Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/adriacabeza/lp-r

Anàlisi de les característiques de R, fet durant l'assignatura de LP de la FIB :bar_chart: :chart_with_upwards_trend:
https://github.com/adriacabeza/lp-r

Last synced: 7 months ago
JSON representation

Anàlisi de les característiques de R, fet durant l'assignatura de LP de la FIB :bar_chart: :chart_with_upwards_trend:

Awesome Lists containing this project

README 

          
---

author:

- |

    Adrià Cabeza Sant’Anna\

    Departament de Computació

title: 'R, el llenguatge de computació estadística per excel·lència'

---



Introducció

===========



El llenguatge de programació R és un llenguatge de programació usat per

a l’obtenció de càlculs i gràfics estadístics. Fou creat originalment

per en Ross Ihaka i Robert Gentleman a la Universitat d’Auckland (Nova

Zelanda) a l’any 1993.



És una implementació de S, un llenguatge de programació creat als Bell

Labs per en Rick Becker, John Chambers i l’Allan Wilks i l’origen del

seu nom es deu a les inicials dels seus dos creadors a més d’un joc de

paraules envers al S.



Tipus de Data

=============



Per a assignar a una variable ho podem fer de diverses maneres:



```R

> x <- c(10.4, 5.6, 3.1, 6.4, 21.7)

> x = c(10.4, 5.6, 3.1, 6.4, 21.7)

> assign("x", c(10.4, 5.6, 3.1, 6.4, 21.7))

> c(10.4, 5.6, 3.1, 6.4, 21.7) -> x

```



Vectors

-------



Els vectors són el tipus de dades més bàsic. Els vectors poden ser

pensats com moltes cel·les contigües amb dades. Hi ha sis tipus atòmics

de vectors: lògic, enter, real, complex, string(o char) i raw. També

tenim arrays i matrius que són vectors que guarden informació en més

d’una dimensió fent servir el paràmetre *dim*. Números o strings *i.e.

4.2, “hola”, 32* també són vectors de tamany 1. Els vectors es declaren

de la següent manera:



```R

> v<-c(1,2,3,4,5)

> v

[1] 1 2 3 4 5

> n<-c("a","d","r","i","a")

> n

[1] "a" "d" "r" "i" "a"

```



Llistes

-------



Les llistes o vectors genèrics són un altre tipus de dades molt

important. En aquest cas però cada element d’una llista pot ser un

objecte d’R. Els elements d’una llista poden ser accedits de tres

maneres diferents. Per exemple, considerant la següent llista:



```R

> movie <- list(title='Monty Python\'s The Meaning

of Life', year=1983, cast=c('Graham Chapman','John

Cleese','Terry Gilliam','Eric Idle','Terry

Jones','Michael Palin'))

```



Es poden accedir o bé com si fos un vector fent servir “\[ \]” i la

posició de l’element que es vol accedir, o bé escrivint l’element que es

vol (semblant a com fariem amb C i els seus structs) fent servir \[\[

\]\] o \$ :



```R

> movie$title

[1] "Monty Python's The Meaning of Life"



> movie[2]

$year

[1] 1983



> movie[["cast"]]

[1] "Graham Chapman" "John\nCleese"   "Terry Gilliam"  

"Eric Idle"     

[5] "Terry\nJones"   "Michael Palin" 

```



Data frames

-----------



Un data frame és una taula on cada columna conté el valor d’una variable

i cada fila conté el conjunt de valors de cada columna. En un data frame

cada columna ha de tenir el mateix nombre d’elements i el nom de les

files hauria de ser únic.



```R

emp.data <- data.frame(

   emp_id = c (1:5), 

   emp_name = c("Rick","Dan","Michelle","Ryan","Gary"),

   salary = c(623.3,515.2,611.0,729.0,843.25), 

   start_date = as.Date(c("2012-01-01", "2013-09-23", 

        "2014-11-15", "2014-05-11","2015-03-27")),

   stringsAsFactors = FALSE 

   #per indicar si tractar els strings com a text 

)   

print(emp.data) 



 emp_id    emp_name     salary     start_date

1     1     Rick        623.30     2012-01-01

2     2     Dan         515.20     2013-09-23

3     3     Michelle    611.00     2014-11-15

4     4     Ryan        729.00     2014-05-11

5     5     Gary        843.25     2015-03-27

```



Funcions

--------



Les funcions són objectes de primera classe en R. Poden ser passats com

a argument a altres funcions i retornats com a valor d’altres funcions.

La sintàxis per a escriure una funció és la següent:



```R

function (arglist) body

```



Normalment les funcions s’assignen a símbols però no és necessari, a les

funcions que no se’ls hi posa nom les anomenem funcions anònimes. Veiem

exemples simples de funcions en R:

```R

 > echo <- function(x) print(x)

> echo(c(1,2,3,4))

[1] 1 2 3 4

    

> (function(x) x*x) (c(1,2,3,4,5))

[1]  1  4  9 16 25

```

Paradigma de Programació

========================



-   **Tipat**: Dèbilment tipat i d’assignació dinàmica



-   **Imperatiu**: És fan servir declaracions on es descriu una

    seqüència de passos que canvien l’estat del programa.



-   **Orientat a objectes**: Tot en R són objectes, per això es pot

    efectuar programació orientada a objectes.



-   **Funcional**: Disposa de diverses eines per a crear i manipular

    funcions.



-   **Interpretat**: R és un llenguatge interpretat i això fa que el

    temps que se li dedica per a esciure codi sigui molt menor. La

    desavantatge que té és que el temps de computació és major.



-   **Reflexiu**: Es pot modificar la estructura i comportament en temps

    d’execució.



-   **Orientat a arrays**: En R és un llenguatge orientat a arrays ja

    que les operacions s’apliquen un cop a cada element de tot l’array.



Funcional

---------



Tal i com s’ha mencionat a l’apartat 2.4, les funcions son objectes de

primera classe i qualsevol cosa que es pugui fer amb un vector també es

pot fer amb una funció: assignar-les a variables, guardar-les en

llistes, passar-les com a paràmetres, crear-les dintre d’altres funcions

o retornar-les com a resultat d’una funció. A continuació veurem uns

quants exemples per a veure diferents característiques funcional de R:



### Closures



Com podem veure a continuació, en R podem fer les denominades *closures*

on una funció està escrita per una altra funció. Això pot ser útil en el

cas que volguem tenir dos nivells de paràmetres: el nivell pare que

controla la operació i la del fill que és el que fa la feina. En el

següent exemple s’aprofita la idea per a crear una funció pare *power()*

que crea la funció fill *square()*.



```R

power <- function(exponent) {

    function(x) {

        x ^ exponent

    }

}

square <- power(2)

square(2)

[1] 4

```



### Lapply



En aquest exemple veiem una funció molt important en la part funcional

de R, la funció lapply(); lapply() agafa tres inputs: una llista, una

funció i els diferents paràmetres que se li passen a la funció. Llavors

s’aplica la funció a cada element de la llista i retorna una llista nova

de la mateixa mida.



A més de lapply() també existeixen altres variants com sapply(),

vapply() que produeixen vectors, arrays o matrius com a output en

comptes de de llistes.



```R 

> lapply(c(3,4), function(x,y) x-y, 4)

[[1]]

[1] -1

    

[[2]]

[1] 0

    

> fun2 <- list(mean, sum, median)

> x<- c(1,2,3,4,5)

> lapply(fun2, function(f) f(x))

[[1]]

[1] 3

    

[[2]]

[1] 15

    

[[3]]

[1] 3

```

### Map, Reduce i Filter



Tot llenguatge funcional té tres eines bàsiques per a manipular llistes: Map(), Reduce() i Filter().



-   **Map()**, té una funcionalitat molt semblant a la funció Map xplicada anteriorment. En aquest cas Map() itera sobre múltiples estructures de dades en paral·lel. A lapply() només un argument de la funció varia, els altres estan fixos, en canvi amb Map() no és així.



-   **Reduce()**, redueix un vector a un sol valor cridant recursivament una funció. Agafa els dos primers valors i els combina, del resultat en combina el tercer i va fent. Necessita dos paràmetres: la funció  i el  vector.



-   **Filter()**, aquesta funció redueix un vector a un altre seleccionant els elements que compleixen un predicat definit per el resultat d’una funció. Necessita dos paràmetres: la funció i el vector.



```R 

> Reduce(function(a, b) a + b, 1:10)

[1] 55

    

> Reduce(`-`, 1:3)

[1] -4



> Filter(function(i) i %%3 == 0, c(1,2,3,4,5,6,7,8,9))

[1] 3 6 9

    

>> Map(function(x,y) x^y, c(9,2), c(3,5))

[[1]]

[1] 729

    

[[2]]

[1] 32

```

### Lazy evaluation



En R disposem de lazy evaluation, és a dir els paràmetres no es calculen fins que es necessiten. Per a mostrar-ho s’ha realitzat el següent exemple. Com podem veure a la funció *sum.of.squares* necessitem dos paràmetres: x, i la seva mitjana. Posteriorment es crida a la funció amb un vector com a x. Aquest vector conté NA, és a dir li falten dades. No obstant, degut a que no es necessita calcular el paràmetre about en un principi, podem aprofitar la laziness per a extreure aquest missing value i calcular-ho després.



```R  

> sum.of.squares = function(x, about = mean(x)) {

     x = x[!is.na(x)]

        sum(square(x - about))

}

    

> sum.of.squares(c(-1, 1, NA))

[1] 2

```

Orientat a objectes

-------------------



Un objecte és una estructura de dades amb atributs i mètodes que actuen en els atributs. En el cas de R tenim tres tipus de sistemes de classes. Els anomenats S3, S4 i classe de referència.



- S3, la majoria de classes built-in en R són d’aquest tipus. És el tipus de classe més primitiu i es pot crear  afegint un atribut de classe a un objecte. 



```R 

> s <- list(name = "John", age = 21, GPA = 3.5)

> class(s) <- "studentS3"

> s

$name

[1] "John"

    

$age

[1] 21

    

$GPA

[1] 3.5

    

attr(,"class")

[1] "studentS3"

```

- S4, són una millora de S3. Tenen una estructura definida que ajuda a que els objectes d’una mateixa classe tinguin un aspecte similar. Els components es defineixen fent servir la funció *setClass* i els objectes són creats fent servir la funció *new()*.



```R 

> setClass("studentS4", slots=list(name="character",

     age="numeric", GPA="numeric"))

> s <- new("studentS4",name="John", age=21, GPA=3.5)

> s

An object of class "studentS4"

Slot "name":

[1] "John"

    

Slot "age":

[1] 21

    

Slot "GPA":

[1] 3.5

```

- Classe de Referència, es van introduir posteriorment i són el més semblant a la majoria de llenguatges OOP. Són bàsicament S4 amb un entorn afegit.



```R 

> student <- setRefClass("student",

      fields = list(name = "character", 

    age = "numeric", GPA = "numeric"))

> s <- student(name="Adri", age = 20, GPA= 3.0)

> s

Reference class object of class "student"

Field "name":

[1] "Adri"

Field "age":

[1] 20

Field "GPA":

[1] 3

```

Reflexiu

--------



R té l’habilitat d’examinar i modificar la seva estructura i

comportament en temps d’execució. Per a treballar amb les

característiques reflexives de R tenim funcions com *get*,

*getAnywhere*, *showMethods*, *assign* o *eval*.

```R

> f <- function (x) x+1

> get("f")(3)

[1] 4

    

> eval(parse(text="mean(1:5)"))

[1] 3

```

Funcions i operadors aritmètics

===============================



Els operadors aritmètics elementals són +, -, \*, / i . A més també hi

ha varies funcions aritmetiques disponibles com log, exp, sin, cos, tan,

sqrt; max i min, que selecciona l’element més gros i més petit d’un

vector; range que et retorna el c(min(x),max(c)); length(x), que retorna

el nombre d’elements; sum(x) o prod(x).



```R 

> c <- c(1,2,3,4,5)

> sqrt(c)

[1] 1.000000 1.414214 1.732051 2.000000 2.236068

> range(c)

[1] 1 5

> sin(c)

[1]  0.8414710  0.9092974  0.1411200 -0.7568025 -0.9589243

 > prod(c)

[1] 120

```



Usos

====



R s’usa principalment per a data science: visualització i anàlisis de

dades, previsions, estadística, machine learning... Això és degut a que

R té diverses característiques que el fan òptim per a aquesta tasca:



-   Llenguatge interactiu. L’anàlisis de data és inherentment un procés

    interactiu.



-   Gràfics



-   Estructures de dades



-   Funcions com a objectes de primera classe



-   Comunitat i múltiples paquets



-   Té *missing values*



A més, té incloses moltes funcions per a efectuar operacions

estadístiques no trivials, des de regressions linears o logístiques,

arbres de decisió fins a xarxes neuronals.



Algunes companyies que fan servir R i els seus usos:



-   **ANZ**, el quart banc més gran d’Austràlia. Per a analitzar el risc

    de crèdit.



-   **Ford**. Per a millorar el disseny dels vehicles.



-   **Twitter**. Per a monitoritzar l’experiència d’usuari.



-   **The New York Times**, per a organitzar i preparar gràfics per al

    seu diari o pàgina web.



-   **The Human Rights Data Analysis Group**, per a quantificar

    l’impacte de la guerra.



Llenguatges similars

====================



Dintre el camp dels llenguatges similars podem tenir diversos aspectes

en compte i depenent de cada aspecte ens trobem amb uns llenguatges o

altres:\

En el grup dels llenguatges usats per a estadística i càlcul hi

entrarien **Python**, el seu gran contrincant en el camp del Data

Science, **Octave**, **Matlab** i **Julia**. En quan a sintaxi trobem

l’**S**, llenguatge del qual deriva.

En aquest aspecte les diferències són mínimes. Per exemple, l’R permet

“=” per a assignacions a més del “ $\leftarrow$”. A més també té

similituds superficials amb **C**.

En quan a semàntica tindríem una varietat de llenguatge de programació

funcional i podríem trobar llenguatges com **Lisp** i **APL**.



## Bibliografia



H. Wickham, *Advanced R*

Souce: 



*Statistics with R*. Source: 



L. Lamport, *LATEX: a document preparation system: user’s guide and

reference manual* (Addison-Wesley Pub. Co., cop. 1994)



*An introduction to R* (W. N. Venables, D. M. Smith and the R Core Team)

Source:



*What is R programming used for?*

Source: 



*R, llenguatge de programació*.  Source:



*R, Docs*. Source:(https://cran.r-project.org/doc/manuals/r-release/R-lang.html)



*Apply, lapply, sapply functions in R*,

 Source:



*R Classes and Objects*,  Source: