이거 쿡복 보니까 시리즈가 개 많고... 분량이 그냥 종류별로 있습니다... 농담같지만 실화임.
그래서 세부적으로 나갈거예요... 근데 데이터프레임에 csv 불러오는 건 생각 좀 해봐야겠음. 분량이 정말 살인적입니다. 농담 아님.
아 참고로 데이터프레임 정리하기에 라이브러리가 하나 필요합니다. plyr이라고...
그거 없이 하는 방법도 있긴 한데 나중에 뭉텅이로 처리하려면 plyr 필요해요.
install.packages("plyr")설치 ㄱㄱ.
벡터는 sort()로 정렬한다. 그죠 여기 벡터가 나온다는 건 데이터프레임도 있다 이겁니다. (스포일러)
> v=sample(1:25)
> v
[1] 11 2 12 18 23 21 22 14 3 19 13 9 1 16 5 20 6 10 25 8 4 15 24 7 17지쟈쓰 붓다 알라신을 부르게 만드는 이 데이터를 깔끔하게 정리했으면 좋겠다 그죠?
> sort(v)
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
> sort(v,decreasing=TRUE)
[1] 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1해(별)결. decreasing=TRUE는 파이썬 판다스에서 ascending=T, F 주는것과 비슷하다. 저기에 트루가 들어가면 내림차순. (ascending은... 뭐더라...)
> library(plyr)
> arrange(data,Molecular.Weight)분자량 순으로 정렬한 것. 참고로 터미널에서 부르다보니 분량이 장난없어서 캡처고 뭐고 복사부터 안된다.
> arrange(data,Molecular.Weight,HBA)이건 분자량과 수소결합 받개로 정렬한다는 얘기.
> arrange(data,-Type)> arrange(data,Smiles,-HBA)역방향 정렬은 이런 식으로 -를 붙여서 하면 된다.
> data[order(data$Name),]단식(이름 정렬)
> data[order(data$Type,data$Molecular.Weight),]복식(타입, 분자량)
> data[do.call(order,as.list(data)),]이것도 정렬하는거라는데 뭔지는 모름. (사실 데이터가 방대해서 확인 못했다)
> data[order(-data$Molecular.Weight),]> data[order(data$Smiles,-data$Type),]얘도 일단 - 붙이면 역방향으로 정렬된다.
위에서도 잠깐 나왔던 그 코드.
> v=11:20
> v
[1] 11 12 13 14 15 16 17 18 19 20
> v=sample(v)
> v
[1] 13 11 14 18 16 20 19 17 12 15근데 깔끔하게 만들어놓고 굳이 다시 개판치는 이유가 뭐냐... 머신러닝 학습용 만드나
> data=data[sample(1:nrow(data)),]데이터프레임은 이거 쓰면 된다.
각각 문자, 숫자, 팩터로 바꿔주는 것.
> v
[1] 13 11 14 18 16 20 19 17 12 15
> w=as.character(v)
> x=factor(v)이런 식으로 바꾼 다음 str()를 이용해 구조를 확인해보자.
> str(v)
int [1:10] 13 11 14 18 16 20 19 17 12 15
> str(w)
chr [1:10] "13" "11" "14" "18" "16" "20" "19" "17" "12" "15"
> str(x)
Factor w/ 10 levels "11","12","13",..: 3 1 4 8 6 10 9 7 2 5(끄덕)
문자와 팩터끼리는 상호전환이 되는데 숫자와 팩터는 바로 되는 게 아니라 문자 한 번 찍고 가야 한다.
> x
[1] 13 11 14 18 16 20 19 17 12 15
Levels: 11 12 13 14 15 16 17 18 19 20
> as.numeric(x)
[1] 3 1 4 8 6 10 9 7 2 5
# 뭐야 앞글자 돌려줘요팩터를 바로 numeric 줘 버리면 이렇게 된다. 어? 근데 as numeric이 낯이 익으시다고요? 실례지만 판다스 하셨음?
> z=unclass(x)
> z
[1] 3 1 4 8 6 10 9 7 2 5
attr(,"levels")
[1] "11" "12" "13" "14" "15" "16" "17" "18" "19" "20"참고로 as.numeric() 말고 unclass()로도 숫자형 된다.
살다보면 중복값이 있을 때가 있다. 그걸 언제 다 세고 앉았겠음...
> a
[1] 4 12 2 26 13 2 15 17 16 7 25 14 4 -12 21 10 10 19 18
[20] 16근데 이게 중복이 있어? 있으면 그것도 웃길듯
> duplicated(a)
[1] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
[13] TRUE FALSE FALSE FALSE TRUE FALSE FALSE TRUE왜 있는거죠
> a[duplicated(a)]
[1] 2 4 10 16
> unique(a[duplicated(a)])
[1] 2 4 10 16
# 얘는 반복 없이 걍 띄워주는 듯. python의 set같은 것사실 위에놈이나 밑에놈이나 그게 그거같아보이지만, unique()는 중복인 항목이 삼중 사중이어도 걍 하나로 뽑아준다. python의 set 같은 역할.
> unique(a)
[1] 4 12 2 26 13 15 17 16 7 25 14 -12 21 10 19 18
> a[!duplicated(a)]
[1] 4 12 2 26 13 15 17 16 7 25 14 -12 21 10 19 18중복이요? 뺄 수는 있음.
이건 사실 단식 벡터긴 한데 데이터프레임에서도 먹힌다.
> duplicated(data)
[1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[49] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[61] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[73] FALSE FALSE FALSE FALSE FALSE FALSE씁 근데 이건 좀... 저거 개 방대함...
> duplicated(data$Type)
[1] FALSE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[13] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE FALSE TRUE
[25] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[37] TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE
[49] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[61] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[73] TRUE TRUE TRUE TRUE TRUE TRUE그래서 일단 분자 타입을 픽해보겠다.
고유값 다 어디갔......
> data[duplicated(data),]
[1] ChEMBL.ID Name
[3] Synonyms Type
[5] Max.Phase Molecular.Weight
[7] Targets Bioactivities
[9] AlogP Polar.Surface.Area
[11] HBA HBD
[13] X.RO5.Violations X.Rotatable.Bonds
[15] Passes.Ro3 QED.Weighted
[17] CX.Acidic.pKa CX.Basic.pKa
[19] CX.LogP CX.LogD
[21] Aromatic.Rings Structure.Type
[23] Inorganic.Flag Heavy.Atoms
[25] HBA..Lipinski. HBD..Lipinski.
[27] X.RO5.Violations..Lipinski. Molecular.Weight..Monoisotopic.
[29] Molecular.Species Molecular.Formula
[31] Smiles데이터프레임 전역에 대한 결과.
저기 겹치는 항목이 왜 있지? 라고 생각하실 수도 있는데 ChEMBL빨 데이터가 생각보다 공백이 많다. 그래서 scatter plot 그릴 때도 dropna() 처리하고 그렸다. 그리고 그렇게 날려먹으면 못 쓰는거 꽤 많다. (dropna()가 특정 컬럼만 되는 게 아니라 묻따않 공백 빠이염이 되버림)
> data[!duplicated(data$Name),]이렇게 하면 특정 컬럼에서 겹치는 걸 볼 수 있다.
> unique(data$Name)
[1] IODINE I 131 DERLOTUXIMAB BIOTIN
[3] biotin-geranylpyrophosphate BIOTIN
4 Levels: BIOTIN ... IODINE I 131 DERLOTUXIMAB BIOTIN아 픽도 됩니다. (해당 DB는 바이오틴 관련 compound) 근데 compound 80몇개 중에 이름 있는 게 저거뿐인 건 좀 심한 거 아니냐고...
> df <- data.frame( a=c(TRUE,TRUE,TRUE,FALSE,FALSE,FALSE,NA,NA,NA),
+ b=c(TRUE,FALSE,NA,TRUE,FALSE,NA,TRUE,FALSE,NA))
> df
a b
1 TRUE TRUE
2 TRUE FALSE
3 TRUE NA
4 FALSE TRUE
5 FALSE FALSE
6 FALSE NA
7 NA TRUE
8 NA FALSE
9 NA NA이걸로 해 볼건데...
일단 NA는 결측값이라(Null은 아예 빈 거고 얘는 결측값으로 채워져 있는 상태) 비교가...
> df$a == df$b
[1] TRUE FALSE NA FALSE TRUE NA NA NA NA안된다.
파이썬 판다스는 그래서 NA 빼고 계산한다.
> data.frame(df, isSame = (df$a==df$b))
a b isSame
1 TRUE TRUE TRUE
2 TRUE FALSE FALSE
3 TRUE NA NA
4 FALSE TRUE FALSE
5 FALSE FALSE TRUE
6 FALSE NA NA
7 NA TRUE NA
8 NA FALSE NA
9 NA NA NA한 쪽이라도 NA가 있으면 비교를 거부하는 모습이다. 이걸 쿡북에서는 함수 짜서 해결 봤는데
> compareNA=function(v1,v2){
+ same=(v1==v2)|(is.na(v1)&is.na(v2))
+ same[is.na(same)]=FALSE
+ return(same)
+ }그게 이거다.
> compareNA(df$a,df$b)
[1] TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE> data.frame(df,isSame = compareNA(df$a,df$b))
a b isSame
1 TRUE TRUE TRUE
2 TRUE FALSE FALSE
3 TRUE NA FALSE
4 FALSE TRUE FALSE
5 FALSE FALSE TRUE
6 FALSE NA FALSE
7 NA TRUE FALSE
8 NA FALSE FALSE
9 NA NA TRUE일단 NA랑 NA가 있으면 같은걸로 쳐주는 듯.
역시나 둘 다 plyr이 있어야 한다... 여기서는 크게 범주형 자료와 수치형 자료에 대한 리코딩을 진행할 것이다.
두 데이터간 차이는 숫자로 측정이 되느냐 안 되느냐 여부. 일단 범주형 데이터의 예시로는 분자의 타입이 있고, 수치형 데이터의 예시로는 분자량이 있다.
> data$Type
[1] Small molecule Small molecule Small molecule Small molecule
[6] Small molecule Small molecule Small molecule Small molecule
[11] Small molecule Small molecule Small molecule Small molecule Small molecule
[16] Small molecule Small molecule Small molecule
[21] Antibody Small molecule Protein Small molecule Small molecule
[26] Small molecule Small molecule Small molecule Small molecule Small molecule
[31] Small molecule Small molecule Small molecule Small molecule
[36] Small molecule Small molecule Small molecule
[41] Small molecule Unknown Small molecule Small molecule Small molecule
[46] Small molecule Small molecule Small molecule Small molecule Small molecule
[51] Small molecule Small molecule Small molecule Unknown Small molecule
[56] Small molecule Small molecule Small molecule Small molecule
[61] Small molecule Small molecule Small molecule Small molecule Small molecule
[66] Small molecule Small molecule Small molecule Small molecule Small molecule
[71] Small molecule Small molecule Small molecule Small molecule Small molecule
[76] Small molecule Small molecule Small molecule
Levels: Antibody Protein Small molecule Unknown이게 분자 타입. 작은 분자냐 항체냐 모르는거냐 단백질이냐에 따라 나눈다. 공백 뭐냐 즉, 수치로 측정할 수 있는 자료가 아니다.
> data$code=revalue(data$Type,c("Antibody"="A","Small molecule"="S","Protein"="P","Unknown"="U"))
> data$code
[1] S S S S S S S S S S S S S S S S A S P S S S S S S S S S S S S S
[39] S S U S S S S S S S S S S S U S S S S S S S S S S S S S S S S S S S S S
[77] S S
Levels: A P S Urevalue()
> data$code=mapvalues(data$Type,from=c("Antibody","Small molecule","Protein","Unknown"),to=c("A","S","P","U"))
> data$code
[1] S S S S S S S S S S S S S S S S A S P S S S S S S S S S S S S S
[39] S S U S S S S S S S S S S S U S S S S S S S S S S S S S S S S S S S S S
[77] S S
Levels: A P S Umapvalues()
> data$code[data$Type=="Antibody"]="A"아 상여자는 라이브러리따원 쓰지 않는다네 그리고 저걸 일일이 다 쳐야된다
다음 예시를 보자.
> data$Molecular.Weight
[1] 258.34 453.57 980.28 618.71 1838.31 634.78 919.07 789.01 650.05
[10] 1839.29 582.12 847.94 729.44 1646.16 641.93 718.87 814.15 602.71
[19] 814.97 814.02 NA 584.84 3269.70 1041.18 1075.19 700.86 605.75
[28] 1942.31 444.56 565.67 947.12 500.67 1625.96 913.05 542.68 923.15
[37] 1351.45 590.66 574.66 667.87 913.15 2532.95 1265.49 668.86 555.53
[46] 381.55 1187.32 566.12 682.82 651.23 1323.40 806.99 631.75 2625.32
[55] 326.43 764.39 606.62 1460.41 747.94 786.91 1074.26 429.52 786.99
[64] 1058.26 1474.77 549.67 1234.09 1278.10 244.32 854.06 891.95 718.84
[73] 773.45 728.92 834.14 923.15 1753.23 615.75바이오틴과 관련 있는 분자들의 분자량이다. NA가 좀 거슬리긴 하지만 패스. 분자량은 숫자로 측정하는 데이터 중 하나이다.
> data$category[data$Molecular.Weight > 500]="Large"
> data$category[data$Molecular.Weight <= 500]="Small"
> data$category
[1] "Small" "Small" "Large" "Large" "Large" "Large" "Large" "Large" "Large"
[10] "Large" "Large" "Large" "Large" "Large" "Large" "Large" "Large" "Large"
[19] "Large" "Large" NA "Large" "Large" "Large" "Large" "Large" "Large"
[28] "Large" "Small" "Large" "Large" "Large" "Large" "Large" "Large" "Large"
[37] "Large" "Large" "Large" "Large" "Large" "Large" "Large" "Large" "Large"
[46] "Small" "Large" "Large" "Large" "Large" "Large" "Large" "Large" "Large"
[55] "Small" "Large" "Large" "Large" "Large" "Large" "Large" "Small" "Large"
[64] "Large" "Large" "Large" "Large" "Large" "Small" "Large" "Large" "Large"
[73] "Large" "Large" "Large" "Large" "Large" "Large"얘는 또 category여...? 아, 여기서는 분자량 500을 기준으로 나누었다. 기준에 대해서는 나중에 또 알아보도록 하자.
> data$category=cut(data$Molecular.Weight, breaks=c(0,500,Inf),labels=c("Small","Large"))
> data$category
[1] Small Small Large Large Large Large Large Large Large Large Large Large
[13] Large Large Large Large Large Large Large Large <NA> Large Large Large
[25] Large Large Large Large Small Large Large Large Large Large Large Large
[37] Large Large Large Large Large Large Large Large Large Small Large Large
[49] Large Large Large Large Large Large Small Large Large Large Large Large
[61] Large Small Large Large Large Large Large Large Small Large Large Large
[73] Large Large Large Large Large Large
Levels: Small Large저렇게 여러 줄 치기 귀찮으면 cut()으로 나누면 된다.
> data$ratio=data$HBA/data$HBD
경고메시지(들):
In Ops.factor(data$HBA, data$HBD) :
요인(factors)에 대하여 의미있는 ‘/’가 아닙니다.
> data$ratio
[1] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
[26] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
[51] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
[76] NA NA NA근데 저거 엄연히 수치가 있는건데 왜 NA가 뜨는겨...
> data$HBA
[1] 4 7 12 10 None 9 17 13 12 None 9 14 8 None 10
[16] 10 9 9 14 12 8 None None None 11 7 None 7 9
[31] 17 7 None 19 5 15 None 10 9 7 16 None None 9 7
[46] 6 None 8 10 9 None 8 11 None 4 10 7 None 10 14
[61] None 4 13 None None 8 None None 3 11 15 10 9 10 11
[76] 15 None 10
Levels: 10 11 12 13 14 15 16 17 19 3 4 5 6 7 8 9 None
> data$HBD
[1] 2 5 6 3 None 8 3 3 6 None 6 12 3 None 8
[16] 8 5 2 3 9 3 None None None 8 3 None 3 6
[31] 3 3 None 13 5 3 None 3 2 5 4 None None 7 6
[46] 3 None 5 5 8 None 8 6 None 3 9 6 None 9 3
[61] None 4 3 None None 5 None None 3 5 13 6 3 6 5
[76] 3 None 5
Levels: 12 13 2 3 4 5 6 7 8 9 None내가 있다고 했잖음.
> data$sum = as.numeric(data$HBA) + as.numeric(data$HBD)
> data$sum
[1] 16 22 12 7 30 27 14 10 12 30 25 8 21 30 12 12 24 21 11 15 2 21 30 30 30
[26] 13 20 30 20 25 14 20 30 13 20 12 30 7 21 22 14 30 30 26 23 19 30 23 9 27
[51] 30 26 11 30 17 13 23 30 13 11 30 18 10 30 30 23 30 30 16 10 10 10 22 10 10
[76] 12 30 9(마른세수) 쟤네 팩터라 숫자로 바로 바꾸면 안된다.
> data$sum = as.numeric(as.character(data$HBA)) + as.numeric(as.character(data$HBD))
경고메시지(들):
1: 강제형변환에 의해 생성된 NA 입니다
2: 강제형변환에 의해 생성된 NA 입니다
> data$sum
[1] 6 12 18 13 NA 17 20 16 18 NA 15 26 11 NA 18 18 14 11 17 21 NA 11 NA NA NA
[26] 19 10 NA 10 15 20 10 NA 32 10 18 NA 13 11 12 20 NA NA 16 13 9 NA 13 15 17
[51] NA 16 17 NA 7 19 13 NA 19 17 NA 8 16 NA NA 13 NA NA 6 16 28 16 12 16 16
[76] 18 NA 15이중변환 해야 한다...
여기서도 plyr이 쓰일 줄은 몰랐고...
> str=c("alpha","omicron","pi")
> revalue(str,c("alpha"="sigma"))
[1] "sigma" "omicron" "pi"> mapvalues(str,from=c("alpha"),to=c("sigma"))
[1] "sigma" "omicron" "pi"벡터값 매핑도 revalue()와 mapvalues()로 한다. 단, revalues()는 숫자 매핑은 안된다.
> mapvalues(v,from=c(1,2),to=c(11,12))
[1] 3 6 8 9 12 5 7 4 10 11근데 시그마 하니 록맨 X의 시그마가 생각나는군... X5 스테이지 브금이 아주 클럽 브금이었음...
생각난 김에 듣고 가자. 아니 이게 무슨 흐름이지
> str[str=="alpha"]="sigma"
> str
[1] "sigma" "omicron" "pi"> v[v==2]=12
> v
[1] 3 6 8 9 12 5 7 4 10 1라이브러리 없이도 되긴 된다. 값이 많으면 좀 귀찮아지긴 하겠지만...
> sub("^sigma$","omicron",str)
[1] "omicron" "omicron" "pi"
> gsub("o","O",str)
[1] "sigma" "OmicrOn" "pi"sub()과 gsub()도 된다고 합니다.
| R 배워보기- 6.3. Manipulating data-Data Frames (0) | 2022.08.20 |
|---|---|
| R 배워보기- 6.2. Manipulating data-Factors (0) | 2022.08.20 |
| R 배워보기-5. 데이터 불러오고 쓰기 (0) | 2022.08.20 |
| 번외편-R로 미적분 하기 (0) | 2022.08.20 |
| R 배워보기-4. 공식 (0) | 2022.08.20 |
