]> code.communitydata.science - stats_class_2020.git/blob - r_tutorials/w03-R_tutorial.Rmd
week 3 tutorial in various formats
[stats_class_2020.git] / r_tutorials / w03-R_tutorial.Rmd
1 ---
2 title: "Week 3 R Tutorial"
3 author: "Aaron Shaw"
4 date: "September 28, 2020"
5 output:
6   html_document:
7     toc: yes
8     toc_depth: 3
9     theme: readable
10   pdf_document:
11     toc: yes
12     toc_depth: '3'
13 subtitle: "Statistics and Statistical Programming  \nNorthwestern University  \nMTS
14   525"
15 ---
16
17 ```{r setup, include=FALSE}
18 knitr::opts_chunk$set(echo = TRUE)
19 ```
20
21 ## More Rstudio, RMarkdown, and R background + tips
22
23 Last week, I encouraged you to learn some basic things about RStudio, RMarkdown, and R in order to get started. All three have a vast (overwhelming?) number of available options, opportunities for customization, and documentation. While I think you'll be able to do most of what you need for the course with what I'm providing in these tutorials and/or links to other resources, you should absolutely explore further (I'll keep adding materials to the list of resources on the course wiki page. In the meantime, here are a few more things that I think are likely to be useful in the coming weeks of our course. Partly, I want to keep introducing other "features" of these tools that may not have been obvious. I also want to continue to explain some of the choices I've made in how I introduce you to these resources and encourage you to explore more broadly, cultivate your own preferences, and find ways to work in R that suit your goals, needs, and skill level.
24
25 ### Working in "Base R"
26
27 You may encounter a distinction between what people often call *Base R* and other tools or software packages. *Base R* usually refers to the syntax and functions that R employs without the addition of extra libraries or packages (or with libraries and packages that merely extend that syntax rather than develop an entirely different syntax). The most common syntax people currently use that is not Base R comes from a large family of packages called [the Tidyverse](https://www.tidyverse.org/). The Tidyverse is maintained and distributed by the same organization that maintains and distributes RStudio. The Tidyverse packages provide a suite of tools developed to facilitate data science and statistical analysis with a programming syntax (or "grammar" as the creators might prefer) designed to overcome some of the initial obstacles and idiosyncracies of Base R. 
28
29 For the purposes of our course, you might want to learn more about Tidyverse code and packages. You will almost certainly encounter example code snippets and suggestions around the web that assume you are familiar with the Tidyverse syntax and software. Indeed, those of you who are accustomed to working in Python or other "modern" programming languages may find it easier to work with the Tidyverse than with Base R. Books like those by Healy and Wickham and Grolemund linked from the course wiki page forego almost any introduction to Base R in favor of working almost exclusively within the Tidyverse.
30
31 All of this is a bit far out in the weeds, so let me skip to the key takeaway: I start off teaching you Base R and will not require you to learn the Tidyverse. That said, I strongly encourage you to embrace the Tidyverse, especially as you become familiar with some of the basic tasks and operations you can perform with Base R. I especially encourage you to become familiar with the `ggplot2` package as it produces visualizations superior to those you can make in Base R in almost every way. My rationale is that even the Tidyverse packages and syntax operate *within* the R software environment and rely on the underlying functionalities of Base R. In that respect, starting with Base R provides you with a foundation that should allow you greater flexibility as you deepen your R skills. You will not be constrained to any particular software package within R.
32
33 ### Notebooks vs. scripts vs. other ways of developing R code
34
35 My first tutorial made at least one other leap/assumption worth noting. If you've taken other introductory courses or tutorials in data science or programming with R or Python, you may have interacted with other languages/tools via software "Notebooks." Notebooks are a type of software development environment that make it possible to work with text and execute code alongside each other. Sound familiar? It should! The R Markdown scripts I've introduced and suggested here are similar in many ways. The big difference is that in a notebook you can iteratively execute code chunks and view the results of that execution as you go along. 
36
37 Notebooks are fantastic software development and learning tools and R Studio/R Markdown support them as well. You can learn more via the [R studio documentation](https://rmarkdown.rstudio.com/lesson-10.html), the (much more exhaustive) [R Markdown "cookbook"](https://bookdown.org/yihui/rmarkdown-cookbook/notebook.html), and try one out by selecting the 'File → New File → R Notebook' from the R Studio dropdown menus.
38
39 My attitude here is analogous to my thoughts on the Tidyverse. Even if you wind up working primarily/exclusively in Notebooks, you should have some grounding in working with R via the console, scripts, and "regular" R Markdown files. This is because R Markdown Notebooks rely on all of these tools as well and by knowing even a little bit about what's going on in the background you'll be better able to deepen your knowledge and extend your work beyond the limitations of Notebooks. 
40
41 tl;dr: If you (want to) love Notebooks, you can/should use them. I wanted to make sure you knew how to work with some more foundational stuff too.
42
43 ### Working directories
44
45 The concept of "working directories" refers to the location on your computer where R is running, looking for files, and/or storing output files. Sounds simple enough, but managing working directories seems to often induce confusion as you start working with external datasets from the web or stored locally elsewhere on your computer. 
46
47 For your purposes here, the simplest way to manage/avoid working directory issues may be to select an option from the "Session → Set Working Directory" dropdown menu in RStudio. My best guess is that while you're working on a given .Rmd file you'll be happy most of the time if you choose the "To source file location" option. That said, you might have other preferences and I don't mean to suggest this as a rule/requirement. Whatever the case, when you choose that menu option, you'll see RStudio generate something at the console that might look a bit like this:
48
49 > `> setwd("~/Documents/Courses/2020/stats/r_tutorials")`
50
51 This `setwd()` ("set working directory") command is what R calls under the hood to..set the working directory. You can also ask R to tell you where your current working directory is with the related command, `getwd()`. Try running it just like that with nothing in the parentheses to see what it returns.
52
53 ```{r}
54 getwd()
55 ```
56
57 Whatever this says is where R thinks it's "doing stuff" on your machine, so, in the scenario where you are asking R to load a dataset from a file stored somewhere else on your computer, R might struggle to find any files located elsewhere unless you point to exactly where it lives. More on this in one of the examples below.
58
59 ### Adding comments to your R code chunks
60
61 The concept of "comments" in code is pretty intuitive. A comment is just some text that the programming language interpreter ignores and repeats. Comments are generally inserted in code to make it easier for people to read in various ways. R interprets the `#` character and anything that comes after it as a comment. R will not try to interpret whatever comes next as a command:
62
63 ```{r}
64 2+2 
65
66 # This is a comment. The next line is too:
67 # 2+2
68 ```
69
70 Comments are often less common in the context of R Markdown scripts and notebooks. That said, you may encounter them in examples, R documentation, and elsewhere. You may also want to use them to leave notes for yourself or the teaching team in your R scripts. Whatever the case, it's good to know how to comment.
71
72 ### Importing datasets from libraries, the web, and locally (on your computer)
73
74 <TODOTODOTODO>. You will want to import datasets.
75
76 ## More (complicated) variable types
77
78 In the previous tutorial we introduced some basic variable types (numeric, character, and logical). Here are some other common Base R variable types that you will encounter and need to learn to recognize/manage in your work:
79
80 ### Factors
81
82 Factors usually work like character variables that take a finite and pre-specified set of values. They are useful for encoding categorical variables. You can create them with the `factor()` command or by running `as.factor()` on a character vector.
83
84 ```{r}
85
86 ## Create a vector of cities as a factor:
87 cities <- factor(c("Chicago", "Detroit", "Milwaukee"))
88 summary(cities)
89 class(cities)
90
91 ## Create another vector as a character first...
92 more.cities <- c("Oakland", "Seattle", "San Diego")
93 summary(more.cities)
94 class(more.cities)
95
96 ## ...and coerce it to a factor:
97 more.cities <- as.factor(more.cities)
98 summary(more.cities)
99 class(more.cities)
100
101 ```
102
103 You can usually run `as.factor()` to coerce other kinds of variables into a factor; however, be warned that doing so has some risks as R may not share your intuitions about what ought to happen. Whenever you coerce or convert or reshape data you should immediately run something like `summary()` and `class()` to inspect the results and confirm whether the results seem to align with your aspirations.
104
105 ### Lists
106
107 Lists are a bit like vectors, but can contain many other kinds of object (e.g., other variables). In this sense they are more of a data structure than a type, but for the purposes of R, the distinctions between data structures and types are a bit mushy...
108
109 ```{r}
110 cities.list <- list(cities, more.cities)
111 class(cities.list)
112 cities.list
113 ```
114 We can name the items in the list just like we did for a vector:
115 ```{r}
116 names(cities.list) <- c("midwest", "west")
117
118 # This works too:
119 cities.list <- list("midwest" = cities, "west" = more.cities)
120 ```
121 You can index into the list just like you can with a vector except that instead of one set of square brackets you have to use two:
122 ```{r}
123 cities.list[["midwest"]]
124 cities.list[[2]]
125 ``` 
126 With a list you can also index recursively (down into the individual objects contained in the list). For example:
127 ```{r}
128 cities.list[["west"]][2]
129 ```
130
131 Some functions that operate on vectors or other data structures "just work" on lists. Others don't or produce weird output that you probably weren't expecting (if you're coming to R from Python this may induce tears and gnashing of teeth). As a practical matter, you should not assume R will be perfectly consistent with how functions treat different variable types and inspect the output of commands to see what happens:
132
133 ```{r}
134
135 # summary works as you might hope:
136 summary(cities.list)
137
138 # table produces something very weird:
139 table(cities.list)
140 ```
141
142 ### Matrices
143
144 Matrices are a little less common for everyday use, but it's good to know they're there and that R can help you do matrix arithmetic to your heart's content. In my day-to-day work, I most frequently encounter matrices in R as an intermediate format used or generated by functions to complete specific tasks (e.g., running regression models). This means that I sometimes want/need to interact with matrix objects and, by extension, you might too.
145
146 An example is below. Check out the help documentation for the `matrix()` function for more.
147
148 ```{r}
149
150 m1 <- matrix(c(1:12), nrow=4, byrow=FALSE)
151 m1
152
153 m2 <- matrix(seq(2,24,2), nrow=4, byrow=FALSE)
154 m2
155
156 m1*m2
157 t(m2) # transposition
158
159 ```
160
161 ### Data frames
162
163 A data frame is a structured format for storing tabular data. More formally in R, a data frame consists of a list of vectors of equal length. 
164
165 For our purposes, data frames are the most important data structure (or type) in R. We will use them constantly. They have rows (usually units or observations) and columns (usually variables). There are also many functions designed to work especially (even exclusively) with data frames. Let's take a look at another built-in example dataset, `faithful` (note: you can read the help documentation on `faithful` to learn about the dataset):
166
167 ```{r}
168
169 ## This first command calls a dataset into my working "Global" environment and makes it available for subsequent use.
170 data("faithful")
171
172 dim(faithful) # Returns the number of rows and columns. Often the first thing I do with any data frame
173
174 nrow(faithful)
175 ncol(faithful)
176
177 names(faithful)  ## try colnames(faithful) too
178
179 head(faithful) ## look at the first few rows of data
180
181 summary(faithful)
182
183 ```
184
185 Some datasets are built-in to packages. Once you've installed the package (see the R Tutorial from Week 1 of the help documentation for `install.packages()`), you can call a dataset from that package by first invoking the package
186
187 You can index into a data frame using numeric values or variable names. The notation uses square brackets again and requires you to remember the convention of `[<rows>, <columns>]`:
188
189 ```{r}
190 faithful[1,1] # The item in the first row of the first column
191
192 faithful[,2] # all of the items in the second column
193
194 faithful[10:20, 2] # ranges work too. This returns the 10-20th values of the second column.
195
196 faithful[37, "eruptions"] # The 37th value of the column called "eruptions."
197 ```
198
199 It is very useful to work with column (variable) names in a data frame using the `$` symbol:
200
201 ```{r}
202 faithful$eruptions
203
204 mean(faithful$waiting)
205
206 boxplot(faithful$waiting)
207 ```
208
209 Data frames are very useful for bivariate analyses (e.g., plots and tables). The base R notation for a bivariate presentation usually uses the `~` character. If both of the variables in your bivariate comparison are within the same data frame you can use the `data=` argument. For example, here is a scatterplot of eruption time (Y axis) over waiting time (X axis):
210
211 ```{r}
212 plot(eruptions ~ waiting, data=faithful)
213 ```
214
215
216 Data frames can have an arbitrary number of columns (variables). Another built in dataset used frequently in R documentation and examples is `mtcars` (read the help documentation! it contains a codebook that tells you about each variable). Let's look at that one next:
217
218 ```{r}
219 data("mtcars")
220
221 dim(mtcars)
222
223 head(mtcars)
224 ```
225
226 There are many ways to create and modify data frames. Here are some examples using the `mtcars` data. I create new vectors from the variables (columns) in the dataset, then I use the `data.frame` command to build a new data frame from the three vectors and do some data cleanup/recoding:
227
228 ```{r}
229
230 my.mpg <- mtcars$mpg
231 my.cyl <- mtcars$cyl
232 my.disp <- mtcars$disp
233
234 df.small <- data.frame(my.mpg, my.cyl, my.disp)
235 class(df.small)
236 head(df.small)
237
238 # recode a value as missing
239 df.small[5,1] <- NA
240
241 # removing a column
242 df.small[,3] <- NULL
243 dim(df.small)
244 head(df.small)
245
246 ```
247
248 Creating new variables, recoding, and transformations look very similar to working with vectors. Notice the `na.rm=TRUE` argument I am passing to the `mean` function in the first line here:
249
250 ```{r}
251 df.small$mpg.big <- df.small$my.mpg > mean(df.small$my.mpg, na.rm=TRUE)
252
253 table(df.small$mpg.big)
254
255 df.small$mpg.l <- log1p(df.small$my.mpg) # notice: log1p()
256 head(df.small$mpg.l)
257 ## convert a number into a factor:
258
259 df.small$my.cyl.factor <- factor(df.small$my.cyl)
260 summary(df.small$my.cyl.factor)
261 ```
262
263 Some special functions are particularly useful for working with data frames:
264
265 ```{r}
266 is.na(df.small$my.mpg)
267
268 sum(is.na(df.small$my.mpg)) # sum() works in mysterious ways sometimes...
269
270 complete.cases(df.small)
271 sum(complete.cases(df.small))
272 ```
273
274 ## Vectorized operations: "Apply" functions and beyond
275
276 R has a lot of built-in functionality to support working on objects very quickly/efficiently in a "vectorized" way. The specifics of vectorization are beyond the scope of our course, but the significance is that while you may have learned to do things with "loops" in other programming languages (and we'll learn how to use them in R) vectorized functions in R almost always provide a faster/better way to achieve the same goals. As a result, I like to introduce vectorized functions first.  
277
278 The reasons you might use a vectorized function are kind of simple: imagine you have an object (vector, dataframe, list, or whatever) and you want to perform the same operation over all of the rows or columns. Loops are good if you want to do this in a strict order (e.g., first row #1, then row #2, etc.), but most of the time the order doesn't matter. Vectorized functions allow R to apply operations over data objects in an arbitrary order, resulting in massively faster and less-verbose code.
279
280 Most of the base R versions of these functions have "apply" in the name. There are also Tidyverse alternatives. I will stick to the base R versions here. Please feel free to read about and use the alternatives! I'll try to introduce and document them a little later on in our course.
281
282 Let's start with an example using the `mtcars` dataset again. The `sapply()` and `lapply()` functions both "apply" the second argument (a function) iteratively to the items (variables) in the first argument. The differences emerge in the structure of the output: `sapply()` returns a (usually more user-friendly) vector or matrix by default whereas `lapply()` returns a list:
283
284 ```{r}
285 sapply(mtcars, quantile)
286
287 lapply(mtcars, quantile) # Same output, different format/class
288 ```
289
290 Experiment with that idea on your own a little bit before moving on. For example, can you find the mean of each variable in the `mtcars` data using either `sapply` or `lapply`?
291
292 The `tapply` function allows you to apply functions conditionally. For example, the chunk below finds the mean gas mileage by number of cylinders. The second argument (`mtcars$cyl`) provides an index into the first (`mtcars$mpg`) before the third argument (`mean`) is applied to each of the conditional subsets:
293
294 ```{r}
295 tapply(mtcars$mpg, mtcars$cyl, mean)
296 ```
297
298 Try some other calculations using `tapply()`. Can you calculate the average engine discplacement conditional on number of cylinders? What about the average miles per gallon conditional on whether the car has an automatic transmission?
299
300 Note that `apply()` works pretty smoothly with matrices, but it can be a bit complicated/surprising otherwise. 
301
302 ## Some basic graphs with ggplot2
303
304 ggplot2 is what I like to use for plotting so I'll develop examples with it from here on out. 
305
306 Make sure you've installed the package with `install.packages("ggplot2")` and load it with `library(ggplot2)`.
307
308 There is another built-in (automotive) dataset that comes along with the ggplot2 package called `mpg`. This dataset includes variables of several types and is used in much of the package documentation, so it's helpful to become familiar with it. 
309
310 I'll develop a few simple examples below. For more, please take a look at the (extensive) [ggplot2 documentation](https://ggplot2.tidyverse.org/reference/index.html). There are **many** options and arguments for most of these functions and many more functions to help you produce publication-ready graphics. Chapter 3 of the Healy book is also an extraordinary resource for getting started creating visualizations with ggplot2.
311
312 ```{r}
313 library(ggplot2)
314 data("mpg")
315
316 # First thing, call ggplot() to start building up a plot
317 # aes() indicates which variables to use as "aesthetic" mappings
318
319 p <- ggplot(data=mpg, aes(manufacturer, hwy))
320
321 p + geom_boxplot()
322
323 # another relationship:
324 p <- ggplot(data=mpg, aes(fl, hwy))
325 p + geom_boxplot()
326 p + geom_violin()
327
328 ```
329
330 Here's another that visualizes the relationship between miles per gallon (mpg) in the city vs. mpg on the highway:
331
332 ```{r}
333 p <- ggplot(data=mpg, aes(cty, hwy))
334
335 p+geom_point()
336
337 # Multivariate graphical displays can get pretty wild
338 p + geom_point(aes(color=factor(class), shape=factor(cyl))) 
339 ```
340
341

Community Data Science Collective || Want to submit a patch?