...
## $ froude    : num   0.1392 0.176 0.1405 0.0462 0.0519 ...
5. Naimportujte do R do dataframu env2 ty stejné proměnné prostředí (list env) a stejně jako v předchozím kroku. Navíc při importu specifikujte, že nechcete, aby proměnná hydr byla převedena na faktor. Po importu zkontrolujte strukturu dataframu.
env2 <- read.delim("clipboard", row.names = 1, as.is = "hydr")
str(env2)
## 'data.frame': 27 obs. of   5 variables:
## $ hab         : Factor w/ 5 levels "Ep","Ep_CP0M",..: 1113334445...
## $ hydr       : chr   "pool" "pool" "pool" "pool"  ...
## $ depth     : num   0.395 0.422 0.496 0.291 0.32 0.328 0.278 0.213 0.243 0.353 ...
## $ velocity: num   0.274 0.358 0.31 0.078 0.092 0.126 0.49 0.618 0.508 0.758 ...
## $ froude    : num   0.1392 0.176 0.1405 0.0462 0.0519 ...
6. Uložte tabulku abundancí larev pakomárů listu spe do samostatného textového souboru (Tab delimited).
# V Excelu klikneme na 'Uložit jako...' v záložce 'Soubor' a jako typ
# souboru vybereme 'Text odděleny tabulátory'.
7. Naimportujte do R do dataframu spe abundance larev pakomárů z nově vytvořeného textového souboru. Při importu specifikujte, že nechcete, aby R kontrolovalo a upravovalo druhová jména.
# Zde bud musime specifikovat celou cestu k danému souboru, nebo si
# nastavime pracovni adresár.    Data jsem si uložil na D:/predmety/uvod do
# R/2014, zmenim si pracovni adresár: setwd("D:/predmety/uvod do R/2014")
spe <- read.delimCspel.txt", row.names = 1, check.names = F)
# argument check.names= F zajisti, ze R nebude kontrolovat jména proměnných
# - sloupců.
8. Najděte funkci, která z druhových jmen vytvoří zkratky (je v balíku vegan) a zkratky z druhových jmen vytvořte, (anglicky zkratka je abbreviate)
# Prvni odkaz Googlu pri hledáni  'abbreviate species names vegan' mi vrátil
# funkci vegan::make.cepnames().    Napovedá k dane funkci rika, ze jsem
# nasel, co jsem hledal. library(vegan)
3
## Loading required package: permute ## Loading required package: lattice ## This is vegan 2.0-9
zkratky <- make.cepnames(names(spe))
9. Přejmenujte jména sloupců dataframu spe vytvořenými zkratkami, names(spe) <- zkratky
10. Při importu se prázdné buňky vyplnily NA hodnotami. Nahraďte NA hodnoty dataframu spe nulami.
spe[is.na(spe)] <- 0
11. Zjistěte, kolik druhů je v dataframu spe (odpovědí R bude jedno číslo, a to počet sloupců dataframu).
ncol(spe) ## [1] 54
12. Představte si, že vzorky byly při determinaci děleny, aby determinátor nezešílel z množství pako-márů (kde jich bylo moc, byla determinována jen polovina, kde jich bylo ještě víc, jen čtvrtina). Abychom získali přibližnou představu o abundancích pakomárů na lokalitách, musíme abundance zpět vynásobit obráceným podílem zpracovaného vzorku (tedy dvojkou nebo čtyřkou). Ve skutečnosti tomu tak nebylo, proto podíly nasimulujeme. Řekněme, že vzorky s méně než 200 pakomáry pochází ze čtvtiny původních vzorků (a je třeba jejich abundance vynásobit čtyřmi), a vzorky s méně než 400 pakomáry pochází z poloviny původního vzorku (tedy je musíme vynásobit dvěma).
(a) Vytvořte vektor násobků, kterými je potřeba abundance vynásobit.
(b) Vytvořte dataframe spe.nas s vynásobenými abundancemi pakomárů.
(c) Přesvědčte se, že podíly lokalitních sum abundancí vynásobeného a původního dataframu odpovídají vektoru násobků.
# (a) - samozrejme je vic možnosti,  tu jsou dve:
násobky <- c(4, 2, 1)[factor((rowSums(spe) >= 200) + (rowSums(spe) >= 400))] table(násobky)
## násobky ##124 ## 11   5 11
násobky <- c(4, 2, 1)[cut(rowSums(spe), c(0, 200, 400, max(rowSums(spe))), right = F,
include.lowest = T)] table(násobky)
4
## násobky ##124 ## 11   5 11
# (b)
spe.nas <- spe * násobky
# (c)
all(rowSums(spe.nas) == (rowSums(spe) * násobky)) ## [1] TRUE
13. Exportujte dataframe spe.nas jako tabulátorem oddělený text tak, aby se dal otevřít v excelu. V excelu jej otevřte a zkontrolujte.
write.table(spe.nas, file = "spe.nas.txt", sep = "\t", row.names = T, col.names = NA)
# argumenty row.names= T a col.ncunes= NA zajisti, ze v zahlavi bude pridaná
# jedna prázdna bunka, jak je zvykem v excelovych spreadsheetech (viz
# ?write.table)
14. V některých analýzách chceme srazit vliv hojných druhů. Potom můžeme přistoupit k relativizaci nebo standardizaci druhových abundancí. Vytvořte dataframe spe.rel v němž budou zrelativizované druhové abundance tak, že pro každý druh je vydělíte sumou jeho abundancí. Pozor na násobení matic vektory - hodnoty v maticích bere R po sloupcích.
# Tady potrebujeme roztáhnout vektor sum abundanci druhu tak, aby se kazda
# jedna hodnota opakovala tolikrát, kolik mame lokalit. Bud muzeme vektor
# zreplikovat pomoci funkce rep(), nebo použijeme jako subscript poradi
# sloupců, který ziskame pomoci funkce col(): sumy <- rep(colSums(spe), each = nrow(spe)) sumy <- colSums(spe)[col(spe)]
spe.rel <- spe/sumy
15. Exportujte dataframe spe.rel jako tabulátorem oddělený text tak, aby se dal otevřít v excelu. V excelu jej otevřte a zkontrolujte.
write.table(spe.rel, file = "spe.rel.txt", sep = "\t", row.names = T, col.names = NA)
16. Vytvořte dataframe stat s proměnnými abund a freq obsahujícími součty abundancí a počty výskytů jednotlivých druhů (počet řádků dataframu stat bude odpovídat počtu druhů, přičemž pro každý druh bude uvedeno, kolik jedinců celkem bylo zaznamenáno a na kolika lokalitách se vyskytoval).
stat <- data.frame(abund = colSums(spe), freq = colSums(spe > 0))
17. V dataframu stat vytvořte proměnnou odlišující běžné druhy od vzácných s úrovněmi: vzacny (druh se vyskytoval na max. 3 lokalitách), bezny (výskyt na 4 - 9 lokalitách), a hojny (výskyt na 10 a více lokalitách).
5
stat$status <- cut(stat$freq, c(0, 3, 9, max(stat$freq)), labels = c("vzacny", "bezny", "hojny"))
18. Zjistěte, kolik druhů je vzácných, běžných a hojných (podle kritérií v předchozím bodu).
table(stat$status) ##
## vzacny bezny hojny ## 15 11 28
19. Exportujte dataframe stat jako tabulátorem oddělený text tak, aby se dal otevřít v excelu. V excelu jej otevřte a zkontrolujte.
write.table(stat, file = "stat.txt", sep = "\t", row.names = T, col.names = NA)