다수의 데이터셋 분석하기

하나의 데이터셋에 대해서 일별 염증율의 최소값, 평균값, 최대값의 그래프를 생성하는 함수 analyze를 만들었다.

analyze <- function(filename) {
  # Plots the average, min, and max inflammation over time.
  # Input is character string of a csv file.
  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("inflammation-01.csv")

작성한 함수를 사용해서 다른 데이터셋도 하나씩 하나씩 분석할 수 있다.

analyze("inflammation-02.csv")

하지만, 지금 당장 12개의 데이터셋이 있고 앞으로 더많은 데이터가 있을 것이다. 하나의 문장으로 모든 데이터에 대해서 그래프를 생성하고자 한다. 이를 위해서 어떻게 반복하는지를 컴퓨터를 학습시켜야 한다.

For 루프

문장에 각 단어를 출력하고자 한다고 가정하자. 한 방법은 6개의 print 문을 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, 두개의 이유로 좋지 못한 접근법이다.

1. 확장성이 좋지 않다. 만약 100개의 요소를 가진 벡터를 화면에 출력한다면, 단순하게 타이핑하는게 더 좋을 것이다.

2. 강건하지가 못하다. 만약 조금 더 긴 벡터를 주면 데이터의 일부분만 화면에 출력한다. 만약 조금 짧은 입력을 준다면, NA 값을 반환하는데 이유는 존재하지 않는 벡터의 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

Tip: R은 NA 라는 특수한 변수가 있다. NA는 데이터셋의 결측치(Not Available)를 지정하는 역할을 한다. 좀더 자세한 사항은 ?NA의 도움말과 An Introduction to R을 참조바란다.

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. 100개 문자열의 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 반복하기 위해서 for 루프를 사용한다. 이 경우에 각각에 대해서 한번만 출력한다. 루프의 일반적인 형태는 다음과 같다.

for (variable in collection) {
  do things with variable
}

원하는 이름으로 루프 변수(loop variable)를 할 수 있으나 숫자로 변수 이름을 시작할 수 없다는 예와 같은 몇가지 [제약(restrictions)][]이 있다. in은 for문을 구성하는 일부다. 루프의 몸통 부문은 중괄호({ })로 싸여있다. 한줄 루프 몸통 부문은 중괄호가 필요하지 않지만, 루프를 코딩할 때 포함하는 것이 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
}
# Number of vowels
len

[1] 5

상기 작은 프로그램의 실행을 단계별로 추적할 가치가 있다. vowels 벡터에 5개 요소가 있어서, 루프 내부 문장은 5번 실행된다. 첫번째 루프에서, 첫 행에서 값이 1이 할당되어 len은 0이고, v는 "a"다. len의 초기값에 0을 더하고 새로운 값을 나타내는 len을 갱신한다. 다음번 루프에서 v는 "e"이고, len은 1이다. 그래서 len은 2로 갱신된다. 3번 더 갱신한 후에 len은 5가 된다. R이 처리할 더이상의 값이 vowels 벡터에 남아있지 않아서, 루프는 종료한다.

루프 변수는 루프의 상태를 기록하기 위해 사용되는 단지 변수에 불과하다. 루프가 종료된 후에도 여전히 존재한다. 또한 루프 변수와 마찬가지로 앞에서 정의한 변수를 재사용할 수 있따.

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

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

# after the loop, letter is
letter

[1] "c"

벡터의 길이를 찾는 것은 일반적인 연산이라 R은 length로 불리는 내장 함수가 있음을 주목하세요.

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 것의 길이도 알 수 있다. 그런 이유로 사용할 수 있다면 length 함수를 항상 사용해야 한다. R에 데이터를 저장하는 다른 방법에 대해서 더 많이 학습하고자 한다면 링크된 학습(lesson)을 클릭하세요.

도전 과제

1. R에는 숫자 리스트를 생성하는 seq 내장 함수가 있다.

seq(3)

[1] 1 2 3

seq 함수를 사용해서 한줄마다 하나씩 첫 N 개의 숫자를 화면에 출력하는 함수를 작성하세요.

print_N(3)

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

1. 누승(Exponentiation)은 R의 내장함수다.

2^4

[1] 16

동일한 결과를 계산하기 위해서 루프를 사용하는 expo 함수를 작성하세요.

expo(2, 4)

[1] 16

1. 벡터 값의 합을 계산하는 total 함수를 작성하세요. R에는 내장함수 sum이 있어서 동일한 계산을 대신할 수 있지만, 이번 도전과제에는 사용하지 마세요.

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

[1] 108

다수 파일 처리하기

이제 모든 데이터 파일의 처리에 필요한 거의 모든 것을 갖추었다. 빠진 단 한가지는 파일 이름을 패턴과 매칭하여 파일을 찾아내는 함수다. 이를 위해서 함수를 작성할 필요는 없는데 이미 R에는 list.files 함수가 존재한다.

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 경로이고 초기 설정값은 "."이다. 유닉스 쉘을 학습할 때, "."은 현재 작업 디렉토리를 짧게 나타낸다는 것을 배웠다. 두번째 인자는, pattern으로 검색되는 패턴을 나타내고 초기 설정값은 NULL이다. 어떠한 패턴도 파일을 거르도록 지정되지 않아서 모든 파일이 반환된다.

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

list.files(pattern = "csv")

 [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"

list.files(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"

인자의 이름 pattern을 명기해야 되는데 첫 인자가 path로 초기 설정값으로 사용되고 있어서 그렇다. 함수의 초기 설정 인자에 대해서 앞에 학습(함수)를 참조바란다.

Tip: 상기 예제는 작기 때문에, 동일한 디렉토리에 데이터와 코드가 있다. 좀더 큰 프로젝트에서는 분석의 각 부분별로 다수의 하위 디렉토리 구조를 가지도록 추전한다. 예를 들어, 원 데이테를 가지는 하위 디렉토리, 코드만 담고 있는 하위 디렉토리, 그림같은 결과를 담고 있는 디렉토리. 이 주제에 대해서 좀더 많은 조언은 William Stafford Noble이 작성한 A quick guide to organizing computational biology projects을 참조바란다.

상기 예제가 보여주듯이, list.files 결과는 문자열 벡터로 각 파일이름에 대해서 뭔가를 하기 위해서 루프를 반복해야 한다는 것이다. 지금 사례의 경우, 작업하려는 것은 analyze 함수다. 벡터의 첫 3개 파일을 분석해서 시험해보자.

filenames <- list.files(pattern = "csv")
filenames <- filenames[1:3]
for (f in filenames) {
  print(f)
  analyze(f)
}

[1] "inflammation-01.csv"

[1] "inflammation-02.csv"

[1] "inflammation-03.csv"

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

Tip: 이번 학습에서 연산을 반복하기 위해서 간단한 for 루프를 어떻게 사용하는지 살펴봤다. R로 진행을 하면서, 작업을 수행하는데 다양한 방법이 있다는 것을 배울 것이다. 때때로 다른 방법에 대한 한 방법을 선택하는 것은 좀더 개인 취향의 문제지만, 다른 경우에 코드의 속도 차이를 가져오는 결과가 되기도 한다. 모범 사례로, R의 연산을 어떻게 반복하는지 시범을 보여주는 보충 학습을 참조바랍니다.

도전 과제

1. 파일 이름 패턴을 인자로만 받는 analyze_all 함수를 작성해서 파일 이름과 패턴이 매칭되는 파일에 대해서 analyze를 실행하세요.

다음 단계

이제 원래 문제를 해결했다. 단일 명령문으로 임의 데이터 파일을 분석할 수 있다. 좀더 중요한 것은 프로그래밍에서 가장 중요한 두가지 아이디어를 경험했다.

• 함수를 사용해서 코드를 재사용하기 쉽게하고 이해하기 쉽게 했다.
• 벡터와 데이터프레임을 사용해서 관련된 값을 저장했고, 루프를 사용하여 데이터에 대한 연산을 반복했다.

한가지 더 소개할 큰 아이디가 있다.