1 Podczytanie danych z wykorzystaniem pakietu readr
2 Bibliografia

¹ Zakład Bioinformatyki, Instytut Informatyki, Uniwersytet w Białymstoku

1 Podczytanie danych z wykorzystaniem pakietu readr

Inspiracją do napisania tego notebooka jest rodział 6.1 książki Jareda P. Landera “R dla każdego. Zaawansowane analizy i grafika statystyczna”.¹ Dane wykorzystane pochodzą również ze strony Jareda P. Landera.²

Korzystamy z

R,³
bibliotek R,^4–6
piszemy używając języka znaczników i biblioteki rmarkdown^7,8 w RStudio z wykorzystaniem R Notebook.

Uwaga:

Kod podczytania bibliotek jest ukryty.

1.1 Czyścimy środowisko

rm(list = ls())

1.2 Podczytujemy dane

acsNew <- read_csv("http://www.jaredlander.com/data/acsNew.csv", 
                   col_types = 
                   cols(FamilyType = col_factor(levels = c("Married","Female Head", "Male Head")), 
                        Income = col_factor(levels = c("Below", "Above"))
                        )
                   )

Wczytujemy bibliotekę dplyr

1.3 Trochę podsumowania, co jest w danych

Zobaczmy, co ukrywa się pod danymi (wykorzystujemy funkcję summary).

acsNew %>% summary

    Acres            FamilyIncome           FamilyType    NumBedrooms   
 Length:2273        Min.   :   1125   Married    :1831   Min.   :0.000  
 Class :character   1st Qu.:  53700   Female Head: 327   1st Qu.:3.000  
 Mode  :character   Median :  89200   Male Head  : 115   Median :3.000  
                    Mean   : 110982                      Mean   :3.404  
                    3rd Qu.: 136630                      3rd Qu.:4.000  
                    Max.   :1014000                      Max.   :8.000  
  NumChildren       NumPeople         NumRooms        NumUnits        
 Min.   :0.0000   Min.   : 2.000   Min.   : 1.000   Length:2273       
 1st Qu.:0.0000   1st Qu.: 2.000   1st Qu.: 6.000   Class :character  
 Median :0.0000   Median : 3.000   Median : 7.000   Mode  :character  
 Mean   :0.8847   Mean   : 3.401   Mean   : 7.241                     
 3rd Qu.:2.0000   3rd Qu.: 4.000   3rd Qu.: 8.000                     
 Max.   :8.0000   Max.   :12.000   Max.   :21.000                     
  NumVehicles      NumWorkers      OwnRent           YearBuilt           HouseCosts  
 Min.   :0.000   Min.   :0.000   Length:2273        Length:2273        Min.   :   4  
 1st Qu.:2.000   1st Qu.:1.000   Class :character   Class :character   1st Qu.: 670  
 Median :2.000   Median :2.000   Mode  :character   Mode  :character   Median :1200  
 Mean   :2.118   Mean   :1.778                                         Mean   :1488  
 3rd Qu.:3.000   3rd Qu.:2.000                                         3rd Qu.:2000  
 Max.   :6.000   Max.   :3.000                                         Max.   :6500  
  ElectricBill    FoodStamp         HeatingFuel          Insurance     
 Min.   :  1.0   Length:2273        Length:2273        Min.   :   0.0  
 1st Qu.:100.0   Class :character   Class :character   1st Qu.: 400.0  
 Median :150.0   Mode  :character   Mode  :character   Median : 720.0  
 Mean   :176.6                                         Mean   : 968.1  
 3rd Qu.:220.0                                         3rd Qu.:1200.0  
 Max.   :580.0                                         Max.   :6600.0  
   Language           Income    
 Length:2273        Below:1817  
 Class :character   Above: 456  
 Mode  :character

Sprawdźmy tym danych (funkcja class)

acsNew %>% class

[1] "spec_tbl_df" "tbl_df"      "tbl"         "data.frame"

1.4 Zmianna na typ czynikowy niektórych zmiennych

Zmienna Language wygaje się, że powinna być zmienna czynnikową. Wyciągnimy kolumnę Language polecenim select.

acsNew.lang <- acsNew %>%
  select(Language)

Zobaczmy pierwsze 6 wierszy tej kolumny

acsNew.lang %>% head

oraz zobaczmy jakiej klasy jest ten obiekt.

acsNew.lang %>% class

[1] "spec_tbl_df" "tbl_df"      "tbl"         "data.frame"

To spóbujemy z niej taka zrobić.

1.5 Jak nie powinno się tego robić

1.5.1 Sposób pierwszy

Ponieważ funkcja select nie działał poprawnie wykorzystamy funkcję **pull* tworząc obiekt acsNew.lang.pull i sprawdzimy typ obiektu oraz obejrzymy 6 pierwszych elementów.

acsNew.lang.pull <- acsNew %>%
  pull(Language)
acsNew.lang.pull %>% class

[1] "character"

acsNew.lang %>% head

Tworzymy nowy obiekt acsNew.lang.pull.fac z wektora danych acsNew.lang.pull, oglądamy go i nadpisujemy kolumnę Language w danych acsNew tym obiektem wykorzystując funkcję $.

acsNew.lang.pull.fac <- acsNew.lang.pull %>% 
  as.factor
acsNew.lang.pull.fac %>% head

[1] English       Spanish       Spanish       English       Asian Pacific
[6] English      
Levels: Asian Pacific English Other Other European Spanish

acsNew$Language <- acsNew.lang.pull.fac

1.5.1.1 Zapiszemy tylko dane na później

Zapisujemy otrzymane dane (obiekt acsNew).

save(acsNew, file = "acsNew.RData")

1.5.2 Sposób drugi dla zmiennej *NumUnits i pozostałych

Ponieważ oszczędzamy pamięć opisane poprzednio operacje można zapisać jako jeden ciąg poleceń wykorzystując przetwarzanie potokowe. Zobaczmy też podsumowanie.

acsNew$NumUnits <- acsNew %>%
  pull(NumUnits) %>%
  as.factor
acsNew %>% summary

    Acres            FamilyIncome           FamilyType    NumBedrooms   
 Length:2273        Min.   :   1125   Married    :1831   Min.   :0.000  
 Class :character   1st Qu.:  53700   Female Head: 327   1st Qu.:3.000  
 Mode  :character   Median :  89200   Male Head  : 115   Median :3.000  
                    Mean   : 110982                      Mean   :3.404  
                    3rd Qu.: 136630                      3rd Qu.:4.000  
                    Max.   :1014000                      Max.   :8.000  
  NumChildren       NumPeople         NumRooms                 NumUnits   
 Min.   :0.0000   Min.   : 2.000   Min.   : 1.000   Mobile home    :  67  
 1st Qu.:0.0000   1st Qu.: 2.000   1st Qu.: 6.000   Single attached: 235  
 Median :0.0000   Median : 3.000   Median : 7.000   Single detached:1971  
 Mean   :0.8847   Mean   : 3.401   Mean   : 7.241                         
 3rd Qu.:2.0000   3rd Qu.: 4.000   3rd Qu.: 8.000                         
 Max.   :8.0000   Max.   :12.000   Max.   :21.000                         
  NumVehicles      NumWorkers      OwnRent           YearBuilt           HouseCosts  
 Min.   :0.000   Min.   :0.000   Length:2273        Length:2273        Min.   :   4  
 1st Qu.:2.000   1st Qu.:1.000   Class :character   Class :character   1st Qu.: 670  
 Median :2.000   Median :2.000   Mode  :character   Mode  :character   Median :1200  
 Mean   :2.118   Mean   :1.778                                         Mean   :1488  
 3rd Qu.:3.000   3rd Qu.:2.000                                         3rd Qu.:2000  
 Max.   :6.000   Max.   :3.000                                         Max.   :6500  
  ElectricBill    FoodStamp         HeatingFuel          Insurance     
 Min.   :  1.0   Length:2273        Length:2273        Min.   :   0.0  
 1st Qu.:100.0   Class :character   Class :character   1st Qu.: 400.0  
 Median :150.0   Mode  :character   Mode  :character   Median : 720.0  
 Mean   :176.6                                         Mean   : 968.1  
 3rd Qu.:220.0                                         3rd Qu.:1200.0  
 Max.   :580.0                                         Max.   :6600.0  
           Language      Income    
 Asian Pacific :  62   Below:1817  
 English       :1786   Above: 456  
 Other         :  39               
 Other European: 219               
 Spanish       : 167

Powtórzmy czynność dla pozostałych zmiennych typu character.

acsNew$Acres <- acsNew %>%
  pull(Acres) %>%
  as.factor
acsNew$OwnRent <- acsNew %>%
  pull(OwnRent) %>%
  as.factor
acsNew$FoodStamp <- acsNew %>%
  pull(FoodStamp) %>%
  as.factor
acsNew$HeatingFuel <- acsNew %>%
  pull(HeatingFuel) %>%
  as.factor
acsNew %>% summary

   Acres       FamilyIncome           FamilyType    NumBedrooms     NumChildren    
 1-10 : 452   Min.   :   1125   Married    :1831   Min.   :0.000   Min.   :0.0000  
 10+  :  90   1st Qu.:  53700   Female Head: 327   1st Qu.:3.000   1st Qu.:0.0000  
 Sub 1:1731   Median :  89200   Male Head  : 115   Median :3.000   Median :0.0000  
              Mean   : 110982                      Mean   :3.404   Mean   :0.8847  
              3rd Qu.: 136630                      3rd Qu.:4.000   3rd Qu.:2.0000  
              Max.   :1014000                      Max.   :8.000   Max.   :8.0000  
                                                                                   
   NumPeople         NumRooms                 NumUnits     NumVehicles   
 Min.   : 2.000   Min.   : 1.000   Mobile home    :  67   Min.   :0.000  
 1st Qu.: 2.000   1st Qu.: 6.000   Single attached: 235   1st Qu.:2.000  
 Median : 3.000   Median : 7.000   Single detached:1971   Median :2.000  
 Mean   : 3.401   Mean   : 7.241                          Mean   :2.118  
 3rd Qu.: 4.000   3rd Qu.: 8.000                          3rd Qu.:3.000  
 Max.   :12.000   Max.   :21.000                          Max.   :6.000  
                                                                         
   NumWorkers        OwnRent      YearBuilt           HouseCosts    ElectricBill  
 Min.   :0.000   Mortgage:2008   Length:2273        Min.   :   4   Min.   :  1.0  
 1st Qu.:1.000   Outright:  15   Class :character   1st Qu.: 670   1st Qu.:100.0  
 Median :2.000   Rented  : 250   Mode  :character   Median :1200   Median :150.0  
 Mean   :1.778                                      Mean   :1488   Mean   :176.6  
 3rd Qu.:2.000                                      3rd Qu.:2000   3rd Qu.:220.0  
 Max.   :3.000                                      Max.   :6500   Max.   :580.0  
                                                                                  
 FoodStamp       HeatingFuel     Insurance                Language      Income    
 No :2106   Coal       :  16   Min.   :   0.0   Asian Pacific :  62   Below:1817  
 Yes: 167   Electricity: 109   1st Qu.: 400.0   English       :1786   Above: 456  
            Gas        :1387   Median : 720.0   Other         :  39               
            None       :   4   Mean   : 968.1   Other European: 219               
            Oil        : 622   3rd Qu.:1200.0   Spanish       : 167               
            Other      :  18   Max.   :6600.0                                     
            Wood       : 117

1.5.2.1 Zmienna YearBuilt

Coś nie tak z jedną daną ze zmiennej YearBuilt

Podczytujemy bibliotekę DT.

Filtrujemy dane (funkcja filter) i oglądamy.

acsNew %>%
  filter(YearBuilt == 15) %>%
  datatable

Filtrujemy dane dla zmiennej NumUnits. Ponieważ nazwa zawiera spację używamy apostrofów (‘Mobile home’) i oglądamy.

acsNew %>%
  filter(NumUnits == 'Mobile home') %>%
  datatable

Jest błąd, ale go zignorujemy. Wyświetlamy podsumowanie i wprowadzamy nowy obiekt acsNew.ver.StepByStep, w którym przechowywać będziemy wynik naszych operacji.

acsNew$YearBuilt <- acsNew %>%
  pull(YearBuilt) %>%
  as.factor
acsNew %>% summary

   Acres       FamilyIncome           FamilyType    NumBedrooms     NumChildren    
 1-10 : 452   Min.   :   1125   Married    :1831   Min.   :0.000   Min.   :0.0000  
 10+  :  90   1st Qu.:  53700   Female Head: 327   1st Qu.:3.000   1st Qu.:0.0000  
 Sub 1:1731   Median :  89200   Male Head  : 115   Median :3.000   Median :0.0000  
              Mean   : 110982                      Mean   :3.404   Mean   :0.8847  
              3rd Qu.: 136630                      3rd Qu.:4.000   3rd Qu.:2.0000  
              Max.   :1014000                      Max.   :8.000   Max.   :8.0000  
                                                                                   
   NumPeople         NumRooms                 NumUnits     NumVehicles   
 Min.   : 2.000   Min.   : 1.000   Mobile home    :  67   Min.   :0.000  
 1st Qu.: 2.000   1st Qu.: 6.000   Single attached: 235   1st Qu.:2.000  
 Median : 3.000   Median : 7.000   Single detached:1971   Median :2.000  
 Mean   : 3.401   Mean   : 7.241                          Mean   :2.118  
 3rd Qu.: 4.000   3rd Qu.: 8.000                          3rd Qu.:3.000  
 Max.   :12.000   Max.   :21.000                          Max.   :6.000  
                                                                         
   NumWorkers        OwnRent           YearBuilt     HouseCosts    ElectricBill  
 Min.   :0.000   Mortgage:2008   Before 1939:588   Min.   :   4   Min.   :  1.0  
 1st Qu.:1.000   Outright:  15   1950-1959  :423   1st Qu.: 670   1st Qu.:100.0  
 Median :2.000   Rented  : 250   1960-1969  :269   Median :1200   Median :150.0  
 Mean   :1.778                   1970-1979  :229   Mean   :1488   Mean   :176.6  
 3rd Qu.:2.000                   1990-1999  :198   3rd Qu.:2000   3rd Qu.:220.0  
 Max.   :3.000                   1980-1989  :195   Max.   :6500   Max.   :580.0  
                                 (Other)    :371                                 
 FoodStamp       HeatingFuel     Insurance                Language      Income    
 No :2106   Coal       :  16   Min.   :   0.0   Asian Pacific :  62   Below:1817  
 Yes: 167   Electricity: 109   1st Qu.: 400.0   English       :1786   Above: 456  
            Gas        :1387   Median : 720.0   Other         :  39               
            None       :   4   Mean   : 968.1   Other European: 219               
            Oil        : 622   3rd Qu.:1200.0   Spanish       : 167               
            Other      :  18   Max.   :6600.0                                     
            Wood       : 117

acsNew -> acsNew.ver.StepByStep

1.6 Jak należy to zrobić

Można to zrobić jednym ciągiem poleceń. Wykorzystujemy w tym celu funkcję mutate_if, gdzie przekształcamy tylko te zmienne, które są typu charakter (argument is.charakter), na zmienne czyniikowe (argument list(~as.factor(.))). Kropka w ostatnim argumencie oznacza zmienną, do której ma być stosowana funkcja as.factor.

load("acsNew.RData")
acsNew %>%  summary

    Acres            FamilyIncome           FamilyType    NumBedrooms   
 Length:2273        Min.   :   1125   Married    :1831   Min.   :0.000  
 Class :character   1st Qu.:  53700   Female Head: 327   1st Qu.:3.000  
 Mode  :character   Median :  89200   Male Head  : 115   Median :3.000  
                    Mean   : 110982                      Mean   :3.404  
                    3rd Qu.: 136630                      3rd Qu.:4.000  
                    Max.   :1014000                      Max.   :8.000  
  NumChildren       NumPeople         NumRooms        NumUnits        
 Min.   :0.0000   Min.   : 2.000   Min.   : 1.000   Length:2273       
 1st Qu.:0.0000   1st Qu.: 2.000   1st Qu.: 6.000   Class :character  
 Median :0.0000   Median : 3.000   Median : 7.000   Mode  :character  
 Mean   :0.8847   Mean   : 3.401   Mean   : 7.241                     
 3rd Qu.:2.0000   3rd Qu.: 4.000   3rd Qu.: 8.000                     
 Max.   :8.0000   Max.   :12.000   Max.   :21.000                     
  NumVehicles      NumWorkers      OwnRent           YearBuilt           HouseCosts  
 Min.   :0.000   Min.   :0.000   Length:2273        Length:2273        Min.   :   4  
 1st Qu.:2.000   1st Qu.:1.000   Class :character   Class :character   1st Qu.: 670  
 Median :2.000   Median :2.000   Mode  :character   Mode  :character   Median :1200  
 Mean   :2.118   Mean   :1.778                                         Mean   :1488  
 3rd Qu.:3.000   3rd Qu.:2.000                                         3rd Qu.:2000  
 Max.   :6.000   Max.   :3.000                                         Max.   :6500  
  ElectricBill    FoodStamp         HeatingFuel          Insurance     
 Min.   :  1.0   Length:2273        Length:2273        Min.   :   0.0  
 1st Qu.:100.0   Class :character   Class :character   1st Qu.: 400.0  
 Median :150.0   Mode  :character   Mode  :character   Median : 720.0  
 Mean   :176.6                                         Mean   : 968.1  
 3rd Qu.:220.0                                         3rd Qu.:1200.0  
 Max.   :580.0                                         Max.   :6600.0  
           Language      Income    
 Asian Pacific :  62   Below:1817  
 English       :1786   Above: 456  
 Other         :  39               
 Other European: 219               
 Spanish       : 167

acsNew <- acsNew %>% 
  mutate_if(is.character, list(~as.factor(.)))

Oglądamy wynik podsumowania.

acsNew %>%  summary

   Acres       FamilyIncome           FamilyType    NumBedrooms     NumChildren    
 1-10 : 452   Min.   :   1125   Married    :1831   Min.   :0.000   Min.   :0.0000  
 10+  :  90   1st Qu.:  53700   Female Head: 327   1st Qu.:3.000   1st Qu.:0.0000  
 Sub 1:1731   Median :  89200   Male Head  : 115   Median :3.000   Median :0.0000  
              Mean   : 110982                      Mean   :3.404   Mean   :0.8847  
              3rd Qu.: 136630                      3rd Qu.:4.000   3rd Qu.:2.0000  
              Max.   :1014000                      Max.   :8.000   Max.   :8.0000  
                                                                                   
   NumPeople         NumRooms                 NumUnits     NumVehicles   
 Min.   : 2.000   Min.   : 1.000   Mobile home    :  67   Min.   :0.000  
 1st Qu.: 2.000   1st Qu.: 6.000   Single attached: 235   1st Qu.:2.000  
 Median : 3.000   Median : 7.000   Single detached:1971   Median :2.000  
 Mean   : 3.401   Mean   : 7.241                          Mean   :2.118  
 3rd Qu.: 4.000   3rd Qu.: 8.000                          3rd Qu.:3.000  
 Max.   :12.000   Max.   :21.000                          Max.   :6.000  
                                                                         
   NumWorkers        OwnRent           YearBuilt     HouseCosts    ElectricBill  
 Min.   :0.000   Mortgage:2008   Before 1939:588   Min.   :   4   Min.   :  1.0  
 1st Qu.:1.000   Outright:  15   1950-1959  :423   1st Qu.: 670   1st Qu.:100.0  
 Median :2.000   Rented  : 250   1960-1969  :269   Median :1200   Median :150.0  
 Mean   :1.778                   1970-1979  :229   Mean   :1488   Mean   :176.6  
 3rd Qu.:2.000                   1990-1999  :198   3rd Qu.:2000   3rd Qu.:220.0  
 Max.   :3.000                   1980-1989  :195   Max.   :6500   Max.   :580.0  
                                 (Other)    :371                                 
 FoodStamp       HeatingFuel     Insurance                Language      Income    
 No :2106   Coal       :  16   Min.   :   0.0   Asian Pacific :  62   Below:1817  
 Yes: 167   Electricity: 109   1st Qu.: 400.0   English       :1786   Above: 456  
            Gas        :1387   Median : 720.0   Other         :  39               
            None       :   4   Mean   : 968.1   Other European: 219               
            Oil        : 622   3rd Qu.:1200.0   Spanish       : 167               
            Other      :  18   Max.   :6600.0                                     
            Wood       : 117

Zapisujemy otrzymany wynik, zmieniając nazwę obiektu na acsNew.ver.OneStep, do pliku acsNewVerOneStep.RData.

Na koniec usuwamy ze środowiska bibliotek

2 Bibliografia

¹ J.P. Lander, R dla każdego. Zaawansowane analizy i grafika statystyczna (APN Promise, Warszawa, 2018).

² J.P. Lander, (2020).

³ R Core Team, R: A Language and Environment for Statistical Computing (R Foundation for Statistical Computing, Vienna, Austria, 2019).

⁴ H. Wickham, J. Hester, and R. Francois, readr: Read Rectangular Text Data (2018).

⁵ H. Wickham, R. François, L. Henry, and K. Müller, dplyr: A Grammar of Data Manipulation (2020).

⁶ Y. Xie, J. Cheng, and X. Tan, DT: A Wrapper of the JavaScript Library ’DataTables’ (2020).

⁷ Y. Xie, J.J. Allaire, and G. Grolemund, R Markdown: The Definitive Guide (Chapman; Hall/CRC, Boca Raton, Florida, 2018).

⁸ J. Allaire, Y. Xie, J. McPherson, J. Luraschi, K. Ushey, A. Atkins, H. Wickham, J. Cheng, W. Chang, and R. Iannone, rmarkdown: Dynamic Documents for R (2020).

---
title: "Praca z danymi - część trzecia"
author: 
  - Jarosław Kotowicz:
      institute: 
        - IIUwB
      correspondence: false
      email: j.kotowicz@uwb.edu.pl
date: "4 marca 2020"
always_allow_html: true
output:
  html_notebook:
    fig_caption: yes
    highlight: pygments
    number_sections: yes
    pandoc_args:
      - --lua-filter=scholarly-metadata.lua
      - --lua-filter=author-info-blocks.lua
    theme: flatly
    toc: yes
institute: 
  - IIUwB: Zakład Bioinformatyki, Instytut Informatyki, Uniwersytet w Białymstoku
csl: journal-of-mathematical-physics.csl
bibliography: InfEko.bib
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

# Podczytanie danych z wykorzystaniem pakietu **readr**

Inspiracją do napisania tego *notebooka* jest rodział 6.1 książki Jareda P. Landera *"R dla każdego. Zaawansowane analizy i grafika statystyczna"* [@lander_RdK]. Dane wykorzystane pochodzą również ze strony Jareda P. Landera [@website_lander_RdK].

Korzystamy z 

1. R [@language_R],
2. bibliotek R [@package_readr; @package_dplyr; @package_DT],
3. piszemy używając języka znaczników i biblioteki **rmarkdown** [@book_rmarkdown; @package_rmarkdown] w **RStudio** z wykorzystaniem **R Notebook**.

Uwaga:

* Kod podczytania bibliotek jest ukryty.

## Czyścimy środowisko

```{r czyszczenie_danych, echo=TRUE}
rm(list = ls())
```

## Podczytujemy dane

```{r pakiet_readr, message=FALSE, warning=FALSE, include=FALSE}
library(readr)
```

```{r podczytanie_acsNew}
acsNew <- read_csv("http://www.jaredlander.com/data/acsNew.csv", 
                   col_types = 
                   cols(FamilyType = col_factor(levels = c("Married","Female Head", "Male Head")), 
                        Income = col_factor(levels = c("Below", "Above"))
                        )
                   )
```

Wczytujemy bibliotekę **dplyr**

```{r pakiet_dplyr, message=FALSE, warning=FALSE, include=FALSE}
library(dplyr)
```

## Trochę podsumowania, co jest w danych

Zobaczmy, co ukrywa się pod danymi (wykorzystujemy funkcję **summary**).

```{r funkcja_summary}
acsNew %>% summary
```
Sprawdźmy tym danych (funkcja **class**)
```{r funkcja_class}
acsNew %>% class
```

## Zmianna na typ czynikowy niektórych zmiennych

Zmienna **Language** wygaje się, że powinna być zmienna czynnikową.
Wyciągnimy kolumnę **Language** polecenim **select**.

```{r acsNew_Language}
acsNew.lang <- acsNew %>%
  select(Language)
```

Zobaczmy pierwsze 6 wierszy tej kolumny
```{r acsNew_Language_02}
acsNew.lang %>% head
```

oraz zobaczmy jakiej klasy jest ten obiekt.
```{r acsNew_Language_03}
acsNew.lang %>% class 
```

*To spóbujemy z niej taka zrobić.*

## Jak nie powinno się tego robić

### Sposób pierwszy

Ponieważ funkcja **select** nie działał poprawnie wykorzystamy funkcję **pull*  tworząc 
obiekt *acsNew.lang.pull* i sprawdzimy typ obiektu oraz obejrzymy 6 pierwszych elementów.
```{r step_by_step_01}
acsNew.lang.pull <- acsNew %>%
  pull(Language)

acsNew.lang.pull %>% class 

acsNew.lang %>% head
```

Tworzymy nowy obiekt *acsNew.lang.pull.fac* z wektora danych *acsNew.lang.pull*, oglądamy go i nadpisujemy kolumnę **Language** w danych **acsNew** tym obiektem wykorzystując funkcję **$**.
```{r step_by_step_10}
acsNew.lang.pull.fac <- acsNew.lang.pull %>% 
  as.factor

acsNew.lang.pull.fac %>% head

acsNew$Language <- acsNew.lang.pull.fac
```

#### Zapiszemy tylko dane na później

Zapisujemy otrzymane dane (obiekt *acsNew*).
```{r save_acsNew, echo=TRUE}
save(acsNew, file = "acsNew.RData")
```

### Sposób drugi dla zmiennej ***NumUnits** i pozostałych

Ponieważ oszczędzamy pamięć opisane poprzednio operacje można zapisać jako jeden ciąg poleceń wykorzystując przetwarzanie potokowe. Zobaczmy też podsumowanie.
```{r acsNew_NumUnits}
acsNew$NumUnits <- acsNew %>%
  pull(NumUnits) %>%
  as.factor
acsNew %>% summary
```

Powtórzmy czynność dla pozostałych zmiennych typu **character**.
```{r acsNew_others}
acsNew$Acres <- acsNew %>%
  pull(Acres) %>%
  as.factor

acsNew$OwnRent <- acsNew %>%
  pull(OwnRent) %>%
  as.factor

acsNew$FoodStamp <- acsNew %>%
  pull(FoodStamp) %>%
  as.factor

acsNew$HeatingFuel <- acsNew %>%
  pull(HeatingFuel) %>%
  as.factor

acsNew %>% summary
```

#### Zmienna **YearBuilt**

Coś nie tak z jedną daną ze zmiennej **YearBuilt**

Podczytujemy bibliotekę **DT**.
```{r pakiet_DT, message=FALSE, warning=FALSE, include=FALSE}
library(DT)
```

Filtrujemy dane (funkcja **filter**) i oglądamy. 
```{r acsNew_YearBuilt_01}
acsNew %>%
  filter(YearBuilt == 15) %>%
  datatable
```

Filtrujemy dane dla zmiennej **NumUnits**. Ponieważ nazwa zawiera spację używamy apostrofów
(**'Mobile home'**) i oglądamy.
```{r acsNew_YearBuilt_02}
acsNew %>%
  filter(NumUnits == 'Mobile home') %>%
  datatable
```

Jest błąd, ale go zignorujemy. Wyświetlamy podsumowanie i wprowadzamy nowy obiekt
**acsNew.ver.StepByStep**, w którym przechowywać będziemy wynik naszych operacji.
```{r acsNew_YearBuilt_03}
acsNew$YearBuilt <- acsNew %>%
  pull(YearBuilt) %>%
  as.factor

acsNew %>% summary
acsNew -> acsNew.ver.StepByStep
```

## Jak należy to zrobić

Można to zrobić jednym ciągiem poleceń. Wykorzystujemy w tym celu funkcję **mutate_if**,
gdzie przekształcamy tylko te zmienne, które są typu *charakter* (argument **is.charakter**), na zmienne czyniikowe (argument **list(~as.factor(.))**).
Kropka w ostatnim argumencie oznacza zmienną, do której ma być stosowana funkcja
**as.factor**.

```{r one_step}
load("acsNew.RData")
acsNew %>%  summary
acsNew <- acsNew %>% 
  mutate_if(is.character, list(~as.factor(.)))
```

Oglądamy wynik podsumowania.
```{r one_step_01}
acsNew %>%  summary
```

Zapisujemy otrzymany wynik, zmieniając nazwę obiektu na **acsNew.ver.OneStep**, do pliku **acsNewVerOneStep.RData**.
```{r save_acsNew.ver.OneStep, message=FALSE, warning=FALSE, include=FALSE}
acsNew -> acsNew.ver.OneStep
save(acsNew.ver.OneStep, file = "acsNewVerOneStep.RData")

```

Na koniec usuwamy ze środowiska bibliotek
```{r pakiety_zamykanie, include=FALSE}
detach(package:readr)
detach(package:dplyr)
detach(package:DT)
```
# Bibliografia

<div id="refs"></div>


Praca z danymi - część trzecia

Jarosław Kotowicz¹

4 marca 2020

1 Podczytanie danych z wykorzystaniem pakietu readr

1.1 Czyścimy środowisko

1.2 Podczytujemy dane

1.3 Trochę podsumowania, co jest w danych

1.4 Zmianna na typ czynikowy niektórych zmiennych

1.5 Jak nie powinno się tego robić

1.5.1 Sposób pierwszy

1.5.1.1 Zapiszemy tylko dane na później

1.5.2 Sposób drugi dla zmiennej *NumUnits i pozostałych

1.5.2.1 Zmienna YearBuilt

1.6 Jak należy to zrobić

2 Bibliografia

Praca z danymi - część trzecia

Jarosław Kotowicz1

4 marca 2020

1 Podczytanie danych z wykorzystaniem pakietu readr

1.1 Czyścimy środowisko

1.2 Podczytujemy dane

1.3 Trochę podsumowania, co jest w danych

1.4 Zmianna na typ czynikowy niektórych zmiennych

1.5 Jak nie powinno się tego robić

1.5.1 Sposób pierwszy

1.5.1.1 Zapiszemy tylko dane na później

1.5.2 Sposób drugi dla zmiennej *NumUnits i pozostałych

1.5.2.1 Zmienna YearBuilt

1.6 Jak należy to zrobić

2 Bibliografia

Jarosław Kotowicz¹