Kapitel 2 Introduktion til R

R er et program og programmeringssprog designet til statistiske udregninger og grafik.¹ Vi bruger R, fordi det er de facto standarden indenfor statistisk software, fordi det er et af de stærkeste statistiske analyseværktøjer på markedet, fordi det gør det let at reproducere sine resultater, og fordi R nyder godt af et stort og dynamisk brugermiljø. Det betyder, at mange nyudviklede visualiserings- og analysemetoder publiceres med kode til R, så alle brugere kan anvende disse nye metoder uden at skulle programmere dem selv.

2.1 RStudio

R fungerer ved at skrive kommandoer, som efterfølgende udføres. Det anbefales at bruge en editor som RStudio til at skrive og holde styr på programmerne, lave reproducerbar forskning, håndtere grafik og vise Rs hjælpesider. Når både R og RStudio er installeret, er det kun nødvendigt at starte RStudio.²

RStudio er opdelt i fire mindre vinduer (figur 2.1). Øverste venstre vindue er en teksteditor, hvor R programmerne skrives.³ Kommandoerne i editoren udføres først, når man trykker “Run” på menubjælken (så bliver alle kommandoerne i editoren udført i rækkefølge), eller alternativt vil ( på Mac) udføre kodelinjen, som cursoren står på i editoren. Markeres flere linjer sendes de alle til R og eksekveres i rækkefølge.

Figure 2.1: RStudios brugergrænseflade er inddelt i 4 mindre vinduer: Øverst til venstre findes editoren, hvor man kan skrive, gemme og hente sit R program. Nederst til venstre er konsollen, hvor man har direte adgang til R, og hvor resultatet af udregningerne vises. Øverst til højre vises det nuværende workspace og historikken, og nederst til højre findes en filoversigt, og det er også her grafik, figurer og hjælpesider bliver vist.

I nederste venstre vindue af RStudio findes konsollen, hvor selve R kører. Her vises resultatet af udregningerne. Når kommandoer overføres fra editorvinduet som beskrevet ovenfor, så bliver de i praksis kopieret ned i konsollen og kørt linje for linje.

Øverste højre vindue viser Rs workspace — en oversigt over objekterne i Rs hukommelse. Fanebladet “History” viser historikken over alle de kommandoer, der hidtil har været kørt. Markeres en eller flere af linjerne i historikken så sendes de til konsollen og bliver kørt igen, hvis der dobbeltklikkes på dem. Det er muligt at gemme hele historikken i en fil, så man den vej igennem kan dokumentere og genskabe de kommandoer, der har været kørt.

Grafik bliver vist nederst til højre. Herfra er det muligt at eksportere figurer, så de kan anvendes i andre programmer. Det er også her, at Rs hjælpesider vises, og hvor en filoversigt over Rs arbejdsbibliotek kan ses.⁴

2.1.1 Tricks når man arbejder med R

Der er en række tricks, der er værd at kende til i arbejdet med R.

• I konsollen viser R en prompt, >, når programmet er klar til at modtage kommandoer. Får man ikke færdiggjort en selvstændig kommando skifter prompten til +, og det er muligt at færdiggøre ordren. afbryder indtastningen og man kommer tilbage til >.

• I konsollen bladrer og op og ned i gamle kommandoer. Dermed kan det undgås at skulle skrive gamle kommandoer helt forfra.

• Funktioner i R angives altid med parenteser og har formen funktionsnavn(argument1, argument2, ...), hvor det er muligt at give nul eller flere argumenter afhængigt af den konkrete funktion. På den måde kan man altid skelne mellem almindelige objekter (uden parentes) og funktioner.⁵

• RStudio har “auto-completion”: når man starter med at taste i editoren eller konsollen foreslår RStudio, hvad der kunne stå. Trykkes færdiggør RStudio resten af navnet på objektet/funktionen.

2.2 Installation og brug af pakker

Der findes mere end 15000 pakker, som udvider R med nye funktioner og datasæt. I RStudio installeres nye pakker via menupunktet Tools > Install Packages (se figur 2.2, hvor pakken isdals installeres). Alternativt kan en pakke installeres direkte med funktionen install.packages().

install.packages("isdals")   # Installér pakken isdals

Figure 2.2: Installation af nye pakker gennem RStudios brugergrænseflade foregår via menupunktet Tools > Install Packages. Her installeres pakken isdals fra CRAN, der er Rs officielle netværk af tilgængelige pakker.

Det er kun nødvendigt at installere en pakke én gang. For at bruge funktionerne eller datasættene fra en pakke skal den indlæses, hvilket gøres med

For at spare på computerens hukommelse indlæses installerede pakker kun, når brugeren ønsker det. Indlæsningen foregår med kommandoen library(), hvilket er nødvendigt hver gang R startes op, hvis den pågældende pakke skal bruges.⁶

# Få adgang til data og funktioner fra pakken isdals
library("isdals")

Datasæt gøres tilgængelige med kommandoen data(). Hvis data ligger i en pakke skal pakken først indlæses ved hjælp af library().

library(isdals) # Hent pakken isdals
data(aids)      # Indlæs datasættet aids
head(aids)      # Vis de første 6 linjer

##   year cases deaths
## 1 1981   339    130
## 2 1982  1201    466
## 3 1983  3153   1511
## 4 1984  6368   3526
## 5 1985 12044   6996
## 6 1986 19404  12183

2.3 R som lommeregner

R fungerer som en helt almindelig lommeregner. Tastes et regneudtryk ind i editoren (øverste venstre vindue), hvorefter det markeres så vil ( på Mac) automatisk kopiere koden ned i konsollen og køre den.

1 + 5   # Alt efter # er en kommentar: udregn 1 + 5

## [1] 6

Svaret på 5+1 aflæses til 6.⁷ De fire almindelige regnearter: +, -, * og / fungerer som normalt ligesom ^ (opløftning i potens) samt naturligvis parenteser.

3 * (1 + 5) / (4 + 2^2)   # Langt regneudtryk

## [1] 2.25

Udregningen af \(\frac{3\cdot(1+5)}{4 + 2^2}\) er 2.25.

Resultatet kan gemmes i et objekt, så det kan genbruges. R bruger “pilen” <- til at gemme et objekt.⁸ Navnet på det gemte objekt kan vælges næsten frit: det skal dog starte med et bogstav og må ikke indeholde +, -, *, /, ^, ;, (, ) og komma.

y <- 5   # Gem værdien 5 i variablen y
y        # Udskriv værdien af y

## [1] 5

y * 2    # Udregn 2 * værdien af indholdet af y

## [1] 10

Mere komplicerede matematiske operationer kan udregnes ved hjælp af funktionerne vist i tabel 2.1.

Table 2.1: De mest almindelige matematiske funktioner i R.

Funktion	Forklaring	Eksempel
abs(x)	Numerisk (absolut) værdi	abs(-3) = 3
sqrt(x)	Kvadratrod	sqrt(9) = 3
a^x	\(a\) i \(x\)te potens	4^2 = 16
log(x)	Naturlig logaritme	log(10) = 2.303
log10(x)	Titalslogaritme	log10(10) = 1
log(x, base=2)	Totalslogaritme	log(10, base=2) = 3.322
exp(x)	Eksponentialfunktionen	exp(1) = 2.718

R skelner mellem store og små bogstaver, så Y og y er to forskellige objekter, hvilket kan give anledning til overraskelser.⁹

Y        # Et ukendt objekt

## Error in eval(expr, envir, enclos): object 'Y' not found

R indeholder en ret veludbygget dokumentation, og hjælpesiden til en funktion eller et datasæt kan ses med funktionen help().

help(sqrt)   # Hent hjælpesiden for funktionen sqrt

Ovennævnte viser hjælpesiden for sqrt() og giver en grundig forklaring af funktionen og dens tilhørende argumenter.

Kender man ikke navnet på den relevante R funktion, kan help.search() søge hjælpesiderne igennem.¹⁰

help.search("box plot")   # Find funktioner om "box plot"

Dette viser en liste over de funktioner, der omtaler “box plot”. Forhåbentlig giver listen en ide om, hvilken R funktion, der måtte være relevant.

2.4 Vektorer

Vektorer er en af Rs helt store styrker. En vektor er en samling af elementer af samme type — eksempelvis tal eller tekst.

En vektor kan laves med funktionen c() (for combine eller concatenate), der “klistrer” elementer sammen.

hojde <- c(1.65, 1.79, 1.62, 1.87) # Højde for 4 patienter
hojde                              # Udskriv højderne

## [1] 1.65 1.79 1.62 1.87

vaegt <- c(55.2, 89.7, 49.8, 92.1) # Vægt for samme 4 personer
vaegt                              # Udskriv vægtene

## [1] 55.2 89.7 49.8 92.1

Fordelen ved vektorer er, at R kan lave samme udregning for hvert enkelt element i vektoren. Body-mass index (BMI)¹¹ for alle fire personer udregnes ved

bmi <- vaegt / (hojde^2)   # Udregn BMI og gem som bmi
bmi                        # Udskriv bmi

## [1] 20.27548 27.99538 18.97577 26.33761

hvilket direkte giver resultaterne for alle fire patienter. Bemærk, at R regner elementvis, så det første element i hojde bruges sammen med det første element i vaegt og så videre. Rækkefølgen på målingerne er altså vigtig og skal passe sammen.

Hvis vektorerne i en udregning ikke har samme længde, så undersøger R først, om længden af den korte vektor går op i længden af den lange vektor. Hvis det er tilfældet bliver den korte vektor gentaget indtil den har samme længde som den lange vektor.¹² Hvis vi eksempelvis hellere ville have målt højderne i cm i stedet for i meter så skal vi gange alle værdierne med 100.

hojde * 100   # Gang hver enkelt højdeværdi med 100

## [1] 165 179 162 187

Denne udregning går godt, fordi hojde er en vektor af længde 4, og tallet 100 opfattes om en vektor af længde 1. Da 1 går op i 4 gentages værdien 100 4 gange indtil de to vektorer er lige lange, og så arbejder R elementvis igen.

Vektorer er især nyttige i kombination med de indbyggede matematiske funktioner, da disse accepterer vektorer som input. For eksempel tager log() den naturlige logaritme af hvert element i en vektor.

log(hojde)   # Tag logaritmen til hvert element i hojde

## [1] 0.5007753 0.5822156 0.4824261 0.6259384

Nogle funktioner bruger hele vektoren til at udregne nye resultater. Eksempelvis udregnes gennemsnittet af de fire personers BMI ved at give vektoren til funktionen mean().

mean(bmi)   # Udregn gennemsnittet af alle værdierne i bmi

## [1] 23.39606

R deler outputtet op i flere linjer for lange lange vektorer, der ikke kan udskrives på en enkelt linje. Input kan også splittes over flere linjer. Så skifter Rs inputprompt midlertidigt fra > til + så det er tydeligt, at man skriver videre på linjen ovenfor.

langvektor <- c(1, 3, 5, 7, 9, 2, 4, 6, 8, 10, 20, 21, 22,
                23, 24, 25, 26, 27, 28, 29, 30, 100, 101, 
                102, 103, 104, 105, 106, 107, 108, 109)
langvektor

##  [1]   1   3   5   7   9   2   4   6   8  10  20  21  22  23  24  25  26  27  28
## [20]  29  30 100 101 102 103 104 105 106 107 108 109

Vektorer behøver ikke indeholde tal, men kan for eksempel også bestå af tekst eller logiske værdier (sandt eller falsk — benævnt TRUE eller FALSE i R).

v2 <- c("Bamse", "Kylling", "ælling") # En vektor af tekst
v3 <- c(TRUE, FALSE, FALSE)           # En logisk vektor
v4 <- c(1, 2, 5)                      # En vektor af tal
v2                                    # Udskriv v2

## [1] "Bamse"   "Kylling" "ælling"

v3                                    # Udskriv v3

## [1]  TRUE FALSE FALSE

v4                                    # Udskriv v4

## [1] 1 2 5

2.4.1 Indicering i vektorer

Der kan henvise til specifikke elementer i én vektor med en anden vektor med de relevante indices i skarpe parenteser.

v2[c(2, 3)]    # Udtræk element nummer 2 og 3 fra v2

## [1] "Kylling" "ælling"

Indicering kan også bruges til at ændre specifikke elementer.

v2[3] <- "Ælling"   # Skift element 3 til at starte med stort
v2                  # Udskriv den nye v2

## [1] "Bamse"   "Kylling" "Ælling"

Ved indicering kommer elementerne ud i den rækkefølge de bliver refereret. Elementernes rækkefølge kan byttes rundt ved at ændre rækkefølgen på indices.

v2[c(2, 3, 1)]      # Udskriv v2 i ny rækkefølge

## [1] "Kylling" "Ælling"  "Bamse"

Bemærk at v2 ikke ændres med ovennævnte kommando, da kommandoen blot udskriver den vektor, hvor der er byttet rundt på rækkefølgen. Resultatet skal gemmes, hvis det skal bruges i anden sammenhæng:

v5 <- v2[c(2, 3, 1)]  # Lav v5 med ny rækkefølge af v2
v5

## [1] "Kylling" "Ælling"  "Bamse"

En logisk vektor af samme længde som den oprindelige vektor kan også bruges som indeks. Så udvælges netop de elementer, hvor den logiske vektor er sand.

v2[v3]   # Udskriv de elementer i v2, hvor v3 er sand

## [1] "Bamse"

Denne funktionalitet er ekstra nyttig, hvis man gerne vil udvælge elementer på baggrund af værdierne i en anden vektor.

v2[v4 < 5]   # Vælg værdier af v2, hvor v4 er mindre end 5

## [1] "Bamse"   "Kylling"

Element 1 og 2 er netop de tilfælde, hvor værdien af v4 er mindre end 5.

I R bruges en lidt speciel notation med to lighedstegn, når det skal vurderes om to objekter er ens.

v2[v4==2]  # Udvælg når v4 er 2. Bemærk to lighedstegn!

## [1] "Kylling"

2.5 Data frames

Data frames er Rs betegnelse for et datasæt, der indeholder en samling af vektorer (variablene i datasættet), der alle har samme længde. En data frame laves ved at sætte vektorer af samme længde sammen ved hjælp af funktionen data.frame(), og det er muligt at give vektorerne nye navne, når datasættet laves.

Figure 2.3: Man kan tænke på en data frame som et firkantet område af et regneark, hvor hver række svarer til en observation, en person eller en registrering, og hvor hver søjle svarer til en variabel.

DF <- data.frame(navn=v2,      # Lav data frame
                 bjørn=v3,     # Med tre variabel og
         v4)           # giv nye navne til to
DF                             # Udskriv data frame

##      navn bjørn v4
## 1   Bamse  TRUE  1
## 2 Kylling FALSE  2
## 3  Ælling FALSE  5

Variablene i en data frame eksisterer kun inde i selve data framen. Det er ret smart, for så kan samme variabelnavn benyttes i flere forskellige data frames uden at de overskriver hinanden.

DF2 <- data.frame(navn=c("Palle", "Polle", "Ruth"),
                  v4=c(1,2,3))
DF2  # Udskriv data framen. Bemærk variablene navn og v4

##    navn v4
## 1 Palle  1
## 2 Polle  2
## 3  Ruth  3

DF   # Den gamle data frame. Har også variablene navn og v4

##      navn bjørn v4
## 1   Bamse  TRUE  1
## 2 Kylling FALSE  2
## 3  Ælling FALSE  5

Da variable i en data frame kun kan ses inde i den data frame, hvor de er defineret, er det nødvendigt også at angive navnet på den relevante data frame, når variablen benyttes i andre sammenhænge. Eksempelvis ved R ikke, om variablen v4 henviser til den pågældende variabel i DF, eller v4 fra DF2. Referencer til variable inde i en data frame opnås ved at bruge $ mellem navnet på data framen og variablen.¹³

DF$v4    # Hent v4 fra DF

## [1] 1 2 5

DF2$v4   # Hent v4 fra DF2

## [1] 1 2 3

Nye variable kan tilføjes til en eksisterende data frame ved bare at definere nye variable. Eneste krav er, at nye variable skal have samme længde som de øvrige variable.¹⁴

DF$sko <- c("ja", "nej", "nej")  # Lav variabel sko i DF
DF

##      navn bjørn v4 sko
## 1   Bamse  TRUE  1  ja
## 2 Kylling FALSE  2 nej
## 3  Ælling FALSE  5 nej

2.5.1 Indicering i data frames

Data frames kan opfattes som firkantede regneark (se figur 2.3), og specifikke elementer kan refereres ved at bruge to indices svarende til rækker og søjler.

# Hent anden observation fra tredie variabel
# svarende til række 2 søjle 3 i DF
DF[2, 3]

## [1] 2

Hele rækker og søjler udtrækkes ved at undlade at angive værdier for henholdsvis søjler og rækker.

DF[3,]       # Hent hele række 3

##     navn bjørn v4 sko
## 3 Ælling FALSE  5 nej

DF[,c(2, 4)] # Hent søjler 2 og 4

##   bjørn sko
## 1  TRUE  ja
## 2 FALSE nej
## 3 FALSE nej

Ligesom for vektorer kan indicering bruges til at indsætte nye værdier for enkeltobservationer, rækker eller søjler.

DF$v4[1] <- 10                 # Sæt første element af v4 i DF til 10
DF[,2] <- c(TRUE, TRUE, FALSE) # Erstat hele 2. søjle
DF                             # Udskriv data framen

##      navn bjørn v4 sko
## 1   Bamse  TRUE 10  ja
## 2 Kylling  TRUE  2 nej
## 3  Ælling FALSE  5 nej

2.6 Tabeller og matricer

En matrix er en “firkantet samling” af tal, hvilket kan bruges til at repræsentere antalstabeller.¹⁵ I R laves matricer ved hjælp af matrix(), og som input bruges en vektor af de tal, der skal fyldes ind i matricen, og det ønskede antal rækker eller søjler.

m <- matrix(c(1, 2, 3, 4, 5, 6),  # Matrix med tallene 1 2 3 4 5 6 
            2)                    # Inddel i to rækker
m

##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    6

Det sidste tal, 2, i kaldet til matrix() ovenfor bestemmer antallet af rækker, som tallene skal fyldes ind i. Bemærk at matricen fyldes op søjlevis.¹⁶ Hvis antallet af rækker ikke går op i antallet af tal i vektoren, så genbruger R vektoren indtil matricen er fyldt helt ud, og skriver en advarsel.

m <- matrix(c(1, 2, 3, 4, 5), 2) # Matrix med for få tal

## Warning in matrix(c(1, 2, 3, 4, 5), 2): data length [5] is not a sub-multiple or
## multiple of the number of rows [2]

m

##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    1

De fem første elementer i matricen fyldes op med værdierne 1 til 5, hvorefter vektoren genbruges forfra. Sidste element er derfor 1.

Matricer indiceres på samme måde som data frames. Elementet i 1. række og 3. søjle er

m[1, 3]      # Udskriv element fra 1. række, 3. søjle

## [1] 5

m[1, 3] <- 8 # Erstat element 1, 3
m            # Udskriv m

##      [,1] [,2] [,3]
## [1,]    1    3    8
## [2,]    2    4    1

2.7 Import af data

R kan importere data direkte fra de fleste dataformater og -baser. De simpleste formater kan indlæses direkte i R, mens mere komplicerede dataformater kræver, at en relevant pakke er installeret (se tabel 2.2 for en oversigt).

Filnavnet angives som første argument, men indlæsningsfunktionerne i tabel 2.2 har lidt forskellige argumenter alt afhængigt af dataformatet. Eksempelvis vil følgende kode indlæse første ark fra Excelfilen forsøgsdata.xlsx.¹⁷

library("readxl")     # Indlæs pakken readxl
minedata <- read_excel("forsøgsdata.xlsx", sheet=1)

Table 2.2: Funktioner og pakker til import af de mest almindelige dataformater i R.

Filformat (typisk filnavn)	Funktion	Pakke
Tekstfil (.txt)	read.table()
CSV (.csv)	read.csv() eller read.csv2()
Excel (.xlsx eller .xls)	read_excel()	readxl
SPSS (.sav eller .por)	read_sav() eller read_por()	haven
SAS (.sas7bdat)	read_sas()	haven
Stata (.dta)	read_stata()	haven
JSON (.json)	fromJSON()	jsonlite

Hjælp til at importere en række almindelige tekstformater kan findes direkte i RStudio via menupunktet File > Import Dataset. Nedenfor er vist indholdet af CSV-filen patienter.csv.¹⁸

Navn;Alder;Status;BMI;Kon
Jensen;61;1;31,4;M
Hansen;26;0;23;M
Petersen;77;0;28,3;K
Jørgensen;53;1;24,6;K

Figure 2.4: Import af data gennem RStudios File > Import Dataset > From CSV. Her importeres data fra tekstfilen patienter.csv, og nederst er markeret, at søjleadskiller er semikolon. Den lille dialogboks dukker op efter tryk på ‘Configure’, og her kan man sætte decimaladskiller. Vinduet ‘Data preview’ viser, hvordan R ser filen med de givne indstillinger, og at det ser fornuftigt ud. R finder de fire søjler med de korrekte formater.

Figur 2.4 viser dialogboksen, der fremkommer, når man vælger File > Import Dataset > From CSV. Øverst vælges den tekstfil, der skal indlæses, og nederst markeres, at første linje i filen indeholder variabelnavnene (First Row as Names), og at variablene (søjlerne i filen) er adskilt med semikolon (Delimiter).

Med knappen “Configure ..” fremkommer den lille dialogboks, og det angives, at decimaladskiller er komma (det bruges i filen for variablen BMI) og ikke punktum, der er Rs almindelige decimaladskiller.

Det store vindue “Data preview” viser, hvordan R ser den pågældende fil med de givne indstillinger (figur 2.4) Her indlæses filen som fire søjler svarende til de fire variable i den oprindelige fil, og BMI er korrekt indlæst som en double (en numerisk variabel) med de korrekte værdier. Hvis indlæsningsindstillingerne er sat forkert bliver det klart i dette vindue.

Nederst til højre fremgår de kommandoer, som R kører for at indlæse filen. Disse kommandoer bør kopieres over i editoren, så datafilen automatisk indlæses korrekt en anden gang.¹⁹

2.8 Databehandling med tidyverse

Data skal ofte tilpasses før de er klar til at blive analyseret. Variable skal have det rigtige format, der skal laves nye variabel, og datasættet skal måske omstruktureres. tidyverse er et sæt af pakker til R, der gør databehandling meget lettere.

Funktionerne i tidyverse tager en data frame som første argument og returnerer selv en data frame.²⁰ Dermed kan funktionerne let kombineres ved hjælp af operatoren |>, der kæder resultaterne fra flere kommandoer sammen: resultatet af den første funktion bliver brugt som input til den næste funktion.²¹ Funktionerne i tidyverse har desuden den fordel, at det ikke er nødvendigt at referere til variable inde i en data frame med $. Tabel 2.3 viser de mest almindelige funktioner.

Figure 2.5: tidyverse introducerer funktionerne, pivot_longer() og pivot_wider(), der er nyttige at kende til, men som vi ikke vil komme nærmere ind på her. Funktionerne kan omstrukturere datasæt fra “wide format”  til “long format”  eller den anden vej. “Wide”  datasæt optræder typisk, når der er gentagne målinger på samme forsøgsenhed. Et “long”  datasæt indeholder den samme information, men de gentagne registreringer er spredt ud over flere rækker. Mange analysemetoder i R kræver data i “long” format.

Table 2.3: De mest almindelige funktioner til datahåndtering ved hjælp af tidyverse.

Funktion	Forklaring
arrange()	Sortér data
fct_collapse()	Slå kategorier af en faktor sammen
filter()	Vælg observationer (rækker)
group_by()	Split data op i undergrupper
mutate()	Ændre/lav nye variable
pivot_longer()	Kombiner søjler, så datasættet bliver “langt”
pivot_wider()	Tag to søjler (navne og værdier) og gør data “bredt”
pull()	Udtræk en variabel som en vektor
select()	Vælg søjler (variable)
summarise()	Opsummere data ud fra grupper
ungroup()	Fjern undergrupper

Som et eksempel på databehandling med tidyverse bruges et datasæt om behandling af diastolisk blodtryk hos 10 forsøgsdeltagere. De er alle målt to gange: ved forsøgsstart og efter 4 uger (variablene start og 4 uger). Desuden er der en række yderligere registreringer på forsøgsdeltagerne, hvilket fremgår af datasættet i tabel ??.²² Datasættet indeholder en række fejl: der er en højde og en diastolisk blodtryksmåling ved baseline, der er urealistiske, og desuden er værdierne af variablen køn skrevet på lidt forskellig måde. Endelig skal der udregnes BMI, som skal bruges til de efterfølgende analyser, og det skal sikres, at kategoriske variable opfattes som faktorer.

Vi bygger dataoprensningen trinvist op. Først bruges filter() til at beholde individer (rækker i datasættet), der ikke har åbenlyst forkerte værdier.

DF |>                # Tag datasættet og behold rækker,
  filter(start>0,    # hvor baseline diastolisk er større
         hojde>120)  # end 0 og højde er større end 120

##   alder    køn diab behandling hojde vaegt start 4 uger
## 1    70   mand  nej         ny   177    96    99     81
## 2    52   mand  nej     gammel   180    97   104     93
## 3    46   Mand  nej     gammel   187    93    94     86
## 4    47   mand  nej     gammel   185    93    97     91
## 5    74 kvinde  nej     gammel   162    66   103     90
## 6    68 kvinde  nej     gammel   161    59   103     90
## 7    56 KVINDE   ja         ny   168    69   102     81
## 8    59 kvinde   ja     gammel   167    70    96     86

På nuværende tidspunkt er det filtrerede datasæt ikke gemt. Det gøres først til sidst, så det er muligt at se resultaterne undervejs.

mutate() omkoder eksisterende variable eller laver nye. Først laves en ny variabel bmi ud fra vaegt og hojde, og koden til det er

# Definer ny variabel bmi
mutate(bmi = vaegt / (hojde/100)^2)

Så tilpasses variablen køn så variablen opfattes som en faktor og så fejlregistreringer slås sammen. I fct_collapse() specificeres, hvilke gamle kategorier, der skal samles i nye kategorier. Bemærk at køn overskrives i koden ved at kalde den “nye” variabel det samme navn som den gamle variabel.

# Slå kategorier af køn sammen for at rette indtastningsfejl
# mand samler "mand" og "Mand", mens kvinde samler
# "kvinde" og "KVINDE"
mutate(køn = fct_collapse(køn,
                          mand = c("mand", "Mand"),
                          kvinde = c("kvinde", "KVINDE"))) 

Endelig skal vi sikre, at både diab og behandling opfattes af R som faktorer. Igen bruges mutate() til at omdefinere og funktionen factor() omkoder variablen til en faktor. Det er ikke nødvendigt selv at specificere, hvilke kategorier, der findes, men med argumentet levels kan vælge den interne rækkefølgen på kategorierne, og den første kategori opfattes som referencekategorien.

# Lav diab til en faktor
mutate(diab = factor(diab))
# Lav behandling til et faktor og brug
# kategorien "gammel" som referencekategori
mutate(behandling = factor(behandling,
                           levels=c("gammel", "ny")))

Det hele kan samles til et enkelt kald til mutate().

DF |>                   # Tag datasættet og behold rækker,
  filter(start>0,       # hvor baseline diastolisk er større
         hojde>120) |>  # end 0 og højde er større end 120
  mutate(bmi = vaegt / (hojde/100)^2,    # Lav BMI
         køn = fct_collapse(køn,         # Slå grupper sammen
                   mand = c("mand", "Mand"),
                   kvinde = c("kvinde", "KVINDE")),
         behandling = factor(behandling, # Lav til faktor
                             levels=c("gammel", "ny")),
         diab = factor(diab)             # Lav til faktor
        )

##   alder    køn diab behandling hojde vaegt start 4 uger      bmi
## 1    70   mand  nej         ny   177    96    99     81 30.64254
## 2    52   mand  nej     gammel   180    97   104     93 29.93827
## 3    46   mand  nej     gammel   187    93    94     86 26.59498
## 4    47   mand  nej     gammel   185    93    97     91 27.17312
## 5    74 kvinde  nej     gammel   162    66   103     90 25.14861
## 6    68 kvinde  nej     gammel   161    59   103     90 22.76147
## 7    56 kvinde   ja         ny   168    69   102     81 24.44728
## 8    59 kvinde   ja     gammel   167    70    96     86 25.09950

Endelig kan vi fjerne de variable, som ikke længere er nødvendige. select() vælger søjler i datasættet, som skal gemmes, men med minus foran udvælgelsen angives de søjler, der skal fjernes.

DF |>                   # Tag datasættet og behold rækker,
  filter(start>0,       # hvor baseline diastolisk er større
         hojde>120) |>  # end 0 og højde er større end 120
  mutate(bmi = vaegt / (hojde/100)^2,    # Lav BMI
         køn = fct_collapse(køn,         # Slå grupper sammen
                   mand = c("mand", "Mand"),
                   kvinde = c("kvinde", "KVINDE")),
         behandling = factor(behandling, # Lav til faktor
                             levels=c("gammel", "ny")),
         diab = factor(diab)             # Lav til faktor
        ) |>                             # Og så 
  select(-c(hojde, vaegt))               # Fjern hojde/vaegt

##   alder    køn diab behandling start 4 uger      bmi
## 1    70   mand  nej         ny    99     81 30.64254
## 2    52   mand  nej     gammel   104     93 29.93827
## 3    46   mand  nej     gammel    94     86 26.59498
## 4    47   mand  nej     gammel    97     91 27.17312
## 5    74 kvinde  nej     gammel   103     90 25.14861
## 6    68 kvinde  nej     gammel   103     90 22.76147
## 7    56 kvinde   ja         ny   102     81 24.44728
## 8    59 kvinde   ja     gammel    96     86 25.09950

Det oprensede datasæt er stadig ikke gemt. Det gøres ved at gemme resultatet af hele processen i et nyt objekt rettede_data, som så kan bruges til de efterfølgende analyser.

rettede_data <-
DF |>                   # Tag datasættet og behold rækker,
  filter(start>0,       # hvor baseline diastolisk er større
         hojde>120) |>  # end 0 og højde er større end 120
  mutate(bmi = vaegt / (hojde/100)^2,    # Lav BMI
         køn = fct_collapse(køn,         # Slå grupper sammen
                   mand = c("mand", "Mand"),
                   kvinde = c("kvinde", "KVINDE")),
         behandling = factor(behandling, # Lav til faktor
                             levels=c("gammel", "ny")),
         diab = factor(diab)             # Lav til faktor
        ) |>                             # Og så 
  select(-c(hojde, vaegt))               # Fjern hojde/vaegt

tidyverse indeholder to andre nyttige funktioner, summarise() og group_by(), der henholdsvis bruges til at opsummere data og at splitte data op i undergrupper for at lave opsummeringer for hver gruppe. Disse to funktioner introduceres nærmere i kapitel ??.

2.9 Opgaver

1. Brug R som lommeregner til at udregne følgende:

   1. \(12\cdot6\)
   2. \(2\cdot(1+3)^2\)
   3. \(\log(20) + \sqrt{13}\) [ log henviser til den naturlige logaritme ]

2. Definer følgende to vektorer

   x <- c(1, 3, 6, 2)
   y <- c(10, 20)

   Overvej — uden at køre linjerne — hvad følgende kommandoer giver

   x-2
   x^2    
   x+y
   x*y
   length(x)
   sum(x)
   mean(x)
   sum(x^2)

   Brug R til at checke, om dine overvejelser var korrekte.

3. Fødselsvægten (i gram), fostrets alder (i uger) og køn for 8 nyfødte er vist i tabellen nedenfor.

   Køn	Alder (uge)	Fødselsvægt (g)
   dreng	37	2628
   dreng	38	3176
   dreng	40	3421
   dreng	38	2975
   dreng	40	3317
   pige	36	2729
   pige	40	2935
   pige	38	2754

   1. Lav en vektor vaegt, der indeholder de 8 vægtmålinger. Brug for eksempel funktionen c().

   2. Lav to nye vektorer alder og kon, der indeholder henholdsvis aldersmålingerne og informationen om køn.

   3. Udregn en ny vektor, kg, der indeholder de afrundede vægtmålinger i kg. Brug funktionen round() til at afrunde fødselsvægten til nærmeste 100 gram. Brug hjælpesiden til round() til at finde ud af, hvordan man vælger antallet af betydende cifre, når man afrunder.²³

   4. De nyfødte piger svarer til måling nummer 6, 7 og 8. Brug indicering af vektoren vaegt til at udtrække fødselsvægten for observation 6, 7 og 8. Hvad er den gennemsnitlige fødselsvægt for de tre piger?

      Det er sjældent, at man kender de specifikke observationsnumre, man vil udtrække. Brug i stedet oplysningerne fra vektoren kon til at udtrække fødselsvægten for pigerne.

   5. Erstat det 4. element af vaegt i DF fra 2975 til værdien 3075.

      Udregn den gennemsnitlige fødselsvægt for alle 8 personer i DF.²⁴

   6. Lav en data frame, DF, der indeholder de 4 variable kon, alder, vaegt og kg. Prøv at køre kommandoen

      head(DF)

      Hvad viser den?

      Se hjælpesiden til head() for at se, hvordan man ændrer antallet af linjer, der vises.²⁵

      Prøv at køre kommandoen

      summary(DF)

      Hvad viser den? Hvorfor er formatet forskelligt for vaegt og kon?

4. Datasættet morbarn fra pakken stat4med indeholder oplysninger om en tilfældig stikprøve på 400 førstegangsfødende mødre fra det såkaldte Mor-Barn studie XXX (indsæt ref), der følger levendefødte børn fra terminsugerne 37-42, og hvor moderen ikke drak under graviditeten. Datasættet indeholder seks registreringer om hver moder: alder (i år), ryger (ja/nej), kaffedrikker (ja/nej), uge (gestationsalder ved fødslen i uger), vaegt (barnets vægt i gram) og længde (barnets længde i cm).

   Data kan indlæses ved at skrive kommandoen

   library("stat4med")  # Indlæs pakken
   data("morbarn")  # Gør data tilgængelige

   De efterfølgende spørgsmål kan med fordel besvares ved brug af funktionerne fra tidyverse pakken.

   1. Hvad er gennemsnitsalderen for de 400 førstegangsfødende? Hvad er gennemsnitsvægten for de nyfødte?
   2. Lav en ny data frame kaldet deldata, der kun indeholder de mødre, der hverken ryger eller drikker kaffe.²⁶
   3. Lav fødselsvægt defineres ofte som børn, der har en fødselsvægt mellem 1500 til 2500 gram. Lav en ny variabel, lavvaegt, der er TRUE, hvis børnene har lav fødselsvægt, og FALSE ellers.
   4. Hvor mange børn har lav fødselsvægt?²⁷

5. Hver gang man starter på et nyt projekt er det en god ide at lave et bibliotek/en folder på computeren, der indeholder alle data og R scripts. Det sikrer, at man har data og programmer samlet, og at man ikke får sammenblandet filer fra forskellige analyser.

   Når R starter op starter den typisk i samme bibliotek, og det kan være nødvendigt at sætte det bibliotek, hvor den skal finde og gemme filer.

   1. Brug funktionen getwd() (get working directory) til at se, hvilket bibliotek R leder efter filer i.
   2. Opret et ny bibliotek, testR på computeren. Brug stifinderen til at gøre dette.
   3. Sæt det nye arbejdsbibliotek til testR. Dette kan gøres i RStudio via menupunktet Session -> Set Working Directory -> Choose Directory. Et alternativ er at bruge funktionen setwd().
   4. Kør getwd() igen for at checke at det nye arbejdsbibliotek er testR.

6. Tabeller. Lav en matrix …

7. Import af data. CSV? Excel? Ha’ en excel-fil på hjemmesiden. Læs den ind, gem som csv. Prøv at læse ind via …

---

1. R kan hentes fra www.r-project.org. Fra hjemmesiden vælges først download (CRAN), derefter en server, hvorefter R kan hentes og installeres.↩︎

2. RStudios hjemmeside er www.rstudio.com og herfra kan man downloade RStudio.↩︎

3. Kommandoerne i RStudios editor kan gemmes som dokumentation for de analyser, der er lavet. Filer med kommandoer til R har typisk efternavnet .R eller .r, men det er bare helt almindelige tekstfiler. Det anbefales at skrive alle kommandoerne i editoren, da det sikrer, at det er muligt at reproducere og genskabe alle resultater.↩︎

4. Opgave XXX viser, hvordan arbejdsbiblioteket skiftes.↩︎

5. Skrives navnet på en funktion uden at angive parenteser så vises funktionens kildekode. Det gør det muligt direkte at se, hvad funktionerne i R faktisk gør.↩︎

6. install.packages() svarer til, at installere en lampe i et hus — det skal kun gøres en gang. library() svarer til at tænde på kontakten, og det skal man huske at gøre, hver gang man starter et program og har “brug for lyset”.↩︎

7. Foran resultatet står et [1], som vi kan ignorere indtil videre. Forklaringen kommer i afsnit 2.4.↩︎

8. Pilen består af to tegn: < (mindre end) og - (minus). Pilen <- kan opfattes som om, at man sender resultatet over i det valgte objekt.↩︎

9. På samme vis er funktionen log() ikke det samme som funktionen LOG() eller Log().↩︎

10. Desuden er internettet er en rig ressource til at søge efter hjælp til R. Der er tusindevis af sider med hjælp, eksempler, forklaringer og videoer.↩︎

11. Body-mass index er defineret som en persons vægt (målt i kg) delt med højde (målt i meter) kvadreret.↩︎

12. Hvis længden af den korte vektor ikke går op i længden af den lange vektor så bliver den korte vektor stadig gentaget indtil den matcher længden af den lange, men en advarsel skrives på skærmen.↩︎

13. DF$v4 læses som “variabel v4 fra DF”, og den adskiller sig fra DF2$v4, der er en helt anden vektor (dog med samme navn), og som findes i data framen DF2.↩︎

14. Alternativt skal længden på den korte vektor gå op i længden på de øvrige variable i data framen, så den kan gentages til at have samme længde.↩︎

15. Data frames og matricer er begge rektangulære strukturer, men matricer kan kun indeholde tal. I en matrix er der til gengæld ikke nogen typeforskel på rækker og søjler.↩︎

16. Med argumentet byrow=TRUE til matrix() fyldes matricen op rækkevis i stedet for søjlevis.↩︎

17. Filen forsøgsdata.xlsx antages at ligge i samme bibliotek som R sessionen. Ellers skal den fulde sti til filen skrives. Filen forsøgsdata.xlsx kan hentes fra bogens hjemmeside.↩︎

18. En CSV-fil (comma-separated values) er en almindelig tekstfil, hvor søjlerne i datasættet er adskilt med comma, semikolon eller mellemrum. En fil med dette indhold findes på bogens hjemmeside.↩︎

19. Dette er specielt vigtigt for at kunne reproducere resultaterne. Hvis ikke de præcise argumenter til indlæsning bliver gemt, så risikerer det, at filen senere indlæses på en anden måde, hvilket kan give andre resultater. ↩︎

20. tidyverse bruger en udvidet data frame kaldet tibbles i tidyverse, men den fungerer som en data frame. Udtales “tibbles” lidt hurtigt lyder det næsten ligesom “tables”.↩︎

21. |> består af to tegn: “lodret streg” og “større end” og kaldes en “pipe”, da den som et rør fører resultatet fra en funktion videre til den næste funktion.↩︎

22. Datasættet findes også i pakken stat4med og hedder XXX.↩︎

23. Fif: round() afrunder betydende cifre efter kommaet. For at afrunde til nærmeste 100 g kan det derfor være nødvendigt først at dividere den oprindelig vægt, dernæst afrunde og så gange op igen.↩︎

24. Brug enten $ eller indicering til at trække den relevante variabel ud af data framen.↩︎

25. head() er særlig nyttig, hvis man vil have et hurtigt overblik over indholdet i en data frame eller en vektor.↩︎

26. Husk, at man skal bruge to lighedstegn, når man checker om en variabel er lig en bestemt værdi.↩︎

27. Man kan bruge funktionen sum() til at tælle op, hvor ofte lavvaegt er TRUE.↩︎