HUDM 5026 - Introduction to Data Analysis and Graphics in RMatlab

Java Python HUDM 5026 - Introduction to Data Analysis and

Graphics in R

HW 00 – Getting Started

1 Data and File Paths

To analyze data in R, you need to be able to import. The method you use for importing data will depend on what format the data are in. Data may be found in many formats and file extensions including those based on specific software packages such as Microsoft Excel (.xlsx), SPSS (.sav), Stata (.dta), SAS (.sas7bdat), MATLAB (.mat), or those based on more universal data extensions such as text files (.txt) or comma-separated values files (.csv). We will focus first on the more universal extensions because they are more broadly applicable. Most data analysis packages allow you to save data as a comma-separated values file, so we will begin with that.

There is a file called “acupuncture.csv” in the “Data Sets” folder on the course Can-vas page. Save the data set to your computer. Be sure to note where you save it be-cause we will need to find it again. On my machine, a Mac, the file path is located at /Users/bryankeller/Documents/Data/acupuncture. csv. How do you find the file path on your machine? On a Mac, you can right-click on the file and then press the alt/option key on your keyboard and select “Copy ‘acupuncture.csv’ as Pathname”. Then paste the file path to a text file. Alternatively, you could select "Get Info." Then, highlight the file path next to the "Where" information and copy and paste it into a text file.

This will produce the file path up to and including the folder that contains the file, but it will not include the file itself, so you will need to add that.  That is, copy/paste will produce the following:

/Users/bryankeller/Documents/Data

Since we know the name of the file is acupuncture. csv, we simply add that onto the end of the file path as follows:

/Users/bryankeller/Documents/Data/acupuncture. csv

On a machine running Windows OS, the process is similar.  Hold shift and right-click on the file and select “Copy as path” .   Alternatively,  you could select “Properties”,  go to the "General" tab, and select "Location". Typically on machines running Windows OS the file path will start with a capital letter that indicates the drive, followed by a colon and a backslash. On your machine, it might be something like the following:

C:\Users\YourName\Documents\acupuncture . csv

Note, however, that R requires that you use forward slashes or double backslashes, but not single backslashes, so you must convert this file path:

C:/Users/YourName/Documents/acupuncture . csv

Once you know the file path, you will be able to use functions in R to import the file.

2    Functions for Importing

A useful function for importing .csv files is read. csv(). The first argument to the function is file where you will give the file path in quotes. The function also has other important arguments including header  =  TRUE: whether the firstrow of data should be included as the column names, na. strings  =  "NA":  where you list character strings that indicate missing data, and others. To import the acupuncture data file to my R workspace I have to assign it a name and then use read. csv() to import the data.  There is a header here and I have no missing data so Ido not need to change the default values for either of those arguments, so I can leave them out of my call to read. csv().

dat  <- read. csv(file = "/Users/bryankeller/Documents/Data/acupuncture. csv")

Now that the data have been imported to my working environment, I can act on them (e.g.,  display,  manipulate,  summarize,  analyze, etc.).   Several functions that I find useful for understanding imported data are dim(), head(), and str(). dim() gives the number of rows and columns for a matrix-like object.  head() shows the first 6 rows of a data set. str() gives a summary of each column in a data frame.  Here is the output for each of these functions for the acupuncture data set called dat:

>  dim(dat)

[1]  301     9

>	head(dat)
	id age sex			migraine	chronicity	acupuncturist	group	pk1	pk5
1	104	32	1	1	14	12	0	16.00	15.33333
2	108	56	1	1	HUDM 5026 - Introduction to Data Analysis and Graphics in RMatlab 40	9	0	16.50	23.25000
3	112	45	1	1	27	9	1	9.25	6.25000
4	113	45	1	1	30	9	1	42.50	51.25000
5	114	49	1	1	49	9	1	24.25	25.25000
6	126	47	1	1	42	5	0	21.00	15.25000

>  str(dat)

’data . frame’:  301  obs .  of    9  variables:

$  id                        :   int     104  108  112  113  114  126  130  131  135  137   . . .

$  age                   :   int    32  56  45  45  49  47  46  64  59  53   . . .

$  sex                   :  int     1  1  1  1  1  1  1  1  1  1   .  . .

$  migraine           :  int     1  1  1  1  1  1  1  1  1  1   . . .

$  chronicity      :   int    14  40  27  30  49  42  3  23  40  32   . . .

$  acupuncturist:   int    12  9  9  9  9  5  7  7  7  7   . . .

$  group                  :   int     0  0  1  1  1  0  1  1  0  1   .  . .

$  pk1                   :  num     16   16 . 5  9 . 25  42 . 5  24 . 25   .  .  .

$  pk5                   :   num     15 .33  23 . 25  6 . 25  51 . 25  25 . 25   .  .  .

There are other functions for importing in base R and in other packages. We will explore more of these in the future.

3    Homework 0.0

1.  Use dim() to examine the dimensions of the acupuncture data in dat. How many rows and columns are there?

2.  Use str() to examine dat. What are the variable names?  Verify with the names() function. What are the variable classes (e.g., numeric,integer, character, logical, etc.)?

3.  Use head() to examine dat. Do the values make sense for each variable?  Why or why not?

4.  Use read. csv() to import the acupuncture data again, however this time make two changes. First, name the imported data dat2 instead of dat.  Second, use the header

=  FALSE argument within your call to the read. csv() function.

5.  Use dim() to examine dat2. Do the dimensions of dat1 and dat2 differ? If so, why?

6.  Use str() to examine dat2. What are the variable names? Verify with the names() function. What are the variable classes (e.g., numeric,integer, character, logical, etc.)? Explain why they changed as compared with dat.

7.  Use head() to examine dat2. Do the values make sense for each variable? Why or why not?

8.  There is package called readr that has a function in it called read_csv().  Note that the only difference in name is the use of an underscore instead of a dot. The read_csv() function will import the data as a tibble. A tibble is a form. of data frame. used in the tidyverse, a suite of packages for data science in R. Install the readr package and then load it as follows:

install. packages("readr")

library(readr)

Then, use the function read_csv() to import the acupuncture data again, this time calling it dat3.  Use dim(), head(), and str() to examine the data.  We will discuss the properties of tibbles and data frames in more detail soon