Introkurs i R/RStudio - Oppgaver - For ansatte

Del 1

Vi skal lage et lite datasett som inneholder data for fire personer, som angir deres respons til en behandling.

Oppgave 1

Lag en variabel som inneholder tallene 1-4 i stigende rekkefølge, vha seq-funksjonen. Kall variablen ID.

ID <- seq(1,4,1) #alternativt seq(1,4)

Oppgave 2

Lag en variabel som inneholder tallene 2,2,1,1 i denne rekkefølgen, vha rep-funksjonen. Kall variablen gruppe.

gruppe <- rep(c(2,1), each=2) #alternativt rep(c(2,1), c(2,2))

Oppgave 3

Lag en variabel som heter respons, der mulige kategorier er dårlig, middels og god. Du kan fordele respons på de fire deltakerne som du selv vil. Husk at denne variablen bør endres til å være en ordnet faktor.

respons <- c("middels", "god", "dårlig", "god") #husk at selv om det bare er tre kateogorier, så er det fire deltakere, og hver av dem må få en "verdi".
respons <- factor(respons, ordered = TRUE, levels = c("dårlig", "middels", "god"))

Oppgave 4

Sett alle variabler sammen til et datasett (data frame). Du kan kalle datasettet for pasientData

pasientData <- data.frame(ID, gruppe, respons)

Oppgave 5

Skriv ut case nr 2, deretter variabel 3, og til slutt verdien til variabel nr 3 for case nr 2.

#case nr 2
pasientData[2,]

##   ID gruppe respons
## 2  2      2     god

#variabel nr 3
pasientData[,3] #alternativt pasientData[3] eller pasientData$respons

## [1] middels god     dårlig  god    
## Levels: dårlig < middels < god

#case nr 2 variabel 3
pasientData[2,3] #alternativt pasientData$respons[2]

## [1] god
## Levels: dårlig < middels < god

Oppgave 6

Skriv ut alle caser bortsett fra case nr 1.

pasientData[-1,]

##   ID gruppe respons
## 2  2      2     god
## 3  3      1  dårlig
## 4  4      1     god

Del 2

Oppgave 1

Basert på den informasjonen du kan få fra str(data$variabel) og summary(data$variabel), kan du finne ut hvilke år du har data fra?

str(gapminder$year) #data er hentet fra hvert 5 år, med start i 1952

##  num [1:1704] 1952 1957 1962 1967 1972 ...

summary(gapminder$year) # høyeste årstall er 2007.

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1952    1966    1980    1980    1993    2007

Oppgave 2

Hva skjer om du kombinerer summary-funksjonen med as.factor(data$variabel) for årstall-variablen? Endrer dette selve datasettet?

summary(as.factor(gapminder$year))

## 1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 2002 2007 
##  142  142  142  142  142  142  142  142  142  142  142  142

summary(gapminder$year)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1952    1966    1980    1980    1993    2007

# variablen er uendret, men med as.factor behandles årsvariablen som en faktor med årstall som kategorier.

Del 3

Oppgave 1

Lag en ny variabel som heter gdpPercap1000, som angir BNP (GDP) per innbygger i 1000 USD istedenfor i USD.

 gapminder$gpdPercap1000 <- gapminder$gdpPercap/1000

Oppgave 2

Regn ut gjennomsnittlig populasjon for 2007 gruppert etter levestandardkategoriene i lifeCat, og tell opp antall land du har i hver av kategoriene (hint: n()).

gapminder %>% filter(year==2007) %>% group_by(lifeCat) %>% summarise(mean = mean(pop), n = n())

## # A tibble: 3 x 3
##   lifeCat      mean     n
##   <fct>       <dbl> <int>
## 1 Low     21473191.    19
## 2 Medium  50079968.    40
## 3 High    46262938.    83

Oppgave 3

Lag et datasett som kun har dataene fra Argentina, for alle år, ved å velge bare de dataene som har country==“Argentina”. Kall settet gpArgentina.

gpArgentina <- gapminder %>% filter(country=="Argentina")

Del 4

Oppgave 1

Lag en tabell over kategorisk forventet levealder mot kontinent, som viser prosentvis fordeling istedenfor desimaltall.

100*prop.table(table(gapminder$continent, gapminder$lifeCat))

##           
##                   Low     Medium       High
##   Africa   21.8896714 13.6150235  1.1150235
##   Americas  1.6431925  9.9765258  5.9859155
##   Asia      5.1643192 12.6173709  5.4577465
##   Europe    0.1173709  5.9272300 15.0821596
##   Oceania   0.0000000  0.1173709  1.2910798

Oppgave 2

Funksjonen prop.table har et ekstra argument, margin, som kan ta verdier NULL, 1 og 2, der NULL er default. Hva skjer om du setter margin = 1 eller 2 inni prop.table? Det kan være lettere å se om du legger på addmargins() rundt hele kommandoen.

prop.table(table(gapminder$continent, gapminder$lifeCat), margin=NULL)

##           
##                    Low      Medium        High
##   Africa   0.218896714 0.136150235 0.011150235
##   Americas 0.016431925 0.099765258 0.059859155
##   Asia     0.051643192 0.126173709 0.054577465
##   Europe   0.001173709 0.059272300 0.150821596
##   Oceania  0.000000000 0.001173709 0.012910798

prop.table(table(gapminder$continent, gapminder$lifeCat), margin=1)

##           
##                    Low      Medium        High
##   Africa   0.597756410 0.371794872 0.030448718
##   Americas 0.093333333 0.566666667 0.340000000
##   Asia     0.222222222 0.542929293 0.234848485
##   Europe   0.005555556 0.280555556 0.713888889
##   Oceania  0.000000000 0.083333333 0.916666667

prop.table(table(gapminder$continent, gapminder$lifeCat), margin=2)

##           
##                    Low      Medium        High
##   Africa   0.759674134 0.322222222 0.038539554
##   Americas 0.057026477 0.236111111 0.206896552
##   Asia     0.179226069 0.298611111 0.188640974
##   Europe   0.004073320 0.140277778 0.521298174
##   Oceania  0.000000000 0.002777778 0.044624746

addmargins(prop.table(table(gapminder$continent, gapminder$lifeCat), margin=NULL))

##           
##                    Low      Medium        High         Sum
##   Africa   0.218896714 0.136150235 0.011150235 0.366197183
##   Americas 0.016431925 0.099765258 0.059859155 0.176056338
##   Asia     0.051643192 0.126173709 0.054577465 0.232394366
##   Europe   0.001173709 0.059272300 0.150821596 0.211267606
##   Oceania  0.000000000 0.001173709 0.012910798 0.014084507
##   Sum      0.288145540 0.422535211 0.289319249 1.000000000

addmargins(prop.table(table(gapminder$continent, gapminder$lifeCat), margin=1))

##           
##                    Low      Medium        High         Sum
##   Africa   0.597756410 0.371794872 0.030448718 1.000000000
##   Americas 0.093333333 0.566666667 0.340000000 1.000000000
##   Asia     0.222222222 0.542929293 0.234848485 1.000000000
##   Europe   0.005555556 0.280555556 0.713888889 1.000000000
##   Oceania  0.000000000 0.083333333 0.916666667 1.000000000
##   Sum      0.918867521 1.845279720 2.235852758 5.000000000

addmargins(prop.table(table(gapminder$continent, gapminder$lifeCat), margin=2))

##           
##                    Low      Medium        High         Sum
##   Africa   0.759674134 0.322222222 0.038539554 1.120435910
##   Americas 0.057026477 0.236111111 0.206896552 0.500034139
##   Asia     0.179226069 0.298611111 0.188640974 0.666478154
##   Europe   0.004073320 0.140277778 0.521298174 0.665649272
##   Oceania  0.000000000 0.002777778 0.044624746 0.047402524
##   Sum      1.000000000 1.000000000 1.000000000 3.000000000

Forsiden

Arbeidsstøtte

Ansettelsesforhold

Drift og kontorstøtte

Kompetanseutvikling

UiO-nettverk og ledermøter

Interne enhetssider

Introkurs i R/RStudio - Oppgaver

Del 1

Vi skal lage et lite datasett som inneholder data for fire personer, som angir deres respons til en behandling.

Oppgave 1

Oppgave 2

Oppgave 3

Oppgave 4

Oppgave 5

Oppgave 6

Del 2

Oppgave 1

Oppgave 2

Del 3

Oppgave 1

Oppgave 2

Oppgave 3

Del 4

Oppgave 1

Oppgave 2

Arbeidsstøtte

Ansettelsesforhold

Drift og kontorstøtte

Kompetanseutvikling

UiO-nettverk og ledermøter

Interne enhetssider

Kontakt

Om nettstedet