R 프로그래밍

데이터셋 다수 분석

단일 데이터셋에 대한, 일별 염증율의 최소값, 평균값, 최대값 그래프를 생성하는 함수 analyze를 만들었다:

analyze <- function(filename) {
  # 시간에 따른 염증값 평균, 최소값, 최대값을 도식화한다.
  # 입력은 csv 파일 문자열이다.
  dat <- read.csv(file = filename, header = FALSE)
  avg_day_inflammation <- apply(dat, 2, mean)
  plot(avg_day_inflammation)
  max_day_inflammation <- apply(dat, 2, max)
  plot(max_day_inflammation)
  min_day_inflammation <- apply(dat, 2, min)
  plot(min_day_inflammation)
}

analyze("data/inflammation-01.csv")

작성한 함수를 사용해서 다른 데이터셋도 하나씩 하나씩 분석할 수 있다:

analyze("data/inflammation-02.csv")

하지만, 지금 당장 데이터셋이 12개 있고, 앞으로 더많은 데이터가 있을 것이다. 문장 하나로 모든 데이터셋에 대한 그래프를 생성하고자 한다. 이런 작업을 수행하기 위해서, 컴퓨터에게 어떻게 반복하는지를 학습시켜야 한다.

For 루프

한 문장에 나온 각 단어를 출력한다고 가정하자. 한가지 방법은 print 문을 6개 사용한다:

best_practice <- c("Let", "the", "computer", "do", "the", "work")
print_words <- function(sentence) {
  print(sentence[1])
  print(sentence[2])
  print(sentence[3])
  print(sentence[4])
  print(sentence[5])
  print(sentence[6])
}

print_words(best_practice)

[1] "Let"
[1] "the"
[1] "computer"
[1] "do"
[1] "the"
[1] "work"

하지만, 다음 두가지 사유로 좋지 못한 접근법이다:

1. 확장성이 없다: 만약 100개 요소를 갖는 벡터를 화면에 출력한다면, 단순하게 타이핑하기만 하면 된다.

2. 강건하지가 못하다: 만약 조금 더 긴 벡터를 주면, 데이터의 일부분만 화면에 출력된다. 만약 조금 짧은 입력을 준다면, NA 값을 반환하는데, 이유는 존재하지 않는 벡터 요소값을 요청했기 때문이다!

best_practice[-6]

[1] "Let"      "the"      "computer" "do"       "the"     

print_words(best_practice[-6])

[1] "Let"
[1] "the"
[1] "computer"
[1] "do"
[1] "the"
[1] NA

좀더 좋은 접근법이 다음에 있다:

print_words <- function(sentence) {
  for (word in sentence) {
    print(word)
  }
}

print_words(best_practice)

[1] "Let"
[1] "the"
[1] "computer"
[1] "do"
[1] "the"
[1] "work"

좀더 짧고 더 강건하다 — 문자열 100개 각 문자를 화면에 출력하는 것보다 확실히 짧다:

print_words(best_practice[-6])

[1] "Let"
[1] "the"
[1] "computer"
[1] "do"
[1] "the"

print_words 함수의 개선된 버젼은 연산을 반복하는데, for 루프를 사용한다. 이 경우에 각각에 대해서 한번만 출력한다. 루프의 일반적인 형태는 다음과 같다.

for (변수 in 컬렉션) {
  변수를 갖고 작업을 수행한다.
}

원하는 이름으로 루프 변수(loop variable)를 작명할 수 있으나, ’변수명을 숫자로 시작할 수 없다’는 사례처럼, 몇가지 [제약(restrictions)][]이 있다. in은 for문을 구성하는 일부다. 루프 몸통부문은 중괄호({ })로 싸여있다. 루프 몸통부문이 한줄인 경우 중괄호가 필요하지 않지만, 루프를 코딩할 때 중괄호를 포함시키는 것은 좋은 습관이다.

반복적으로 변수를 갱신하는 또 다른 루프가 있다:

len <- 0
vowels <- c("a", "e", "i", "o", "u")
for (v in vowels) {
  len <- len + 1
}
# 모음 갯수
len

[1] 5

상기 작은 프로그램을 실행시켜, 각 단계별로 추적할 가치는 있다. vowels 벡터에 5개 요소가 있어서, 루프 내부 문장은 5번 실행된다. 첫번째 루프에서, (첫 행에서 값이 할당되어) len은 0이고, v는 "a"가 된다. len의 초기값 0에 1을 더해, 1이 되고, 새로운 값을 나타내는 len 변수를 갱신한다. 다음번 루프에서 v는 "e"이고, len은 1이다. 그래서 len은 2로 갱신된다. 3번 더 갱신한 후에 len 변수값은 5가 된다; 더이상 R이 처리할 값이 vowels 벡터에 남아있지 않아, 루프는 자동 종료된다.

루프 변수는 루프 상태를 기록하기 위해 사용되는 단지 변수에 불과하다. 루프가 종료된 후에도 여전히 존재한다. 또한, 앞에서 루프 변수로 정의된 변수를 재사용할 수 있다:

letter <- "z"
for (letter in c("a", "b", "c")) {
  print(letter)
}

[1] "a"
[1] "b"
[1] "c"

# 루프를 돌린 후에, letter 변수값은 다음과 같다.
letter

[1] "c"

벡터 길이를 알아내는 것이 너무 일반적인 작업이라, R에는 실제로 length로 불리는 내장 함수가 있음에 주목한다:

length(vowels)

[1] 5

length 함수는 여러분이 스스로 작성하는 다른 어떤 R 함수보다도 훨씬 빠르고 두줄 루프보다 훨씬 읽기 쉽다; length함수를 사용해서 아직 만나보지 못한 많은 다른 것에 대한 길이도 알아낼 수 있다. 그런 이유로 사용할 수 있다면 length 함수를 항상 사용해야 한다 (R에 데이터를 저장하는 다른 방법에 대해, 더 많은 학습하고자 한다면 링크된 학습(lesson)을 클릭한다).

seq(3)

[1] 1 2 3

print_N(3)

[1] 1
[1] 2
[1] 3

ex_vec <- c(4, 8, 15, 16, 23, 42)
total(ex_vec)

[1] 108

2^4

[1] 16

expo(2, 4)

[1] 16

다수 파일 처리하기

이제 모든 데이터 파일을 처리하는데 필요한 거의 모든 것을 갖췄다. 빠진 단 한가지는 파일명을 패턴과 매칭하여 해당파일을 찾아내는 함수다. 이 작업을 수행하는데 함수를 별도로 작성할 필요는 없는데, 이유는 이미 R에는 list.files 함수가 존재하기 때문이다.

어떤 인자도 없이 list.files() 함수를 실행하게 되면, 현재 작업 디렉토리의 모든 파일을 반환한다. ?list.files() 도움말 파일을 읽어서 결과를 이해할 수 있다. 첫번째 인자, path는 검색되는 디렉토리의 경로가 되고, 초기 설정값은 "." 현재 디렉토리가 된다. 유닉스 쉘을 lesson할 때, "."은 현재 작업 디렉토리를 짧게 나타낸다는 것을 배웠다. 두번째 인자는, pattern으로 검색되는 패턴을 지정하고, 초기 설정값은 NULL이다. 어떠한 패턴도 파일을 필터링하도록 지정하지 않아, 모든 파일이 반환된다.

모든 csv 파일 목록을 출력하기 위해서, 다음 중 하나를 실행한다:

list.files(path = "data", pattern = "csv")

 [1] "car-speeds-cleaned.csv" "car-speeds.csv"        
 [3] "inflammation-01.csv"    "inflammation-02.csv"   
 [5] "inflammation-03.csv"    "inflammation-04.csv"   
 [7] "inflammation-05.csv"    "inflammation-06.csv"   
 [9] "inflammation-07.csv"    "inflammation-08.csv"   
[11] "inflammation-09.csv"    "inflammation-10.csv"   
[13] "inflammation-11.csv"    "inflammation-12.csv"   
[15] "sample.csv"             "small-01.csv"          
[17] "small-02.csv"           "small-03.csv"          

list.files(path = "data", pattern = "inflammation")

 [1] "inflammation-01.csv" "inflammation-02.csv" "inflammation-03.csv"
 [4] "inflammation-04.csv" "inflammation-05.csv" "inflammation-06.csv"
 [7] "inflammation-07.csv" "inflammation-08.csv" "inflammation-09.csv"
[10] "inflammation-10.csv" "inflammation-11.csv" "inflammation-12.csv"

상기 예제가 보여주듯이, list.files 결과는 문자열 벡터로 각 파일이름에 대해서 뭔가를 하기 위해서, 루프를 돌려야 된다는 것이다. 지금 사례의 경우, 작업하려는 “뭔가”가 analyze 함수다.

별도 하위디렉토리에 데이터를 몰아 넣었기 때문에, list.files 결과를 사용해서 데이터 파일에 접근하려면, 파일명에 “경로” 부분을 포함시킬 필요가 있다. full.names = TRUE 인자를 사용해서 해당 작업을 수행할 수 있다.

list.files(path = "data", pattern = "csv", full.names = TRUE)

 [1] "data/car-speeds-cleaned.csv" "data/car-speeds.csv"        
 [3] "data/inflammation-01.csv"    "data/inflammation-02.csv"   
 [5] "data/inflammation-03.csv"    "data/inflammation-04.csv"   
 [7] "data/inflammation-05.csv"    "data/inflammation-06.csv"   
 [9] "data/inflammation-07.csv"    "data/inflammation-08.csv"   
[11] "data/inflammation-09.csv"    "data/inflammation-10.csv"   
[13] "data/inflammation-11.csv"    "data/inflammation-12.csv"   
[15] "data/sample.csv"             "data/small-01.csv"          
[17] "data/small-02.csv"           "data/small-03.csv"          

list.files(path = "data", pattern = "inflammation", full.names = TRUE)

 [1] "data/inflammation-01.csv" "data/inflammation-02.csv"
 [3] "data/inflammation-03.csv" "data/inflammation-04.csv"
 [5] "data/inflammation-05.csv" "data/inflammation-06.csv"
 [7] "data/inflammation-07.csv" "data/inflammation-08.csv"
 [9] "data/inflammation-09.csv" "data/inflammation-10.csv"
[11] "data/inflammation-11.csv" "data/inflammation-12.csv"

list.files에서 반환되는 벡터 첫 3개 파일에 대해, analyze 함수 실행을 테스트해 본다:

filenames <- list.files(path = "data", pattern = "inflammation", full.names = TRUE)
filenames <- filenames[1:3]
for (f in filenames) {
  print(f)
  analyze(f)
}

[1] "data/inflammation-01.csv"

[1] "data/inflammation-02.csv"

[1] "data/inflammation-03.csv"

물론, 데이터셋의 최대값은 처음과 동일한 경사를 보여주고, 최소값은 동일한 계단구조를 보여준다.