R for data generating

ปกติแล้ว เราจะใช้ชุดช้อมูลที่มาจากการเก็บข้อมูลของเราเอง ทั้งแบบ Survey และ Experiment หรือมาจาก database SQL

บทนี้เราจะมาเรียนการสร้างข้อมูลจากการเขียน code พื้นฐานค่ะ

หลัก ๆ เราจะใช้คำสั่งต่อไปนี้คือ seq(), rep(), c(), cbind(), rbind(), matrix(), และ data.frame() เรามาเริ่มดูตัวอย่างเพื่อให้เห็นภาพกัน

D1 <- seq(1:30)
D2 <- rep(1:15, 2)
D3 <- c(31:60)
D3.cha <- c("ab", "cd", "ef")
D4 <- cbind(D1, D2, D3)
D5 <- rbind(D1, D2, D3)
D6 <- matrix(D1, nrow = 10, ncol = 3)
D7 <- data.frame(D1, D2, D3)

เราจะเรียกวัตถุและชุดขึ้นมา

D1

##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
## [26] 26 27 28 29 30

D1 จากคำสั่ง seq() หรือ sequence จะเป็น vector ที่มีเลข 1 ถึง 30

D2

##  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15  1  2  3  4  5  6  7  8  9 10
## [26] 11 12 13 14 15

D2 จากคำสั่ง rep() หรือ replicate จะเป็น vector ที่มีเลข 1 ถึง 15 วนไป 2 ครั้ง

D3

##  [1] 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55
## [26] 56 57 58 59 60

D3.cha

## [1] "ab" "cd" "ef"

D3 มาจากคำสั่ง c() ซึ่งบางครเรียก combine บางคนเรียก concatenate จะเป็นการสร้าง vector ที่เราสามารถเลือกใส่ชุดข้อมูลส่งไปเองได้

D4

##       D1 D2 D3
##  [1,]  1  1 31
##  [2,]  2  2 32
##  [3,]  3  3 33
##  [4,]  4  4 34
##  [5,]  5  5 35
##  [6,]  6  6 36
##  [7,]  7  7 37
##  [8,]  8  8 38
##  [9,]  9  9 39
## [10,] 10 10 40
## [11,] 11 11 41
## [12,] 12 12 42
## [13,] 13 13 43
## [14,] 14 14 44
## [15,] 15 15 45
## [16,] 16  1 46
## [17,] 17  2 47
## [18,] 18  3 48
## [19,] 19  4 49
## [20,] 20  5 50
## [21,] 21  6 51
## [22,] 22  7 52
## [23,] 23  8 53
## [24,] 24  9 54
## [25,] 25 10 55
## [26,] 26 11 56
## [27,] 27 12 57
## [28,] 28 13 58
## [29,] 29 14 59
## [30,] 30 15 60

D5

##    [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14]
## D1    1    2    3    4    5    6    7    8    9    10    11    12    13    14
## D2    1    2    3    4    5    6    7    8    9    10    11    12    13    14
## D3   31   32   33   34   35   36   37   38   39    40    41    42    43    44
##    [,15] [,16] [,17] [,18] [,19] [,20] [,21] [,22] [,23] [,24] [,25] [,26]
## D1    15    16    17    18    19    20    21    22    23    24    25    26
## D2    15     1     2     3     4     5     6     7     8     9    10    11
## D3    45    46    47    48    49    50    51    52    53    54    55    56
##    [,27] [,28] [,29] [,30]
## D1    27    28    29    30
## D2    12    13    14    15
## D3    57    58    59    60

D4 จะมาจากคำสั่ง cbind() ที่เป็นการรวมกันของในรูปแบบคอลลัมภ์ vector และ D5 จะมาจาก rbind() ที่เป็นการรวมกันในรูปแบบแถว

D6

##       [,1] [,2] [,3]
##  [1,]    1   11   21
##  [2,]    2   12   22
##  [3,]    3   13   23
##  [4,]    4   14   24
##  [5,]    5   15   25
##  [6,]    6   16   26
##  [7,]    7   17   27
##  [8,]    8   18   28
##  [9,]    9   19   29
## [10,]   10   20   30

D7

##    D1 D2 D3
## 1   1  1 31
## 2   2  2 32
## 3   3  3 33
## 4   4  4 34
## 5   5  5 35
## 6   6  6 36
## 7   7  7 37
## 8   8  8 38
## 9   9  9 39
## 10 10 10 40
## 11 11 11 41
## 12 12 12 42
## 13 13 13 43
## 14 14 14 44
## 15 15 15 45
## 16 16  1 46
## 17 17  2 47
## 18 18  3 48
## 19 19  4 49
## 20 20  5 50
## 21 21  6 51
## 22 22  7 52
## 23 23  8 53
## 24 24  9 54
## 25 25 10 55
## 26 26 11 56
## 27 27 12 57
## 28 28 13 58
## 29 29 14 59
## 30 30 15 60

D6 มาจากคำสั่ง matrix() ที่เรา subset ข้อมูลของ D4 ให้เป็นแถวแถวละ 10 ข้อมูล

D7 มาจากการที่เรานำ D1, D2, D3 มารวมกัน ซึ่งจะคล้ายกับคำสั่ง cbind() แต่ชนิดของ object จะเป็น dataframe ค่า

สร้างข้อมูลให้ซับซ้อนขึ้น

สมมติว่าเราต้องการจำลองข้อมูลของเพศหญิง (30 คน) และ เพศชาย (30) ในเรื่องของเงินเก็บแต่ละสัปดาห์ (saving) จำนวนคนในบ้าน (household) และ อายุ (age)

เราจะใช้คำสั่ง rnorm()ซึ่งประกอบไปด้วย rnorm(จำนวนข้อมูล, ค่าเฉลี่ย, SD)

*set.seed() คือการตั้งค่าให้การสุ่มข้อมูลเป็นชุดเดิมเสมอ round() คือการเรียกจำนวนเลขทศนิยม และ abs() คือการสั่งให้เลขทุกตัวเป็น absolute (เพื่อที่จะได้เลขค่าบวกทั้งหมด)

set.seed(1990)


gender <- c(rep("male", 33), rep("female", 33), rep("lgbtq", 34))
saving <- round(c(rnorm(50, 230, sd = 3.1), rnorm(50, 210, sd = 2.6)) ,2)
age <- round(c(rnorm(50, 31, sd = 2.1), rnorm(50, 28, sd = 1.76)))
household <- abs(round(c(rnorm(50, 3, sd = 1.4), rnorm(50, 2.7, sd = 1.2))))

data <- data.frame(gender, age, household, saving)
head(data)

##   gender age household saving
## 1   male  33         3 227.07
## 2   male  29         3 230.74
## 3   male  32         2 227.64
## 4   male  32         4 230.35
## 5   male  30         2 228.44
## 6   male  31         3 235.47

เราจะได้ข้อมูลที่ตรงตามที่เราต้องการค่า

ถ้าเรานำข้อมูลมาสร้างกราฟ ก็ได้ได้กราฟหลากหลายรูปแบบขึ้นอยู่กับการเลือกของเรา

    library(ggplot2)
    data$household <- as.factor(data$household)

    ggplot(data) +
      geom_smooth(aes(x = age, y = saving), method = lm) +
      geom_jitter(aes(x = age, y = saving, color = gender)) +
      theme_classic()

## `geom_smooth()` using formula 'y ~ x'

ข้อมูลที่สร้างขึ้นมาจะเป็นกลุ่มย่อยที่เราต้องการสร้างค่า

ลองมาดูแบบ bargraph กันบ้าง

    ggplot(data) +
      geom_bar(aes(x = gender, y = saving, fill = gender), stat = "summary") +
      theme_classic() +
      scale_fill_brewer(palette = 3)

## No summary function supplied, defaulting to `mean_se()`

บทความหน้าเราจะเรียนรู้ function ที่ใช้บ่อยใน R กันนะคะ

กลับไปที่ Datastist.com