1
Procvičování 12 - řešení
1. Naimportujte data z Excelového souboru dat_12.xls. Najdete v něm tři listy: env, spe a tax. env a spe už znáte, pracujeme s nimi pravidelně, tax obsahuje taxonomické zařazení druhů (listu spe, jsou ve stejném pořadí) do podčeledí (sloupec subfamily). Při importu zachovejte reprodukovatelnost - nepoužívejte 'clipboard', ale specifikujte cestu k souboru.
env<- read.delim("D:/My Dropbox/predmety/uvod do R/2013/cvl2/env.txt", row.names= 1) spe<- read.delim("D:/My Dropbox/predmety/uvod do R/2013/cvl2/spe.txt", row.names= 1) tax<- read.delim("D:/My Dropbox/predmety/uvod do R/2013/cvl2/tax.txt", row.names= 1)
2. Vytvořte zkratky jmen druhů (jež jsou v hlavičce listu spe) a přejmenujte sloupce dataframu spe zkratkami.
# install.packages("vegan"), pokud neni nainstalovaný library(vegan)
## Loading required package: permute ## Loading required package: lattice ## This is vegan 2.0-10
names(spe)<- make.cepnames(names(spe))
3. Zobrazte rank abundance plot. To je sloupečkový graf, v němž každý sloupeček představuje jeden druh, výšku určuje celková abundance druhu a sloupečky jsou seřazeny od nejvyššího po nejnižší.
# nejprve nahradim NA hodnoty nulami (pripadne mohu pouzivat argument na.rm= T ve funkcich,
# kde by mi NA hodnoty překážely) spe[is.na(spe)]<- 0
# zmenšeni okraju v grafickém okne par(mar= c(4,4,4,l))
barplot(sort(colSums(spe), decreasing= T))
2
o o o
CM
O O
in
o o o
o o — in
o —1
JDDDDDDDDi
tttCE
Micrsp Thieinde  Tanybrun   PolyGr.1    Pararufi   Ablasp ParaGr
4. Zjistěte pro každou podčeleď, kolik celkem jedinců dané podčeledi bylo zaznamenáno.
# pouziju smyčku,  tak si nejprve vytvorim "prázdny" výsledný objekt,
# který pomoci smyčky naplnim
res<- numeric(length= nlevels(tax$subfamily)) names(res)<- levels(tax$subfamily)
for(i in levels(tax$subfamily)){
res[i]<- sum(spe[, tax$subfamily == i])
>
res
## Diamesinae Chironominae Orthocladiinae Prodiamesinae Tanypodinae ## 58 4929 6189 147 545
5. Zjistěte, kolik druhů bylo v jednotlivých podčeledích zaznamenáno.
# počet druhu v podceledich odpovida poctu výskytu nazvu podčeledi ve vektoru tax$subfamily table(tax$subfamily)
##
## Diamesinae Chironominae Orthocladiinae Prodiamesinae Tanypodinae ## 2 15 31 1 5
6. Vytvořte dataframe subfam obsahující proměnné froude, chir, orth a tanypod. froude bude obsahovat Froudeho čísla spočítaná pro jednotlivé lokality (tak, jak jsou v proměnné froude dataframu env), chir, orth a tanypod pak součty jedinců nejběžnějších podčeledi Chironominae, Orthocladiinae a Tanypodinae resp. na jednotlivých lokalitách. Dataframe subfam tedy bude mít 27 řádků (lokalit) a 4 sloupce (proměnné).
3
subfam<- data.frame(froude= env$froude,
chir= rowSums(spe[, tax$subfamily == "Chironominae"]), orth= rowSums(spe[, tax$subfamily == "Orthocladiinae"]), tanypod= rowSums(spe[, tax$subfamily == "Tanypodinae"]))
subfam
##			froude	chir	orth tanypod	
##	sOl	0	.139193	41	92	6
##	s02	0	.175951	64	323	18
##	s03	0	.140536	55	80	10
##	s 04	0	.046165	55	110	18
##	s05	0	.051925	100	327	62
##	s06	0	.070242	134	405	65
##	s07	0	.296715	19	232	7
##	s08	0	.427528	5	141	0
##	s09	0	.329023	14	202	3
##	slO	0	.407331	22	187	0
##	sil	0	.219511	14	163	3
##	sl2	0	.522477	149	297	1
##	sl3	0	.065500	378	102	83
##	s 14	0	.181655	38	109	3
##	sl5	0	.299809	337	368	17
##	sl6	0	.167799	7	114	1
##	sl7	0	.135520	13	226	4
##	sl8	0	.242733	103	452	3
##	sl9	0	.039662	47	135	16
##	s20	0	.476675	57	139	21
##	s21	0	.507082	195	1227	2
##	s22	0	.134698	49	59	13
##	s23	0	.127380	47	92	6
##	s 24	0	.558432	268	395	6
##	s25	0	.539509	14	31	1
##	s26	0	.001813	2530	107	139
##	s27	0	.020319	174	74	37
7. Do dataframu subfam přidejte proměnnou hab, která bude odlišovat vzorky z různých habitatů. Bude to faktor s úrovněmi OM, P, R a VEG a vytvoříte jej z proměnné hab dataframu env. Úroveň OM vytvoříte sloučením úrovní Ep_CPOM a Ep_FPOM; P, R a VEG vytvoříte přejmenováním úrovní Ep, Er a Er_VEG, resp.
# nejprve si udelam kopii hab v subfam subfam$hab<- env$hab
# pak uz jen upravit názvy úrovni levels(subfam$hab)<- c('P', '0M', '0M','R','VEG') subfam
## froude chir orth tanypod hab
## sOl 0.139193     41     92 6 P
## s02 0.175951     64   323 18 P
4
##	s03	0	.140536	55	80	10	P
##	s 04	0	.046165	55	110	18	OM
##	s05	0	.051925	100	327	62	OM
##	s06	0	.070242	134	405	65	OM
##	s07	0	.296715	19	232	7	R
##	s08	0	.427528	5	141	0	R
##	s09	0	.329023	14	202	3	R
##	slO	0	.407331	22	187	0	VEG
##	sil	0	.219511	14	163	3	VEG
##	sl2	0	.522477	149	297	1	VEG
##	sl3	0	.065500	378	102	83	OM
##	s 14	0	.181655	38	109	3	P
##	sl5	0	.299809	337	368	17	VEG
##	sl6	0	.167799	7	114	1	P
##	sl7	0	.135520	13	226	4	P
##	sl8	0	.242733	103	452	3	VEG
##	sl9	0	.039662	47	135	16	P
##	s20	0	.476675	57	139	21	R
##	s21	0	.507082	195	1227	2	VEG
##	s22	0	.134698	49	59	13	P
##	s23	0	.127380	47	92	6	P
##	s 24	0	.558432	268	395	6	VEG
##	s25	0	.539509	14	31	1	R
##	s26	0	.001813	2530	107	139	OM
##	s27	0	.020319	174	74	37	OM
8. Rozdělte si grafické okno na 3 oddíly. par(mfrow= c(1,3))
9. Pro každou ze tří nejběžnějších podčeledí zobrazte v bodovém grafu její logaritmované abundance proti Froudeho číslo. Použijte argument main= pro zobrazní názvu grafu a každý graf nazvěte podle zobrazované podčeledi.
# muzeme použit smyčku, ale nemusime par(mfrow= c(l,3), mar= c(4,4,4,l))
for(i in names(subiam)[2:4]){
plot(loglp(subfam[, i]) ~ subfam$froude, main= i)
>
5
chir
Orth
tanypod
o
o      o o
T-1-1-1-1-1—
0.0        0.1 0.2        0.3        0.4 0.5
O O
T-1-1-1-1-1—
0.0        0.1        0.2        0.3       0.4 0.5
o o o o
1-1-1-1-1-1—
0.0        0.1        0.2       0.3        0.4 0.5
10. Stejně jako v předchozím bodě zobrazte pro každou ze tří nejběžnějších podčeledí její logaritmované abundance proti Froudeho číslo, různými symboli ale odlište vzorky z odlišných habitatů hab dataframu subfam.
par(mfrow= c(l,3), mar= c(4,4,4,l))
# opet se smyčkou
for(i in names(subfam)[2:4]){
plot(loglp(subfam[, i]) ~ subfam$froude, main= i, pch= c(3,l,2,15)[subfam$hab])
>
tanypod
i-1-1-1-1-1—
0.0        0.1        0.2        0.3        0.4 0.5
°    °° -H-++
1-1-1-1-1-1-
0.0        0.1        0.2        0.3       0.4 0.5
+ -H-+
+ ■ ■ A
+
1-1-1-1-1-1—
0.0        0.1        0.2       0.3        0.4 0.5
11. Seřaďte úrovně faktoru hab podle mediánu Froudeho čísla, čili tak, aby v grafu byla první zobrazená úroveň s nejnižším mediánovým Froudeho číslem a poslední ta s nejvyšším. Zkontrolujte zobrazením boxplotu Froudeho čísla proti habitatu.
6
CD T3
O
^1-O
CM O
O O
hab
12. Pro každou ze tří nejběžnějších podčeledí zobrazte v boxplotu její logaritmované abundance proti habitatu. Použijte argument main= pro vytvoření názvu grafu a každý graf nazvěte podle zobrazované podčeledi.
subfam$hab
subfam$hab
subfam$hab