R Programming - Week1

Posted: April 15, 2015

ずっとやらずに放置してきたR言語だったけど、ようやく先週からcourseraのR Programmingという授業を始めてみた。

コースのWeek1のメモ。

Rの型

基本の型

文字列 character
実数 number
整数 integer
複素数 complex
真偽値 logical  （= boolean）

ベクトル値（≒ 同型の配列）: vector()

実数（number）

末尾にLをつけると整数（integer）になる
- x <- 1
- x <- 1L
無限を表すInf
未定義値のNaN

属性

attribute() 関数
names, dimnames
dimensions
class / length / other

ベクトル値

同じ型の配列
c() 関数で値から作成可能（concatenate）

    > x <- c("a", "b", "c")
    > x
    [1] "a" "b" "c"

vector() 関数で定義作成可能

    > x <- vector("numeric", length = 10)
    > x
    [1] 0 0 0 0 0 0 0 0 0 0

違う型のものを混ぜると優先度に従って自動で型の統一が起こる
- 文字列 > 数値 > 真偽値
as.xxx() によって型キャストが可能。破綻するものはNAとして表される

    > as.numeric(x)
    > as.logical(x)
    > as.character(x)

マトリックス（行列）

matrix() 関数で定義可能

    > m <- matrix(nrow = 2, ncol = 3)

dim() で行列の定義を確認できる（attributes() で見ると dim属性が設定されていることが分かる）
ベクトルで初期値を入れると、縦列から埋めていく

    > m <- matrix(1:6, nrow = 2, ncol = 3)
    > m
        [,1] [,2] [,3]
    [1,] 1 3 5
    [2,] 2 4 6

ベクトルにdim属性を加えるでも行列を作成可能

    > m <- 1:10
    > dim(m) <- c(2, 5)
    > m
        [,1] [,2] [,3] [,4] [,5]
    [1,] 1 3 5 7 9
    [2,] 2 4 6 8 10

ファクター（因子）

ベースラインレベルは levels() で設定可能

欠損値

NA / NaN
同じNAでも違う型になる
NaN ∈ NA

データフレーム

表形式のデータ

名前

オブジェクトには名前を付けることが可能
names()
dimnames()

ファイルの読み書き

read.table <-> write.table // 表形式データ
read.csv <-> write.csv     // カンマ区切り
readLines <-> writeLines   // 一行づつ読み込み
source <-> dump            // Rのソースコード
dget <-> dput              //  単一のオブジェクトの読み書き
load <-> save              // 複数のオブジェクトの読み書き
unserialize <-> serialize  // ?

read.tableで読み込むときのオプション指定

- file = (string)ファイル名
- header = (logical)ヘッダー行の有無
- sep = (char)区切り文字
- colClasses =
- nrows = (int)行数
- comment.char = (char)コメント文字
- skip = (int)読み込みを飛ばす行数
- stringsAsFactors = (logical)文字列型をファクターとして読み込むかどうか

データ量が少ない場合は、オプション無しのファイル名だけで良い

x <- read.table(“data.txt")

read.table()のデフォルトの挙動は以下のとおり

「#」で始まる行は飛ばす
読み込む行数を自動で計算
各列の型を自動で判定

read.csv()は区切り文字がカンマになっていること以外は、read.table()と同じ

read.table(file, sep=",")

データ量が大きい場合

Rのヘルプページに有益な情報がたくさんある
必要なメモリ量をおおまかに計算したほうが良い
コメント行が存在しない場合は comment.char = "" を指定する
colClassesを指定すると読み込みがおよそ2倍は早くなる
- 型が全て同じ場合は、 colClasses = "numeric"のように一つ指定するだけで良い。
- 下記のようなコードで自動判定を使いながら早く読み込むことが出来る

initial <- read.table("datatable.txt", nrows = 100) // 100行だけまず読み込む
classes <- sapply(initial, class)  // 型の判定結果を保存
tabAll <- read.table("datatable.txt”, colClasses = classes) // 100行だけ推定した型を使用して、全行読み込む

nrowsを指定すると、早くはならないがメモリの使用量を抑えることが出来る。 wc コマンドの結果を使用すると良い

メモリ使用量について

1,500,000行、120列の実数表データがある場合のメモリ使用量は下記の通り

1,500,000 * 120 * 8byte（64bitOSのnumeric型の場合）
= 1440000000byte
= 1440000000 / 2^20 MB
≒ 1,373MB
≒ 1.34GB

実際には↑のデータ以外にもメモリを必要とする。だいたい、必要データ数の2倍くらい必要となるため、上記のデータをメモリ2GBのパソコンで読み込もうとするとメモリ不足となってしまう。

ファイル

file / gzfile / bzfile / url
openオプション:
- r=読み込み専用
- w=書き込み（新規作成）
- a=書き込み（追記）
- rb, wb, ab = Windowsのバイナリモード用

Rの型