Chapter 5 R-Console

Die R-Console ist eine Kommandozeilen-Umgebung, in die R-Befehle eingegeben werden können. Sie ist die Standard-Benutzerschnittstelle einer R-Installation.

In R-Studio ist die R-Console auch verfügbar und als Voreinstellung im linken, unteren Quadranten zu finden. Die Console akzeptiert alle Befehle und versucht, sie als R-Befehle zu interpretieren und auszuführen. Die Ergebnisse der Ausführung werden direkt in der Console ausgegeben, dann wartet die Console auf weitere Eingaben.

Es gibt zahlreiche andere Möglichkeiten, R zu nutzen.

5.1 Notes and Examples - Hinweise und Beispiele

5.1.1 Stichpunkte

  • Konsole als interaktive Schnittstelle zu R

  • Kommandozeile (Cursor)

  • versucht, Eingaben als R-Befehle zu interpretieren

  • ein paar Beispiele simpler Mathe

  • Textzeilen mit Kommandos, die abgearbeitet werden (R-Programm wäre viele solcher Zeilen, s. u.)

  • Zeile zurückholen

  • Copy und Paste aus history in command line

  • copy-paste aus anderen Quellen möglich

  • Ergebnisse “laufen durch”

  • R kennt Objekte

  • R hat viele vordefinierte Objekte (z. B. pi)

  • Wir können Objekte definieren, indem wir einem Objekt einen Namen geben und ihm einen Inhalt zuweisen über <- oder =

  • Objekte werden im Environment gespeichert

  • Wir benutzen Objekte, indem wir ihren Namen gebrauchen

  • R kennt Funktionen (z. B. sqrt(), log(), exp() )

  • Wir erkennen Funktionen an den Klammern (brackets)

  • In den Klammern übergeben wir Argumente

  • geschachtelte R-Ausdrücke werden von innen nach außen aufgelöst

  • Mini statistics sum()

    1. B. Körpergrößen: 180, 176, 180, 182, 160, 156, 165, 160, 159, 189

  • sd(), var(), mean()

  • Objekte können ein oder mehrere Elemente enthalten

  • combine: c()

  • Daten-Objekt

  • Grafiken werden ebenfalls über Befehle erzeugt, wir programmieren Grafiken

  • Grafiken in eigenem Fenster, können aber über Befehle gespeichert werden oder per copy-paste in andere Dokumente integriert werden

  • Tabellen als Datenobjekte data.frame

  • Ergebnisobjekte

5.1.2 Examples

Versuche und Demos

# a first impression on R using the console and some very basic concepts
# objects, functions, data objects, descriptive stats and a first impression on graphs
version
##                _                           
## platform       x86_64-apple-darwin17.0     
## arch           x86_64                      
## os             darwin17.0                  
## system         x86_64, darwin17.0          
## status                                     
## major          4                           
## minor          1.3                         
## year           2022                        
## month          03                          
## day            10                          
## svn rev        81868                       
## language       R                           
## version.string R version 4.1.3 (2022-03-10)
## nickname       One Push-Up
# simple computations
17 * 5
## [1] 85
(4 + 5) * 2  # precedence of multiplication and parenthesis
## [1] 18
2e+04        # exponential writing of numbers
## [1] 20000
# simple objects: containers with a name
# f. e. number pi
# objects show their content in the console, if we call them by name
pi
## [1] 3.141593
# we can use them instead of number input
pi ** 2
## [1] 9.869604
# we can define our own objects using "=" or even clearer "<-" and use them
pi_2 <- pi ** 2
pi_2
## [1] 9.869604
# we can create our own objects by assigning something to a name using "=" or "<-"
ss = "Paul who made the highscore recently" # we create an object that contains a string
aa = 3948527349584259827                    # the content of aa is a large number
rr <- sqrt(9)                               # rr stores the result of a function call
# we can use objects by calling/using the name
ss  # shows the string contained
## [1] "Paul who made the highscore recently"
aa  # shows the number stored
## [1] 3.948527e+18
# functions, are objects that have parameters in brackets
# a lot of them are predefined in R base or in packages, but we can define our own functions also
# parameters depend on the function in question, some might not even need any: empty brackets ()
getwd()     # returns the current working directory
## [1] "/Users/pzezula/ownCloud/lehre_ss_2022/unit/b_environment/r-console"
Sys.time()  # returns the current date and time
## [1] "2022-04-21 15:20:48 CEST"
# Sys.getenv() would return all system variables, to get a specific one we ask for it
Sys.getenv("PATH")
## [1] "/usr/bin:/bin:/usr/sbin:/sbin:/usr/local/bin:/Library/TeX/texbin:/opt/X11/bin:/Applications/RStudio.app/Contents/MacOS/postback"
# sqrt() needs at least one parameter
# sqrt() # would cause an error, try it
sqrt(9) # returns 3
## [1] 3
log(10) # take the logarithm of 10
## [1] 2.302585
exp(0)  # compute the exponential value of 0 (=1)
## [1] 1
sin(1)  # sinus of 1
## [1] 0.841471
# we may use nested expressions in R
# the argument can itself be function, so the inner functions result is passed to the outer function
rr <- sqrt(3 * 3 * 9)
sqrt(rr)
## [1] 3
sin(sqrt(rr))
## [1] 0.14112
exp(sin(sqrt(rr)))
## [1] 1.151563
sqrt(sqrt(81))
## [1] 3
log(exp(0))
## [1] 0
# we can store the result of our nested expressions in an object, 
# as we can store anything in an object and use it by calling it's name
# we use a name of an existing object (rr) and therefore it is overwritten with the result of our nested expression
rr <- exp(sin(sqrt(rr)))

# using basic statistics
# f. e. if we have some  body heights 180, 176, 180, 182, 160, 156, 165, 160, 159, 189
# sum works
sum(180, 176, 180, 182, 160, 156, 165, 160, 159, 189)   # sum of our collected heights
## [1] 1707
mean(180, 176, 180, 182, 160, 156, 165, 160, 159, 189)  # idea: arithmetic mean, average height, doesn't work, why?
## [1] 180
# mean accepts only one unnamed parameter
# we better store our body heights in an object and use this instead
# heights <- 180, 176, 180, 182, 160, 156, 165, 160, 159, 189 would not work, we have to convert our values to a unit (vector) by using c()
heights <- c(180, 176, 180, 182, 160, 156, 165, 160, 159, 189)
# heights is a data object
# as with any other object we can access our data by using the name of the data object instead of using the values directly
mean(heights)
## [1] 170.7
sd(heights)
## [1] 11.91684
sum(heights)
## [1] 1707
# we can create graphs using commands
plot(heights)

boxplot(heights)

# imagine we also collected weights of the same observations
weights = c(60, 54, 110, 52, 62, 41, 71, 70, 44, 60)
length(weights) # number of values included
## [1] 10
mean(weights)   # average weight
## [1] 62.4
# now, we have two sources of data for the same people
# R can have multiple sources of data at a time
# so we could compare them f. e.
mean(heights) > mean(weights)
## [1] TRUE
# ... which is hopefully TRUE ;-)

# of course, R also knows data tables (vars in columns, observations in lines)
# they are called data frames in R base
# a first glance
dd <- data.frame(heights, weights)
# show our data table
dd
##    heights weights
## 1      180      60
## 2      176      54
## 3      180     110
## 4      182      52
## 5      160      62
## 6      156      41
## 7      165      71
## 8      160      70
## 9      159      44
## 10     189      60
# access weights in data table "data" using the $ operator
dd$weights
##  [1]  60  54 110  52  62  41  71  70  44  60
# calculate average heights
mean(dd$heights)
## [1] 170.7
# dd is also an object in R
# you can see it in the Environment in R-Studio
# you can also check its structure there by clicking on the little blue arrow in front of the name

# we can use multiple data objects in one plot
plot(heights, weights)

# the same using two columns of one data object
plot(dd$heights, dd$weights)

# we might play around with some more data and columns
ht     <- c(  180,   176,   180,   182,   160,   156,   165,   160,   159,   189)
wt     <- c(   60,    54,   110,    52,    62,    41,    71,    70,    44,    60)
gender <- c(  "m",   "m",   "f",   "f",   "f",   "f",   "f",   "f",   "f",   "m")
group  <- c(    1,     1,     1,     1,     1,     2,     2,     2,     2,     2)


dd <- data.frame(ht, wt, gender, group)

5.2 Aufgaben / Exercises

  • rechnen Sie mit der Konsole
  • definieren Sie Objekte verschiedenen Typs
  • überschreiben Sie Objekte und überprüfen Sie, was Sie getan haben
  • experimentieren Sie mit Funktionen
  • suchen Sie sich für Sie neue R-Funktionen und experimentieren Sie damit hierbei sind sog. Cheat-Sheets nützlich: Sie finden einige davon unter Help im R-Studio Menu, Websuchen helfen natürlich auch
  • machen Sie geschachtelte Ausdrücke in R
  • suchen Sie sich R-Code im Web, z. B. aus Tutorials, es gibt viele davon, und fügen ihn in die Konsole ein
  • machen Sie Versuche mit einfachen Statistikfunktionen
  • experimentieren Sie mit Daten-Arrays und Data-Frames
  • experimentieren Sie …

5.3 Screencast

{} screencast more simple principles is missing

5.4 Check

  • was ist die Konsole in R, brauche ich sie, wo finde ich sie?
  • was kann ich in der Konsole tun und wie geht das?
  • habe ich eine grobe Idee, was in R (Daten-)Objekte, Funktionen, Environment sind?
  • habe ich eine grobe Idee von Daten in R?

Version: 21 April, 2022 15:20