1
Procvičování 9a
1. Pohrajeme si ještě s těmi jmény, co jsme s nimi pracovali posledně. Tentokrát vám nebudu diktovat, jaké objekty máte v jakém bodě vytvářet a jak je pojmenovat. Spíš po vás budu chtít něco zjistit, případně zobrazit, a jaké objekty si k pomoci vytvoříte nechám na vás. Taky to bude trochu o práci s nápovědou. Pokud dataset s frekvencemi jmen českých občanů jména.toct nemáte importovaný z minula, importujte jej do R. Najdete jej ve studijních materiálech, nebo jej můžete načíst přímo z http://www.sci.muni.cz/~syrovat/jmena.txt.Tabulka obsahuje v řádcích všechna jednoslovná křestní jména českých obyvatel, ve sloupcích pak jejich frekvenci v jenotlivých ročnících od r. 1896 do 2013.
# Problém s encodovanim v LyXu se mi nepodarilo vyřešit, proto zase odstranim nejaka
# jména.  Tim pádem moje výsledky nebudou sedět s vašimi, ale na script to vliv zadny nema.
# Nastaveni pracovního adresáre:
setwd("D:/My Dropbox/predmety/uvod do R/2014/cv09")
# načteni jmen bez jmen radku, zabranim vytvořeni faktoru ze jmen a kontrole jmen sloupců: jm.data<- read.delimCjmena.txt', sep= '\ť, check.names= F, stringsAsFactors= F)
# odstraněni radku s duplikovanymi jmény: jm.data<- jm.data[!duplicated(jm.data[, 1]), ]
# definováni jmen radku:
jm.data<- data.frame(jm.data, row.names= 1, check.names= F) ## Error: row names contain missing values
# R hlasi, ze mezi jmény jsou missing values (NA), odstranim i ty: jm.data<- jm.data[!is.na(jm.data[, 1]), ]
# definováni jmen radku podruhé:
jm.data<- data.frame(jm.data, row.names= 1, check.names= F)
# z nejakého důvodu se mi v datasetu objevily NA hodnoty u 278 jmen, odstranim tyto radky jm.data<- jm.data[!is.na(rowSums(jm.data)), ]
2. Celý dataset obsahuje hromadu balastních jmen. Mám na mysli jména, jež jsou velmi vzácná, aby se s nimi dalo něco dělat. Jedná se o jména cizinců, či o špatně zadaná jména. Odstraníme tedy vzácná jména. Nejprve si ale namalujeme dotchart, abychom si udělali obrázek o frekvencích jmen. Dotchart (Cleveland dot plot) je jednou z grafických možností pro posouzení rozložení hodnot. Spočívá ve vynesení vlastních hodnot na osu X podle jejich pořadí (Y). Pro přehlednost můžeme hodnoty seřadit. Můžeme použít funkci dotchart (), která ale není moc neflexibilní. Raději si dotchart vytvoříme sami: zobrazte seřazené frekvence jmen na ose X a jejich pořadí na ose Y.
# frekvence jmen si mohu neprve spocitat a uložit do nejakého objektu: frekv.jmen<- rowSums(jm.data)
plot(sort(frekv.jmen), l:length(frekv.jmen))
2
O
o o m
o o o o
kebdoid oo o©
gd o
oo o oo
CD
.E
>
CD
I 8
o —
i-1-1-1-1-1-r
0       50000    100000   150000   200000   250000 300000
sort(frekv.jmen)
3. Je vidět, že opravdu velká většina z oněch 16 tisíc jmen je velmi vzácná a teprve u posledního 1-2 tisíce jmen jejich frekvence narůstá, můžeme si tedy dovolit jich většinu odstranit. Kolik ale? Hranice by měla ležet někde v ohybu té křivky, kterou tvoří body v našem dotchartu. Já jsem zvolil arbitrárni kritérium 0,5%. "Odstraňujme vzácná jména postupně od těch nej vzácnějších a zastavme s odstraňováním těsně předtím, než bychom dosáhli 0,5% odstraněných jedinců." Tak docílíme toho, že nám v datasetu zůstane naprostá většina dat (alespoň 99,5%), a zároveň ho vyčistíme od balastu. Vypočítal jsem, že to odpovídá všem jménům s frekvencí menší nebo rovnou 33. To můžete ověřit. Zjistěte, kolik jmen a kolik jedinců nám z datasetu tímto postupem vypadne, kolik tito jedinci tvoří procent přesně, a z datasetu je odstraňte. Od teď budeme pracovat už jen s tímto menším a čistším datasetem.
# kolik jmen vypadne (nezapomeňte, ze muj dataset neni uplny): sum(frekv.jmen <= 33)
## [1] 13963
# kolik jedinců vypadne:
sum(jm.data[frekv.jmen <= 33, ])
## [1] 47302
3
# kolik je to procent:
sum(jm.data[frekv.jmen <= 33, ]) / sum(jm.data) * 100 ## [1] 0.524 sum(jm.data) ## [1] 9026312
# odstraněni jmen s freq <= 33: jm.data33<- jm.data[frekv.jmen > 33, ]
4. Už víme, že nejběžnějším jménem je Jiří. Jak je to s dalšími jmény, která začínají na "J"? Zjistěte 10 nejběžnějších jmen začínajících písmenem "J". K tomu budete potřebovat nějakou funkci, která dokáže v textového řetězce vyextrahovat první písmenko. Tu najděte. Jen napovím, že pro řetězec se používá termín "string".
# googleni fráze "extract character from string r" mi prvni odkaz odkazuje
# na nápovědu fce substr()
# vytaženi prvniho pismenka ze jmen: jml<- substr(rownames(jm.data), 1, 1)
# vytaženi jmen zacinajicich na J: jm.dataJ<- jm.data[jml == "J", ]
# seřazeni a vypsáni 10 nejbeznejsich Jmen: rownames(jm.dataj)[order(-rowSums(jm.dataJ))[1:10]]
##    [1]  "JIXM" "JAM" "JAM" "JOSEF" "JAROSLAV"
##    [6]  "JAKUB" "JAROSLAVA" "JITKA" "JARMILA" "JIXINA"
# (JIXM = JIM)
5. Teď, když si umíme vytáhnout jména stejného začátečního písmene, bychom se mohli podívat, jak si stojí naše jména s frekvencí v množině jmen stejného začátečního písmene: Zjistěte pořadí Vašeho jména mezi jmény začínajícími stejným písmenem. (Pokud Vaše jméno vypadlo v bodu 2, zjistěte pořadí nějakého jiného oblíbeného jména).
# nejprv e si vytáhneme jména stejného zacatecniho pismenem u me to je V: jm.dataV<- jm.data[jmi == "V", ]
# kvůli problémům s diakritikou se moje jméno prelozilo jako VMT.
# hledám tedy rank jména frekvence jména VMT rank(-rowSums(jm.dataV))["VMT"]
## VMT ## 8
4
# zajímavé by bylo i podívat se na prvních několik, řekneme 10, nejbeznejsich jmen
# zacinajicich daným pismenem, nechat si vypsat jejich frekvence a poradi: jm.V.info<- data.frame(freq= rowSiuns(jm.dataV),
poradi= rank(-rowSiuns(jm.dataV))) jm.V.info[order(-jm.V.info$freq)[1:10], ]
## freq poradi
##	VLRA	114330	1
##	VLADIMMR	88149	2
##	VERONIKA	86094	3
##	VOJTLCH	48810	4
##	VLASTA	46014	5
##	VLASTIMIL	27291	6
##	VLADIMMRA	18259	7
##	VMT	17447	8
##	VENDULA	14232	9
##	VLADISLAV	13617	10
#
6. Protože data jsou strukturována podle roku narození, můžeme zjistit něco o trendech v používání jmen během posledních desetiletí. Namalujte sloupcový graf relativního zastoupení Vašeho jména v populaci v jednotlivých letech. Výsledkem má být graf se sloupečky, kde počet sloupečků odpovídá počtu let, pro které jsou frekvence jmen v datasetu zaznamenané, a výška sloupců relativnímu zastoupení daného jména mezi jedinci narozenými v patřičném roce. Namalujte stejný graf pro tři různá jména, u kterých byste čekali odlišný vývoj. Sloupečky ve sloupečkovém grafu se označují termínem "bar".
# nejprve musime najit funkci, která maluje sloupeckove grafy, hledáme neco jako "bar graph",
# nebo muzeme zkusit stesti a v RStudiu napiseme  'bar' a stiskneme klávesu Tabulátor pro vyhledáni
# funkci, které zacinaji na 'bar', nakonec najdeme funkci barplot()
# relativni zastoupeni jména v populaci daného rocniku je podii jedinců toho rocniku, kteri nesou
# ku poctu všech jedinců daného rocniku.
# v mem pripade tedy:
# jm.data["VMT", ] / colSums(jm.data) barplot(jm.data["VMT", ] / colSums(jm.data))
## Error:  'heighť must be a vector or a matrix
# ha, R hlasi, ze  'heighť, cili vyska tech sloupečku, musi byt ve formátu vektoru nebo matice.
# co mu to vlastne cpeme? podivame se na strukturu: str(jm.data["VMT", ] / colSums(jm.data))
## 'data.frame': 1 obs. of    120 variables:
## $ 0     : num 0
## $ 1896: num NaN
## $ 1897: num NaN
## $ 1898: num NaN
## $ 1899: num NaN
## $ 1900: num 0
## $ 1901: num 0
##	$ 1902:	num	0	
##	$ 1903:	num	0	
##	$ 1904:	num	0	
##	$ 1905:	num	0	
##	$ 1906:	num	0	
##	$ 1907:	num	0	
##	$ 1908:	num	0	
##	$ 1909:	num	0	
##	$ 1910:	num	0	
##	$ 1911:	num	0	
##	$ 1912:	num	0	
##	$ 1913:	num	0	
##	$ 1914:	num	0	
##	$ 1915:	num	0	
##	$ 1916:	num	0	
##	$ 1917:	num	0	
##	$ 1918:	num	0	
##	$ 1919:	num	0.	000339
##	$ 1920:	num	0	
##	$ 1921:	num	0	
##	$ 1922:	num	0.	000398
##	$ 1923:	num	0.	000228
##	$ 1924:	num	0.	000125
##	$ 1925:	num	0.	000208
##	$ 1926:	num	0.	000306
##	$ 1927:	num	0.	000153
##	$ 1928:	num	0.	000293
##	$ 1929:	num	0.	000145
##	$ 1930:	num	0.	00015
##	$ 1931:	num	0.	00021
##	$ 1932:	num	0.	000172
##	$ 1933:	num	0.	000106
##	$ 1934:	num	0.	000244
##	$ 1935:	num	0.	000138
##	$ 1936:	num	0.	.000361
##	$ 1937:	num	0,	,000289
##	$ 1938:	num	0,	,000295
##	$ 1939:	num	0,	,000261
##	$ 1940:	num	0,	.000316
##	$ 1941:	num	0,	.000353
##	$ 1942:	num	0.	.000423
##	$ 1943:	num	0.	. 000407
##	$ 1944:	num	0	.000359
##	$ 1945:	num	0	.000551
##	$ 1946:	num	0	.000478
##	$ 1947:	num	0	. 000457
##	$ 1948:	num	0	.000454
##	$ 1949:	num	0	. 000425
##	$ 1950:	num	0	.000572
##	$ 1951:	num	0	.000502
##	$ 1952:	num	0	.000615
6
##	$ 1953	num	0	000577
##	$ 1954	num	0	00068
##	$ 1955	num	0	000635
##	$ 1956	num	0	000695
##	$ 1957	num	0	000807
##	$ 1958	num	0	000893
##	$ 1959	num	0	000781
##	$ 1960	num	0	000895
##	$ 1961	num	0	00097
##	$ 1962	num	0	00135
##	$ 1963	num	0	00145
##	$ 1964	num	0	00153
##	$ 1965	num	0	00136
##	$ 1966	num	0	00153
##	$ 1967	num	0	0014
##	$ 1968	num	0	00168
##	$ 1969	num	0	00198
##	$ 1970	num	0	00185
##	$ 1971	num	0	00159
##	$ 1972	num	0	00182
##	$ 1973	num	0	00172
##	$ 1974	num	0	0018
##	$ 1975	num	0	00185
##	$ 1976	num	0	002
##	$ 1977	num	0	00264
##	$ 1978	num	0	00251
##	$ 1979	num	0	00223
##	$ 1980	num	0	00249
##	$ 1981	num	0	00275
##	$ 1982	num	0	00258
##	$ 1983	num	0	00276
##	$ 1984	num	0	00212
##	$ 1985	num	0	00235
##	$ 1986	num	0	00242
##	$ 1987	num	0	00306
##	$ 1988	num	0	00322
##	$ 1989	num	0	00325
##	$ 1990	num	0	00305
##	$ 1991	num	0	0032
##	$ 1992	num	0	00304
##	$ 1993	num	0	0035
##	[list	output		truncat
# je to tedy dataframe o 120 proměnných a jednom radku, musime teda ty hodnoty převést na vektor: barplot(as.numeric(jm.data["VMT", ] / colSums(jm.data)))
o
# pridam jeste 3 dalsi jmena: par(mfrow=c(2,2))
barplot(as.numeric(jm.data["VMT", ] / colSums(jm.data)), main= "VIT") barplot(as.numeric(jm.data["PAVEL", ] / colSums(jm.data)), main= "PAVEL") barplot(as.numeric(jm.data["SIMONA", ] / colSums(jm.data)), main= "SIMONA") barplot(as.numeric(jm.data["EVA", ] / colSums(jm.data)), main= "EVA")
8
VIT PAVEL
# mohli bychom i naskalovat osu Y, aby obrázky byly vzájemné porovnatelné.
# to se dela tak, ze R řekneme rozsah dane osy. minimum je jasne, to bude 0.
# maximum pak bude maximálni hodnota všech zobrazovaných relativních zastoupeni.
# nejvyssi sloupečky ma Pavel,  tak muzeme použit maximum od neho:
Pavel.max<- max(as.numeric(jm.data["PAVEL", ] / colSums(jm.data)), na.rm= T)
par(mfrow=c(2,2))
barplot(as.numeric(jm.data["VMT", ] / colSums(jm.data)), main= "VIT", ylim= c(0,Pavel.max)) barplot(as.numeric(jm.data["PAVEL", ] / colSums(jm.data)), main= "PAVEL", ylim= c(0,Pavel.max)) barplot(as.numeric(jm.data["SIMONA", ] / colSums(jm.data)), main= "SIMONA", ylim= c(0,Pavel.max)) barplot(as.numeric(jm.data["EVA", ] / colSums(jm.data)), main= "EVA", ylim= c(0,Pavel.max))
9
VIT PAVEL
# mozna bychom jeste mohli chtit zobrazit osu X. . .
# to jsou přece jména sloupců našeho datasetu.
# tak jen R rict, která jména na která mista chceme zobrazit.
# protože ale R automaticky pridáva mezeru mezi sloupečky, neseděly by nam roky
# s prislusnymi sloupečky
# jak vidno na malém přikladu: barplot(l:10)
axis(l, at= 1:10, labels= 1:10)
10
co —
CD —
C\J —
J □
1    23456789 10
# musíme tedy odstranit přidávanou mezeru a jeste odecist 0.5, aby popisek byl zobrazen
# pod středem sloupce: barplot(l:10, space= 0)
axis(l, at= 1:10-0.5, labels= 1:10)
11
00 —
CD —
^ -
C\J —
O —1
2
i—r
3 4
5
6
7
8
9
10
# určite se nam na osu X nevejde kazdy rok, každých 20 let by mohlo stačit. poradí.roku<- seq(6, ncol(jm.data), by= 20)
# (sesty rok je 1900)
barplot(as.numeric(jm.data["VMT", ] / colSums(jm.data)), main= "VIT", ylim= c(0,Pavel.max), space= 0)
axis(l, at= poradí.roku-0.5, labels= names(jm.data)[poradí.roku])
12
VIT
o _.
o
co
O —
o
C\l
o _ o
O —
o
1900    1920    1940    1960    1980 2000
# všimnete si, ze R automaticky vynechá popisky, které by se překrývaly: par(mfrow=c(2,2))
barplot( as.numeric(jm.data["VMT", ] / colSums(jm.data)), main= "VIT", ylim= c (0, Pavel, max) , space= 0)
axis(l, at= poradí.roku-0.5, labels= names(jm.data)[poradí.roku] )
barplot(as.numeric(jm.data["PAVEL", ] / colSums(jm.data)), main= "PAVEL", ylim= c(0,Pavel.max), space= 0)
axis(l, at= poradí.roku-0.5, labels= names(jm.data)[poradí.roku])
barplot(as.numeric(jm.data["SIMONA", ] / colSums(jm.data)), main= "SIMONA", ylim= c(0,Pavel.max), space= 0)
axis(l, at= poradí.roku-0.5, labels= names(jm.data)[poradí.roku])
barplot(as.numeric(jm.data["EVA", ] / colSums(jm.data)), main= "EVA", ylim= c(0,Pavel.max), space= 0)
axis(l, at= poradí.roku-0.5, labels= names(jm.data)[poradí.roku])
13
VIT
PAVEL
o
co o
cg o ö
o —
ö
o o _l
1900
1940
1980
1900 1940 1980
SIMONA
EVA
o
co o
cg o
o _
ö
o o
o
co o
cg o
o —
ö
o o _l
1900
1940
1980
1900
1940
1980
no a nakonec jen dodatek, ze na namalováni tech 4 grafu jsem vlastne použil
jednu sady prikazu (namaluj graf, přidej osu) čtyřikrát, jen na jinou cast datasetu.
kdo jste byli na posledni hodine, jiz patrne vidite, ze by se to dalo zavrit do smyčky,
ve které bychom R řekli, aby nam ten stejný obrázek namalovalo pro dana ^ jména.
to nechám uz na vas.