## Warning: package 'knitr' was built under R version 3.2.5

학습목표

조사(survey) 데이터 설명

연구조사 구획에서 포획된 종과 체중을 조사중이다. 데이터셋은 CSV 파일로 저장된다: 각 행별로 각 동물별에 대한 정보가 담겨있는데, 열은 다음을 나타내고 있다:

열 설명
record_id 관측점에 대한 유일무이한 ID
month 관측월
day 관측일
year 관측년
plot_id 구획지에 대한 ID
species_id 2-자리 종족 ID
sex 포획동물 성별 (“M”, “F”)
hindfoot_length 뒷발 길이 (밀리미터)
weight 포획동물 길이 (그램)
genus 포획동물이 속한 속(genus)
species 동물 종족
taxa 설치류(Rodent), 파충류(Reptile), 새(Bird), 토끼(Rabbit) 등
plot_type 구획지 유형

R함수 download.file()를 사용해서 figshare 사이트에서 조사데이터(survey)가 담긴 CSV 파일을 다운로드한다. 그리고 나서 read.csv() 파일을 사용해서 CSV 파일을 메모리에 data.frame 형태로 적재시킨다.

데이터를 data/ 하위디렉토리로 다운로드하려면, 다음 명령어를 실행한다:

download.file("https://ndownloader.figshare.com/files/2292169",
              "data/portal_data_joined.csv")

이제 데이터를 메모리에 적재하여 올린다:

surveys <- read.csv('data/portal_data_joined.csv')

앞서 대입을 하게 되면 어떤 것도 화면에 출력하지 않는 것을 상기한다면, 상기 문장을 실행하게 되면 어떤 출력결과도 화면에 나오지 않게 된다. 데이터가 제대로 메모리에 올라갔는지 점검하려면, surveys를 콘솔에서 입력하면 출력결과가 화면에 뿌려진다.

와우… 출력결과가 상당하다. 적어도 데이터가 메모리에 제대로 적재된 것이 확인된다. head() 함수를 사용해서 data.frame 첫 6 관측점을 확인해 본다:

head(surveys)
#>   record_id month day year plot_id species_id sex hindfoot_length weight
#> 1         1     7  16 1977       2         NL   M              32     NA
#> 2        72     8  19 1977       2         NL   M              31     NA
#> 3       224     9  13 1977       2         NL                  NA     NA
#> 4       266    10  16 1977       2         NL                  NA     NA
#> 5       349    11  12 1977       2         NL                  NA     NA
#> 6       363    11  12 1977       2         NL                  NA     NA
#>     genus  species   taxa plot_type
#> 1 Neotoma albigula Rodent   Control
#> 2 Neotoma albigula Rodent   Control
#> 3 Neotoma albigula Rodent   Control
#> 4 Neotoma albigula Rodent   Control
#> 5 Neotoma albigula Rodent   Control
#> 6 Neotoma albigula Rodent   Control

data.frame은 칼럼이 모두 같은 길이를 갖는 벡터로 구성된 테이블 형태로 데이터를 표현한 것이다. 각 열은 벡터로, 각 벡토는 동일한 자료형이 담겨진다. str() 함수를 사용하면 data.frame 구조(__str__ucture)를 깊숙히 살펴보면 확인된다:

str(surveys)

도전과제

str(surveys) 출력결과로 부터, 다음 질문에 답을 할 수 있는가?

  • surveys 객체는 어떤 클래스(class)인가?
  • surveys 객체에 행과 열의 갯수는 각각 얼마인가?
  • 이번 조사에서 얼마난 많은 종이 기록되었나?

앞에서 보았듯이, 다수 칼럼은 정수형 벡터로 구성되지만, species 와 sex는 요인(factor)으로 불리는 특수한 클래스로 묶여진다. 데이터프레임 클래스에 대해 추가 학습을 진행하기 전에, 요인에 대해 먼저 살펴본다. 요인 자료형은 매우 유용하지만 직관적이지 않아서 주의가 요구된다.

요인(Factors)

요인을 사용해서 범주형 데이터를 표현한다. 요인은 순서가 있거나 순서가 없는 것으로 구분되는데, 이를 정확히 이해하는 것이 통계분석과 시각화에 필요하다.

요인은 정수형으로 저장되고, 유일무이한 정수값과 연관된 표식이 붙여진다. 요인은 마치 문자형 벡터처럼 보이고 흔히 그렇게 동작하지만, 실제로 내부를 들여다 보면 정수값이다. 특히 문자열처럼 처리할 때 특별한 주의가 요구된다.

요인형 벡터를 생성시키게 되면, 요인벡터에는 수준(level)으로 미리 정의된 값이 집합으로 담겨진다. 기본디폴트 설정으로, 항상 수준을 알파벳 순으로 정렬시킨다. 예를 들어, 수준 2개를 갖는 요인이 있다고 가정하면:

sex <- factor(c("male", "female", "female", "male"))

R은 정수 1을 "female" 수준, 정수 2를 "male" 수준에 대입한다. 벡터 첫번째 원소로 "male"이 왔지만, 알파벳순으로 보면 f가 m보다 순서가 앞서기 때문이다. levels() 함수를 사용해서 이런 사실을 확인할 수 있고, nlevels() 함수를 사용해서 수준 갯수도 확인할 수 있다:

levels(sex)
nlevels(sex)

어떨 때는, 요인 순서가 문제가 되지 않지만, 다른 경우에는 순서를 지정해야 되는데, 이유는 유의미하기 때문이다. 예를 들어, “low”, “medium”, “high” 혹은 특정 유형의 분석에서 필요하기 때문이다. 추가적으로 수준에 대한 순서를 지정하게 되면 수준별 비교가 가능하게 된다:

food <- factor(c("low", "high", "medium", "high", "low", "medium", "high"))
levels(food)
food <- factor(food, levels=c("low", "medium", "high"))
levels(food)
min(food) ## 동작하지 않음!
#> Error in Summary.factor(structure(c(1L, 3L, 2L, 3L, 1L, 2L, 3L), .Label = c("low", : 'min' not meaningful for factors
food <- factor(food, levels=c("low", "medium", "high"), ordered=TRUE)
levels(food)
min(food) ## 정상 동작함!

R 메모리 위에, 요인은 정수(1, 2, 3)로 표현되지만, 요인으로 표현하게 되면 정수로 표현한 것에 비해 더 유영한 정보를 준다:"low", "medium", "high"“가 1, 2, 3 보다 더 좋은 기술방법이 된다. low가 어떤 것인가? 정수형 데이터로 분간하기는 쉽지 않다. 반면에 요인벡터에는 low 정보가 붙박이로 내장되어 있다. 수준이 많은 경우 이런 방식으로 데이터를 표현한면 도움이 많이 된다(예제 데이터셋에서 종족, species)

요인 자료형 변경

요인벡터를 문자형 벡터로 변경시킬 때 as.character() 함수를 사용한다.

응집수준 같은 숫자로 표현된 수준을 갖는 요인벡터를 숫자형 벡터로 변경시키는 것은 다소 편법이 필요하다. 방법중 하나는 요인형을 문자형으로 바꾸고나서 숫자로 전환시킨다. 또다른 방법은 levels() 함수를 사용한다. 비교해 보자:

f <- factor(c(1, 5, 10, 2))
as.numeric(f)               ## 틀림! 경고가 없다... 심각함
as.numeric(as.character(f)) ## 첫번째 방식: 정상 동작된다.
as.numeric(levels(f))[f]    ## 추천 방식

levels() 방법을 취하게 되면, 세가지 중요한 절차가 내부적으로 실행된다:

  • levels(f)를 실행시켜 요인에 대한 모든 수준을 얻어온다.
  • as.numeric(levels(f))을 실행시켜 앞서 받아온 수준을 숫자값으로 전환시킨다.
  • 그리고 나서, 꺾쇠 괄호 내부 f 벡터 정수값을 사용해서 숫자값에 접근한다.

도전과제

plot() 함수를 사용해서 재빨리 요인에 대한 막대그래프를 생성시킨다. 예를 들어, exprmt <- factor(c("treat1", "treat2", "treat1", "treat3", "treat1", "control", "treat1", "treat2", "treat3")) 요인에 대해서, plot(exprmt) 코드를 실행시키면 다음에 나타난 것처럼 각 수준별로 관측점에 대한 막대그래프를 생성시킨다.

  • 막대그래프에 처리(treatment)가 표현된 순서를 무엇이 결정할까? (힌트: 요인을 면밀히 살펴보는데 str 함수를 사용하라)
  • “control”을 처음이 아니라 맨 마지막에 나타나도록 막대그래프를 어떻게 다시 만들어낼 수 있을까?