4  Typy objektů

Jednou z velkých životních pravd je, že vše v R je objekt. Některé objekty jsou velmi jednoduché, jiné mají komplexní strukturu. Každý objekt s má své využití a všechna data, se kterými budeme pracovat, budou uložena v některém z nich. Vyplatí se proto mít alespoň základní přehled o tom, s jakými typy objekty se v R můžeme setkat.

4.1 Atomové vektory

Nejzákladnějšími objekty je takzvané atomické vektory (atomic vectors). Atomické vektory jsou základním stavebním kamenem R a všechny ostatní objekty, se kterými se setkáme, z nich vychází. Každý vektor je složen z určitého počtu elementů, tedy dílčích částí. Atomový vektor s jedním elementem představuje základní jednotku informace. Příkladem takového vektoru je:

"Fred"

[1] "Fred"

Výše zmíněný je takzvaný character vektor, obsahující jeden element, Fred. Vektory ale mohou obsahovat i více elementů:

c("Fred", "Daphne", "Velma", "Shaggy", "Scooby")

[1] "Fred"   "Daphne" "Velma"  "Shaggy" "Scooby"

Na rozdíl od předchozího příkladu, tento vektor obsahuje pět elementů. Všimněte si, že elementy jsou spojeny do jednoho vektoru pomocí funkce c() (zkratka pro combine). R zná čtyři typy atomových vektorů:

Typy atomových vektorů

Typ	Popis	Příklady
character	Písmena a další znaky. Poznáte je podle toho, že elementy jsou “obaleny” úvozkovami (" nebo ').	"Fred", "?", "1"
integer	Celá čísla. Spolu s typem double tvoří skupinu numerických (numeric) vektorů.	-1, 316, 17
double	Desetinná čísla. Zkratka pro double precision floating point format. Spolu s typem integer tvoří skupinu numerických (numeric) vektorů.	1.32, 0.1, -9.0
logical	Binární vektor, který může nabývat pouze dvou hodnota: pravda (TRUE) a nepravda (FALSE).	TRUE, FALSE

(Technicky existují ještě dva další typy atomových vektorů, raw a complex, s těmi se ovšem běžný uživatel nikdy nesetká, takže je přeskočíme.)

1 není “1”

Při práci s R je třeba si dát pozor na to, že ne vše, co vypadá jako číslo, nutně číslo je. R vám s radostí spočítá průměr vektoru c(1,2,3), pokud byste se pokusili spočítat průměr vektoru c("1", "2", "3"), narazíte na problém a chybovou hlášku. Proč? Protože zatímco první vektor je typu numeric (konkrétně integer), druhý vektor je typu character. R tedy druhý vektor vidí v podstatě jako písmena a pro písmena se průměr spočítat přeci nedá!

Pro atomové vektory platí, že jejich elementy musí být stejného typu. Není tedy možné vytvořit atomový vektor, který by byl kombinací znaků a čísel (c(18, "Fred"). Pokud se to pokusíte, R vás buď zastaví nebo převede všechny elementy do stejného typu (c("18", "Fred")). Na toto automatické převádění elementů typů si dávejte pozor, jedná se o častý zdroj chyb a problémů.

Kromě běžných hodnot, kterých mohou elementy nabývat, existují tři speciální hodnoty, se kterými se budeme setkávat. Těmi jsou NA a NULL aNaN. NA představuje chybějící hodnotu ve statistickém smyslu slova. Setkáme se s ní pokud respondenti odmítnou odpovědět na některou z otázek v dotazníkovém šetření nebo pokud R nemá dostatek informací pro výpočet nějaké veličiny. Jedná se tedy o hodnotu existující, ale nám neznámou. Naproti tomu NULL reprezentuje absenci platné hodnoty. Setkáme se s ní v situaci, kdy žádné pozorování v datasetu neodpovídá námi specifikovaným filtrům. Hodnota NaN je zkratkou pro “Not a Number”. Pokud se s ní setkáte, znamená to zpravidla, že jste se dopočítali někam, kam jste nechtěli.

4.2 Faktory

Komplikovanějším typem vektoru jsou takzvané faktory. Jedná se v podstatě integer vektory, jejichž hodnotám bylo přiřazeno slovní označení (label):

[1] Agree    Neutral  Disagree
Levels: Agree Disagree Neutral

Přestože se faktory na první pohled tváří jako běžné character vektory, každé kategorii byla přiřazena číselná hodnota. V našem případě "Agree" = 1, "Disagree = 2, "Neutral = 3" (všimněte si, že číselné hodnoty byly přiřazeny podle abecedního pořadí slovních označení). Toho mnoho R funkcí využívá při statistických výpočtech, v rámci kterých je třeba zakódovat kategorické proměnné do číselných hodnot. S faktory se proto v datové analýze setkáme velmi často, ať už se bude jednat o odpovědi na likertovské položky v dotazníkových šetřeních, název bydliště nebo třeba název prodaného produktu.

Další důležitou vlastností faktoru je, že mohou nabývat pouze hodnot, které byly definovány při jejich vytvoření:

factor(x = c("Agree", "Neutral", "Disagree", "Don't know"),
       levels = c("Agree", "Neutral", "Disagree"))

[1] Agree    Neutral  Disagree <NA>    
Levels: Agree Neutral Disagree

Přestože se v “datech” se vyskytují čtyři různé hodnoty, hodnota "Don't know" byla po vytvoření faktoru převedena na NA. Důvodem je, že jsme při vytváření našeho faktoru uvedli pouze tři platné hodnoty: "Agree", "Neutral", "Disagree" a žádná další nebude naším faktorem akceptována. Tato vlastnost se hodí zejména v situacích, kdy víme, jakých hodnot může proměnná nabývat, například u likertovských položek, a všechny ostatní naměřené hodnoty jsou nutně chybné.

Nakonec ještě zmiňme, že kromě klasických faktorů existují také takzvané ordered factors. Historicky se jednalo o faktory, které nemají pevně dané pouze to, jakých hodnot mohou elementy nabývat, ale i v jakém pořadím mají být seřazeny. Většina současných funkcí mezi klasickými a ordered faktory nerozlišuje, takže se jimi zpravidla nemusíte trápit.

Klasický faktor lze vytvořit funkcí factor(), ordered faktor poté pomocí funkce ordered().

4.3 Matice a tabulky

Do této chvíle jsme viděli pouze jednorozměrné vektory, jako je například řada jmen v character vektoru. V datové analýze se ale budeme běžně setkávat i s vícerozměrnými objekty, z nichž tím nejzákladnějším je matice (matrix). Jedná se o starou známou matici, kterou si můžete pamatovat z hodin matematiky:

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9

V příkladu výše vidíme dvourozměrnou matici s devíti elementy. Matice mohou mít i více dimenzí a v takovém případě jim říkáme arrays.

Matice jsou samozřejmě extrémně důležité pro jakoukoliv manipulaci s daty. Pokud si již ovšem z hodin lineární algebry mnoho nepamatujete, nemusíte panikařit. Mnoho funkcí sice matice interně využívá, jejich uživatelé to ovšem často ani nepostřehnout. Matematické operace jsou v R značně abstrahované a většina běžných datových analytiků proto s maticemi interaguje minimálně. Pokud byste je někdy potřebovali vytvořit, poslouží vám k tomu funkce matrix() a array().

Typem objektu, se kterým se setkáte o něco častěji, je tabulka (table). Tabulky jsou také maticemi, jejichž dimenzím byla přiřazena slovní označení. Nejčastěji se s tabulkami setkáme při agregací vektorů. Příkladem tabulky je například

Dislike    Like 
      7      13 

Tato tabulka je výsledkem funkce table(), aplikované na atomový character vektor obsahující sedmkrát hodnotu Dislike a třináctkrát hodnotu Like. Studenti sociálních věd také jistě budou znát kontingenční tabulky, tedy frekvenční tabulky pro dvě nebo více proměnných:

         Preference
Transport Dislike Like
     Bike       4    6
     Bus        5    5
     Car        4    6

Jak matice, tak tabulky, mohou nepřekvapivě obsahovat pouze numerické elementy.

4.4 Listy

Všechny předchozí typy objektů mohli uchovávat pouze elementy stejného typu. Realita je ovšem komplikovanější a je na nás, abychom se jí přizpůsobili.

Základním typem objektu pro uchovávání elementů různého typu je list:

[[1]]
[1] 1

[[2]]
[1] "Fred"

[[3]]
[1] TRUE

Listy mohou uchovávat objekty různých typů, v podstatě bez jakýchkoliv omezení. List může dokonce obsahovat jiný list! Poradí si dokonce i s objekty různé délky:

[[1]]
[1] "Fred"   "Daphne" "Velma"  "Shaggy" "Scooby"

[[2]]
[1]  42.0   1.3 666.0

[[3]]
[1]  TRUE FALSE

[[4]]
[[4]][[1]]
[1] "Car"

[[4]][[2]]
[1] "Bus"

[[4]][[3]]
[1] "Bike"

Díky své flexibilitě se listy využívají primárně pokud chceme uchovávat velmi různorodá data na jednom místě. Většina výstupů statistických analýz bude právě ve formě listu. List je možné vytvořit funkcí list().

4.5 Dataframy

To nejlepší jsme si nechali nakonec. Zdaleka nejužitečnějším typem objektu pro datového analytika je dataframe:

      V1 V2    V3
1   Fred 16 FALSE
2 Daphne 16 FALSE
3  Velma 15 FALSE
4 Shaggy 17 FALSE
5 Scooby  3  TRUE

Dataframy slouží stejnému účelu jako spreadsheety v jiných softwarech. Je v nich uchovávaná drtivá většina všech dat a pracuje s nimi většina funkcí, se kterými se v této knize setkáme. U běžného dataframu platí, že každý sloupec představuje jednu proměnnou a každý řádek jedno pozorování (např. respondenta).

Zvláštní vlastností dataframů je, že všechny jeho elementy musí být stejně dlouhé. Jinak řečeno, pro každou proměnnou musíme mít stejný počet pozorování. Co když tomu tak není? V takovém případě vstupuje do hry hodnota NA, zmíněná dříve, která kóduje chybějící hodnoty. Například v následujícím dataframu máme ve druhém sloupci jen čtyři hodnoty, plus jednu NA:

      V1 V2    V3
1   Fred 16 FALSE
2 Daphne 16 FALSE
3  Velma 15 FALSE
4 Shaggy NA FALSE
5 Scooby  3  TRUE

Jak jsme již zmínili, naprostá většina naší práce bude probíhat v dataframech. Konkrétně budeme využívat speciální typ dataframu, zvaný tibble. Tibble je druh dataframu pocházející z Tidyverse, a většinou se chová identicky jako jeho základní varianta. Hlavním rozdílem je o něco hezčí vzhled.

Klasický dataframe je možný vytvořit funkcí data.frame(), tibble poté pomocí funkce tibble().