베리베리 라즈베리

R Language

그래픽 예제 뜯어보기

 

 

 

 

지난 포스팅을 나열해 드리겠습니다.

[IT/R] - R언어 | Part_1 R 다운로드 및 맛보기

[IT/R] - R언어 | Part_2 차근차근 그래픽 예제 뜯어보기 1

[IT/R] - R언어 | Part_3 차근차근 그래픽 예제 뜯어보기 2

[IT/R] - R언어 | Part_4 차근차근 그래픽 예제 뜯어보기 3

 

 

 

 

 

 

 

인공지능

 

빅데이터

 

머신러닝

 

딥러닝

 

4차 산업혁명

 

 

 

꼬리표를 또 달고

 

R언어 포스팅을 시작하겠습니다.

 

 

 

 

 

 

 

 

이번에는 polygon을 사용하여

 

그래프를 그려 보겠습니다.

 

 

 

 

 

 

 

polygon은 다각형, 각진 도형을 의미합니다.

 

 

 

 

 

 

 

폴리곤

 

어디서 많이 들어봤는데요

 

 

 

 

 

 

 

 

폴리곤이라 불리는 이 친구도

 

입체 다각형들의 집합입니다.

 

 

 

 

 

다각형 모양의 그래프는

 

점들의 연결으로 선이 생기는데

 

다른 두 종류의 선 사이를 칠하면

 

다각형의 모양이 나오게 됩니다.

 

 

 

 

 

 

이번에도 demo함수를 사용하여 

 

진행하겠습니다.

 

 

 

 

 

 

 

 

 

아래는 전체 소스코드 입니다.

 

 

par(bg="white") n <- 100 x <- c(0,cumsum(rnorm(n))) y <- c(0,cumsum(rnorm(n))) xx <- c(0:n, n:0) yy <- c(x, rev(y)) plot(xx, yy, type="n", xlab="Time", ylab="Distance") polygon(xx, yy, col="gray") title("Distance Between Brownian Motions")

 

이번에도 한줄씩 한줄씩

 

실행을 해 보시고

 

어떤 순서로 어떻게 생성되는지 

 

알아보시기 바랍니다.

 

 

 

 

 

 

 

 

 

 

par(bg="white")

 

 

먼저 배경색을 흰색으로 만들어 줍니다.

 

 

 

 

 

 

 

n <- 100

 

 

n에 100을 저장해 주고,

 

 

 

 

 

 

 

x <- c(0,cumsum(rnorm(n)))

 

n(100)개의 정규분포 난수를 생성하여 (참조 :[IT/R] - R언어 | Part_2 차근차근 그래픽 예제 뜯어보기 1)

누적합을 x에 넣어줍니다.

 

 

 

 

 

 

cumsum은 누적합을 구하는 함수입니다.

 

0이 들어가는 이유는

 

첫번째 인자부터 

 

더해진 값이 들어가기 때문에 넣습니다.

 

 

 

 

 

 

예를들어

 

아래 그림과 같이 qq에 1 2 3 4 5 를 넣고

 

cumsum (누적합)을 해 주시면

 

1 3 6 10 15의 값이 나온걸 확인하실 수 있습니다.

 

따라서 앞에 0을 넣어 0 1 3 6 10 15 순서로

 

배열을 넣어주었다 생각하시면 됩니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

y <- c(0,cumsum(rnorm(n)))

 

이전과 똑같이 정규분포 난수의 누적합을 y에 넣어줍니다.

 

 

 

 

 

 

 

 

xx <- c(0:n, n:0)

 

xx에 0부터 n까지(100), 

 

그리고 n(100)부터 0까지의 배열을 

 

넣어줍니다.

 

 

 

 

 

 

 

 

 

 

 

yy <- c(x, rev(y))

 

y값 배열의 역순을 yy에 저장해 줍니다.

 

rev는 reverse의 약자라고 보시면 됩니다.

 

아래와 같이 배열의 순서가 역순으로 됩니다.

 

 

 

 

 

 

 

 

plot(xx, yy, type="n", xlab="Time", ylab="Distance")

 

x,y축으로 이루어진 그래프를 만듭니다.

type="n"이므로 좌표를 찍지 않고 (참고 :[IT/R] - R언어 | Part_2 차근차근 그래픽 예제 뜯어보기 1)

 

x축과 y축의 제목을 넣어줍니다.

 

 

 

 

 

 

 

polygon(xx, yy, col="gray")

 

xx와 yy값의 좌표를 가지고 polygon. 즉 다각형의 그래프를 그립니다.

 

col처럼 여기도 다양한 옵션을 넣을 수 있습니다.

 

 

 

x, y -> 좌표

 

col -> 색상

 

lty -> 선 종류

 

lwd -> 선 굵기

 

density -> 선의 밀도

 

angle -> 선의 기울기

 

 

 

 

 

 

 

title("Distance Between Brownian Motions")

 

 

제목을 넣어줌으로 그래프를 완성합니다.

 

 

 

 

 

 

 

 

 

 

곧이어 다음 포스팅에서는 

 

가로 막대 그래프를 해보겠습니다.

 

 

 

 

 

 

 

감사합니다.

R Language

그래픽 예제 뜯어보기

 

 

 

 

 

 

지난 포스팅은 아래와 같습니다.

 

[IT/R] - R언어 | Part_1 R 다운로드 및 맛보기

[IT/R] - R언어 | Part_2 차근차근 그래픽 예제 뜯어보기 1

[IT/R] - R언어 | Part_3 차근차근 그래픽 예제 뜯어보기 2

 

 

 

 

 

 

 

 

인공지능

 

빅데이터

 

머신러닝

 

딥러닝

 

4차 산업혁명

 

 

 

꼬리표를 또 달고

 

R언어 포스팅을 시작하겠습니다.

 

 

 

 

 

 

 

 

 

 

이번에는 Boxplot을 사용하여

 

그래프를 그려 보겠습니다.

 

 

 

 

 

 

 

 

 

 

 

boxplot의 뜻은 "상자 수염 그림" 이라고 합니다. (?)

 

... 네 그렇다고 합니다.

 

 

 

 

 

 

그림은 되게 단순한데

 

여기에는 데이터의 5가지나 되는

 

많은 정보를 얻을 수 있습니다.

 

 

 

1. 최솟값

2. 제 1사분위

3. 제 2사분위

4. 제 3사분위

5. 최댓값

 

 

 

 

 

 

 

 

바로 예제 진행하겠습니다.

 

이전 포스팅과 동일하게

 

demo를 사용하여

 

진행하겠습니다.

 

[IT/R] - R언어 | Part_3 차근차근 그래픽 예제 뜯어보기 2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

전체 코드입니다.

 

 

 

 

par(bg="cornsilk") n <- 10 g <- gl(n, 100, n*100) x <- rnorm(n*100) + sqrt(as.numeric(g)) boxplot(split(x,g), col="lavender", notch=TRUE) title(main="Notched Boxplots", xlab="Group", font.main=4, font.lab=1)

 

 

 

 

 

 

바로 코드를 뜯어보겠습니다.

 

지금쯤이면 새로 보시는

 

sqrt, as.numeric, boxplot, split, notch 말고는 

 

다 아실것 같습니다.

 

 

 

 

 

par(bg="cornsilk")

 

 

cornsilk색으로 배경색을 지정해 줍니다.

 

 

 

 

 

 

 

 

 

n <- 10

 

 

n에 변수 10을 저장합니다.

 

 

 

 

 

 

 

 

 

g <- gl(n, 100, n*100)

 

g의 변수에 gl( )함수를 통한 값을 넣어줍니다.

 

 

 

 

 

gl( ) 함수는 요인 수열을 생성해 주는 함수입니다.

 

다 필요없고

 

예제를 보시면서 이해를 합시다.

 

gl(n, 100, n * 100) 이라고 되어 있습니다.

 

이에 따른 결과값으로는

 

 

위와같이 나오며

 

 

n의 값, 즉 10개의 레벨을 

 

* 따로 옵션값을 지정해 주지 않으면 

  숫자 1 ~ 카운팅 됩니다. 

 

각각 100번을 반복하고

 

총 갯수는 n * 100 즉, 1000개를 만든다

 

라고 보시면 됩니다.

 

 

 

 

추가적인 예제로

 

gl(2,3,labels=c("male","female"))

 

을 실행해 보시면

 

 

 

위와같은 화면을 보실 수 있으시고,

 

2개의 레벨을 가지고 

 

각 레벨당 3번의 반복 출력,

 

첫번째 예제와는 달리

 

그 레벨값은 male과 female로 지정해 주었습니다.

 

 

 

 

한번 직접 값을 몇개 넣어보시면 

 

와닿으실 겁니다.

 

 

 

 

 

 

 

 

 

 

x <- rnorm(n*100) + sqrt(as.numeric(g))

 

1000개의 정규분포 난수를 생성하여 (참조 :[IT/R] - R언어 | Part_2 차근차근 그래픽 예제 뜯어보기 1)

 

g값에 들어가 있는 각각의 제곱근 값과 더해줍니다.

 

 

 

 

 

 

 

n * 100개, 1000개의 정규분포 난수를 생성하여

 

앞서 만든 g값 ( 1 1 1 1 --- 2 2 2 2 --- 3 3 3 3 --- 10 10 10 10 )에 

 

sqrt 즉, 제곱근을 구해서 각각의 값에 더해줍니다.

 

 

위와같은 값들의 행렬을 보실 수 있습니다.

 

그래프에 넣을 데이터들은

 

만들어졌고,

 

 

 

 

 

 

이제 boxplot 그래프를 만들어 봅시다.

 

 

 

 

 

 

 

 

 

boxplot(split(x,g), col="lavender", notch=TRUE)

 

10개의 그룹으로 분할된 데이터들을 boxplot으로 생성합니다.

 

 

 

 

 

notch는 옵션들 중 하나인데, 

 

옵션들을 살펴보겠습니다.

 

 

 

 

 

col - 색상 선택

 

range - 박스의 끝에서 수염까지의 길이를 지정 (default : 1.5 )

 

notch - true 시, 상자의 허리부분을 가늘게 표시

 

width - 박스의 폭 지정

 

horizontal, outline, plot, boxwex 등등 많은 옵션들이 존재합니다.

 

 

 

 

 

찾으시는 옵션이 있다면

 

찾아서 적용해 보시기 바랍니다.

 

 

 

 

 

 

title(main="Notched Boxplots", xlab="Group", font.main=4, font.lab=1)

 

 

이전 포스팅을 보셨다면 그냥 한글 읽듯이 이해 하실 수 있으실 겁니다.

 

 

 

 

 

 

이상으로 boxplot 그래프에 대한 예제

 

마무리하겠습니다.

 

 

 

 

다음 포스팅에는 다각형과 가로 막대그래프를

 

만들어 보겠습니다.

 

 

 

 

 

 

감사합니다.

R Language

그래픽 예제 뜯어보기

 

 

 

 

 

 

 지난 포스팅은 아래와 같습니다.

[IT/R] - R언어 | Part_1 R 다운로드 및 맛보기

[IT/R] - R언어 | Part_2 차근차근 그래픽 예제 뜯어보기 1

 

 

 

 

 

 

지난 포스팅에 이어

 

 

 

 

인공지능

 

빅데이터

 

머신러닝

 

딥러닝

 

4차 산업혁명

 

 

 

꼬리표를 또 달고

 

R언어 포스팅을 시작하겠습니다.

 

 

 

 

 

 

 

 

 

 

 

이번에 보실 예제는 

 

pie( ) 함수가 주가 되어 

 

파이차트 , 원형차트를 사용해

 

실습을 진행하겠습니다.

 

 

 

 

 

 

 

 

 

 

저번 포스팅과 같이 데모를 사용하여

 

두번째 예제를 활용하여 진행하겠습니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

전체 코드입니다.

 

 

par(bg = "gray") pie(rep(1,24), col = rainbow(24), radius = 0.9) title(main = "A Sample Color Wheel", cex.main = 1.4, font.main = 3) title(xlab = "(Use this as a test of monitor linearity)", cex.lab = 0.8, font.lab = 3)

 

이번에도 

 

한줄씩 한줄씩 실행을 먼저 해 보시고

 

아래 코드를 보시면 될 것 같습니다.

 

 

 

 

 

 

 

 

 

 

 

par(bg = "gray")

 

 

배경색을 회색으로 하여 틀을 만들어 줍니다.

 

 

 

 

 

pie(rep(1,24), col = rainbow(24), radius = 0.9)

 

 

파이차트를 생성합니다.

 

 

 

 

 

 

pie( x , types ) 이렇게 사용 하는데,

 

rep(1,24) = c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1) 처럼

 

 동일하다 생각하시면 됩니다.

 

 

 

 

 

즉, 이렇게 사용 하셔도 됩니다.

 

xvalue <- c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)

 

pie( xvalue, types )

 

 

 

 

 

 

 

 

 

여기엔 다양한 옵션들을 넣을 수 있는데,

 

col -> 색상

 

radius -> 파이차트 크기

 

density -> 밀집도 (수)

 

angle -> 각도

 

clockwise -> 방향 ( T = 시계방향(default값) , F = 반시계방향 )

 

등이 있습니다.

 

 

 

 

 

 

 

 

위 숫자를 좀 더 변형 시켜서

 

이렇게 실행을 한다면 아래와 같은 결과를 보실 수 있습니다.

 

 

pie(rep(1,200), col = rainbow(200), radius = 1.0)

 

 

 

 

 

 

 

 

 

title(main = "A Sample Color Wheel", cex.main = 1.4, font.main = 3)

 

 

A Sample Color Wheel 이라는 제목을 주고 도형 및 글자 크기를 설정합니다.

 

 

 

 

 

 

 

 

 

title(xlab = "(Use this as a test of monitor linearity)", cex.lab = 0.8, font.lab = 3)

 

 

마찬가지로 x축 제목 및 도형, 글자 크기를 설정해 줍니다.

 

 

 

 

 

 

 

 

 

다음 예제는 

 

다양한 값의 크기를 가진 데이터들과

 

그 데이터에 이름을 붙여 

 

전형적인 원형차트로 보실 수 있습니다.

 

다음 예제의 전체 코드입니다.

 

 

pie.sales <- c(0.12, 0.3, 0.26, 0.16, 0.04, 0.12) names(pie.sales) <- c("Blueberry", "Cherry", "Apple", "Boston Cream", "Other", "Vanilla Cream") pie(pie.sales, col = c("purple","violetred1","green3","cornsilk","cyan","white")) title(main = "January Pie Sales", cex.main = 1.8, font.main = 1) title(xlab = "(Don't try this at home kids)", cex.lab = 0.8, font.lab = 3)

 

 

 

 

 

 

 

 

 

 

 

pie.sales <- c(0.12, 0.3, 0.26, 0.16, 0.04, 0.12)

 

먼저 pie.sales라는 이름을 가진 벡터 변수를 생성해 줍니다.

 

 

 

 

 

 

 

 

 

 

names(pie.sales) <- c("Blueberry", "Cherry", "Apple", "Boston Cream", "Other", "Vanilla Cream")

 

각각의 벡터값에 이름을 붙여줍니다.

 

 

 

 

 

 

 

 

 

pie(pie.sales, col = c("purple","violetred1","green3","cornsilk","cyan","white"))

 

pie.sales를 사용하여 파이차트를 생성해 줍니다.

 

 

 

 

 

 

 

 

 

 

위의 RGB 예제에서는 

 

pie(x, types)의 x값에 모두 1이 들어가서

 

파이차트의 각각의 데이터 크기가 같았습니다.

 

이번에는 pie.sales의 다양한 값을 사용하여

 

각각 다른 크기의 데이터를 가진

 

파이차트를 만듭니다.

 

 

 

 

 

 

 

 

 

 

title(main = "January Pie Sales", cex.main = 1.8, font.main = 1)

 

January Pie Sales라는 제목을 주고 도형 및 글자의 크기를 설정해 줍니다.

 

 

 

 

 

 

 

 

 

 

 

title(xlab = "(Don't try this at home kids)", cex.lab = 0.8, font.lab = 3)

 

마지막으로 x축에도 이름을 주고 도형 및 글자 크기를 설정해 줍니다.

 

 

 

* 배경색은 따로 지정하지 않으셨다면 흰색으로 나타날 겁니다.

 

 

 

 

 

 

 

 

 

이로써 정말 간단한 몇줄로

 

파이차트(원형차트)를 만들어 보았습니다.

 

다음 포스팅에서는 다양한 모양의 그래프를

 

만들어 보는 실습을 하며

 

추후 일차적인 목적은

 

지리정보공간시스템(GIS)을 

 

실습해 보는것으로 하겠습니다.

 

 

 

 

 

 

 

감사합니다.

 

R Language

그래픽 예제 뜯어보기

 

 

 

 

이전 포스팅은 아래와 같습니다. 

[IT/R] - R언어 | Part_1 R 다운로드 및 맛보기

 

 

 

 

 

 

 

 

지난 포스팅에 이어

 

 

인공지능

 

빅데이터

 

머신러닝

 

딥러닝

 

4차 산업혁명

 

 

 

 

 

 

 

 

 

 

 

꼬리표를 달고

 

R언어 포스팅을 시작하겠습니다.

 

 

 

 

 

 

 

 

 

 

 

아무리 수백만개의 정확하고 유용한 데이터가 있다 한들

 

이를 우측에 보이는 것처럼 

 

시각적으로 보기 쉽게 나타내지 않는다면

 

아래와 같이 보기 힘든 데이터들은 

 

그냥 한낱 글자에 불과할 겁니다.

 

 

 

 

 

 

 

 

 

 

 

 

만약 R을 설치하지 않으셨다면,

 

이전 포스팅을 보시고 

 

설치를 하시길 바랍니다.

 

[IT/R] - R언어 | Part_1 R 다운로드 및 맛보기

 

R언어 | Part_1 R 다운로드 및 맛보기

통계 및 자료분석을 위한 R Language 인공지능 딥러닝 머신러닝 . . . 4차 산업 혁명이라는 키워드와 같이 최근 몇년간 큰 이슈가 되고 있는 전공자가 아니더라도 한번쯤은 들어봤거나 알 것 같은 �

pmgreviewer.tistory.com

 

 

 

 

 

 

 

 

 

 

* 들어가기에 앞서 R에서는 

 

  많은 샘플 데이터들을 들고 있습니다.

 

  data(package = .packages(all.available = TRUE))

 

  위 코드를 실행 하시면

 

 

 

 

 

 

  

 

 

 

  

 

 

  위와같이 뜰텐데, 

 

  여기서 aids를 사용하고 싶으시다면

 

  require(boot)를 하셔서

 

  위의 boot package를 추가하시고,

 

  head(aids) 혹은 (위의 6개 데이터만을 출력)

 

  {aids}를 실행하시면 (전체 데이터 출력)

 

  아래와 같은 해당 데이터 리스트들이 출력됩니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

이제 차근차근

 

R 에서 제공해주는 소스를 가지고 

 

데이터를 어떻게 시각적으로 활용하는지 

 

graphics demo를 활용하여 

 

같이 공부해봅시다 !

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

먼저 아래 그림과 같이 

 

demo(graphics)를 입력해 주시고

 

return을 친 뒤

 

우측에 뜨는 창을 한번 클릭해 주시면 

 

아래와 같은 화면을 보실 수 있습니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

왼쪽에는 소스코드가 나타나고

 

오른쪽에는 그 소스코드로 실행되는

 

graphic 화면을 보실 수 있습니다.

 

 

 

 

 

 

 

 

 

 

첫번째 예제의 전체 소스코드 입니다.

 

 

require(datasets) require(grDevices); require(graphics) x <- stats::rnorm(50) opar <- par(bg = "white") plot(x, ann = FALSE, type = "n") abline(h = 0, col = gray(.90)) lines(x, col = "green4", lty = "dotted") points(x, bg = "limegreen", pch = 21) title(main = "Simple Use of Color In a Plot", xlab = "Just a Whisper of a Label", col.main = "blue", col.lab = gray(.8),cex.main = 1.2, cex.lab = 1.0, font.main = 4, font.lab = 3)

 

 

 

 

 

 

 

 

 

 

 

 

꼭 위의 예제를 한줄씩 한줄씩 

 

실행해 보신 뒤, 코드를 보시면

 

코드들이 눈에 들어오면서 

 

아~ 이렇게 만들어 지는거구나 라고 하실겁니다.

 

 

 

 

 

 

 

 

 

 

 

이제 소스코드를 차근차근 보겠습니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

> require(datasets); require(grDevices); require(graphics)

 

 

- 먼저 우리가 사용할 라이브러리를 가져옵니다. 

 

 

 

 

 

*그 전에 먼저 설치되어 있어야 합니다 . 

 위 라이브러리들은 기본적으로 포함되어 있으므로 가져오기만 하면 됩니다.

 

* library(datasets)를 사용해도 됩니다.

  require과 library의 차이점은 설치되어있지 않은 라이브러리를 호출 할 경우

  library를 오류를 발생하고, require은 경고 메시지를 보여줍니다.

 

 

 

 

 

 

 

 

 

 

 

> x <- stats::rnorm(50)

 

 

50개의 정규분포 난수를 생성합니다.

 

 

 

 

 

 

 

 

stats는 패키지 중 하나로

 

통계 계산이나 난수 생성 함수가 내장되어 있습니다.

 

norm() 함수는 정규분포를 나타내며

 

rnorm(50)은 50개의 정규분포 난수를 생성합니다.

 

* stats::rnorm(50) 대신 rnorm(50)을 사용해도 무방합니다.

 

 

 

 

 

 

 

 

 

 

 

> opar <- par(bg = "white")

 

 

배경색을 하얀색으로 하여 그래프의 틀을 설정합니다.

 

 

 

 

 

par()에는 다양한 옵션들이 존재합니다.

 

배경색, 전경색, 폰트, 글자크기, 

 

선의 모양, 좌표 눈금의 길이 설정까지 

 

다양한 종류의 옵션들을 설정할 수 있습니다.

 

 

 

 

 

 

 

 

 

 

 

 

> plot(x, ann = FALSE, type = "n")

 

 

x,y축으로 이루어진 그래프를 만들수 있는 함수입니다.

 

 

 

 

뒤에 보이시는 type은 어떻게 그릴 것인지에 대한 옵션이며,

 

p -> 점

 

l -> 선

 

b -> 점과 선

 

s -> 계단모양 

 

n -> 좌표를 찍지 않음

 

등의 옵션이 존재합니다.

 

 

 

 

 

 

 

 

몇줄 안되는데 설명은 무쟈게 긴것 같네요

 

그리고 아직 위에 나온대로 그릴려면 한참 멀었습니다.

 

이제 틀만 만들었거든요

 

 

 

 

 

 

 

고로 이어서 진행하겠습니다.

 

 

 

 

 

 

 

 

 

 

 

 

> abline(h = 0, col = gray(.90))

 

 

직선을 그려줍니다.

 

 

 

 

 

 

 

a -> 각각의 절편

 

b -> 기울기

 

h -> 수평선일 시, y값

 

v -> 수직선일 시, x값

 

lty -> 선의 모양

 

lwd -> 선의 굵기

 

col -> 색의 색상

 

main -> plot의 제목 (이름)

 

 

 

 

 

 

 

 

 

 

 

> lines(x, col = "green4", lty = "dotted")

 

 

좌표의 점들을 이어 선을 그립니다.

 

 

 

 

 

* plot함수의 type = l 과 비슷합니다.

 

여기서도 abline과 비슷한 옵션들을 가지고 있으며

 

xlim, ylim ( 좌표 범위 )

 

xlab, ylab ( 축의 이름)

 

등이 추가적으로 있습니다.

 

 

 

 

 

 

 

 

 

 

> points(x, bg = "limegreen", pch = 21)

 

 

점을 찍는 함수입니다.

 

 

 

 

 

x, y -> 좌표값

 

pch -> 점의 모양

 

type -> n, p, l, b, c, s 등의 옵션들이 있습니다.

 

 

 

 

 

 

 

 

 

 

> title(main = "Simple Use of Color In a Plot",                  

  + xlab = "Just a Whisper of a Label",                          

  + col.main = "blue", col.lab = gray(.8),                       

  + cex.main = 1.2, cex.lab = 1.0, font.main = 4, font.lab = 3)  

 

 

 

제목( 이름 )을 설정해줍니다.

 

 

 

 

 

 

 

main -> 주 제목

 

sub -> 부 제목

 

xlab -> x축 이름

 

ylab -> y축 이름

 

col. 을 통해 색상의 설정도 가능하며

 

cex. 및 font.를 통해 도형의 크기 및 글자 크기 설정도 가능합니다.

 

 

 

 

 

 

되게 짧은 코드로

 

한... 중학생이 그린것 같은 그래프가 완성되었습니다.

 

 

 

 

 

 

 

 

 

몇개의 예제를 추가적으로 한 뒤,

 

나중에는 훨씬 멋진 그래픽도 만들어 보도록 

 

열심히 공부합시다.

 

 

 

 

 

다음은 RGB를 이용한 그래픽 예제로 

 

포스팅 하겠습니다.

 

 

 

 

 

 

감사합니다.

통계 및 자료분석을 위한

R Language

 

 

 

 

 

 

 

인공지능

 

딥러닝

 

머신러닝

 

.

.

.

 

 

 

4차 산업 혁명이라는 키워드와 같이

 

최근 몇년간 큰 이슈가 되고 있는

 

전공자가 아니더라도

 

한번쯤은 들어봤거나

 

알 것 같은 느낌의 (?) 단어들 입니다.

 

물론 저 기술들의 가운데엔 빅데이터가 있습니다.

 

 

 

 

 

 

 

 

 

 

이 무수한 양의 데이터들을 

 

파악하고 분석하고 

 

이를 토대로 의사 결정에 도움을 주는

 

정보를 찾아냅니다.

 

정보를 원하는 사람들에게 더 정확한 정보를 제공해 주기 위해

 

자료를 정확하게 분석하는 능력이 필요합니다.

 

 

 

 

 

 

 

 

 

이젠 자료를 단지 "저장"하는것에 한하지 않고

 

그 속에 있는 정보들의 유용한 상관관계를 파악해야합니다.

 

자료를 수집하고, 시각화하여 

 

이를 토대로 탐색하여 

 

통계, 기계학습 등의 방법을 적용해

 

원하는, 혹은 생각지도 못한 유용한 정보들을 추출해 냅니다.

 

 

 

 

 

 

 

 

 

그리고 이 자료들을 분석하는데 있어 

 

효과적인 툴인 R을 사용해서 진행해보려 합니다.

 

오픈소스이기 때문에 무료로 사용이 가능하고

 

수많은 통계 라이브러리들이 있어 

 

손쉽고 간단하게 접근 및 사용이 가능합니다.

 

그리고 Interactive Mode 이기 떄문에

 

명령어를 입력하면 실행 결과를 바로바로 확인할 수 있습니다.

 

 

 

 

 

 

 

 

 

지금부터 설치 및 실행을 해 보도록 하겠습니다.

 

 

 

 

 

 

 

 

1. R 설치

우선 

 

https://cran.seoul.go.kr/

 

위 사이트에 접속을 하여 

 

 

 

자신의 OS에 맞게 선택하고

 

 

 

 

 

 

 

 

 

 

 

base를 선택해 주시고

 

 

 

 

 

 

 

 

 

 

 

 

download를 차례대로 눌러 

 

설치를 진행해 줍니다.

 

* 계속 다음 다음을 눌러 다운로드를 끝마쳐주시면 됩니다.

 

 

 

 

 

 

 

 

 

 

다운로드를 마치셨으면 

 

시작 메뉴에 R언어가 설치된 것을 보실 수 있습니다.

 

 

 

 

 

 

 

 

 

 

 

 

R x64 v이 있고

 

R i386 v이 있을겁니다

 

제 블록체인 포스팅을 보신 분들은 아시겠지만

 

64는 64-bit,

 

i386은 32-bit를 의미합니다

 

어느것을 선택하던 상관은 없습니다.

 

 

 

 

 

 

 

 

 

 

 

실행을 하시면

 

아래와 같은 화면을 보실 수 있을 겁니다.

 

 

 

 

 

 

2. R 맛보기

 

R을 설치하면 기본으로 제공되는 자료가 있는데,

 

이를 보기위해 iris를 입력해 봅시다.

 

 

 

 

그럼 위와같이 150개의 자료들이 

 

나오는걸 확인하실 수 있을 겁니다.

 

 

 

 

 

 

 

 

 

 

 

 

이를 토대로 iris의 Sepal.Length 데이터의

 

평균과 표준편차를 구해보겠습니다.

 

 

위와같이 간단한 출력은 물론

 

 

 

 

 

히스토그램 또한 쉽게 나타낼 수 있습니다.

 

 

 

 

 

 

 

 

 

 

 

다음 포스팅 부터는

 

demo()를 활용하여 

 

데이터 시각화에 대한

 

코드 분석을 진행하겠습니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

감사합니다.