Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trptico R
Introduccin al uso y programacin del A quick introduction to ESS
sistema estadstico R
Ramon Daz-Uriarte
rdiaz@cnio.es
http://bioinfo.cnio.es/rdiaz
Unidad de Bioinformatica
Centro Nacional de Investigaciones Oncologicas (CNIO)
Copyright
c 2003 Ramon Daz-Uriarte
Programa "Horario"
Introduccin a R 1a maana:
Introduccin a R
Uso de R con XEmacs + ESS
Uso de R con XEmacs + ESS
Objetos en R
Objetos en R 1a tarde:
Objetos en R
Grficos en R
Importacin/Exportacin de datos
2a maana:
Programacin en R
Grficos en R
Ejemplos prcticos
Programacin en R 2a tarde:
Ejemplos prcticos
Ejemplos prcticos
Uso y programacion de R p. 3/157 Uso y programacion de R p. 4/157
Introduccin Qu son R y S
Depende del sistema operativo, pero todo se puede encontrar en R consta de un "sistema base" y de paquetes adicionales que
http://cran.r-project.org/bin. extienden la funcionalidad. Distintos "tipos" de paquetes:
Windows: bajar ("download") el ejecutable desde Los que forman parte del sistema base (ej. ctest).
http://cran.r-project.org/bin/windows/base . (por
Los que no son parte del sistema base, pero son
ejemplo,
"recommended" (ej., survival, nlme). En GNU/Linux y
http://cran.r-project.org/bin/windows/base/rw1070.exe).
Windows ya (desde 1.6.0?) forman parte de la distribucin
Ejecutar el fichero. Instalar el sistema base y los paquetes
estndard.
recomendados.
Otros paquetes; ej., car, gregmisc, los paquetes de
GNU/Linux: dos opciones:
Bioconductor (como multtest, etc). Estos necesitamos
Obtener el R-x.y.z.tar.gz y compilar desde las fuentes, y seleccionarlos e instalarlos individualmente. Ms adelante
tambin bajar los paquetes adicionales e instalar. (Buena veremos como.
forma de comprobar que el sistema tiene development
tools).
Obtener binarios (ej., *.deb para Debian, *.rpm para
RedHat, SuSE, Mandrake).
Uso y programacion de R p. 9/157 Uso y programacion de R p. 10/157
Mixed-effects models in S and S-PLUS, de J. Pinheiro y Ayuda incluida con el programa (veremos ms adelante).
D. Bates. FAQ.
Regression modelling strategies, de F. Harrell. Site de Paul Johnson
Site con documentacin sobre anlisis para datos categricos http://lark.cc.ukans.edu/~pauljohn/R/statsRus.html .
(site para libro de A. Agresti Categorical data analysis.). R-help. Peeero:
http://www.stat.ufl.edu/~aa/cda/cda.html .
Las email lists son "searchable". Ver
Modeling survival data: extending the Cox model, de http://cran.r-project.org/search.html ; y
T. M. Therenau y P. M. Grambsch. http://finzi.psych.upenn.edu/search.html permite
Documentos miscelneos en pgina de J. Fox. hacer las bsquedas no slo sobre las listas de email sino
(http://cran.r-project.org/doc/contrib/Fox-Companion/appendix.html .) tambin sobre la documentacin (incluyendo paquetes).
Antes de hacer preguntas comprobar si ya han sido Depende del sistema operativo
contestadas. Windows:
Las listas de ayuda son voluntarias: nadie puede exigir Desde la "GUI" o desde la interfaz de XEmacs.
soluciones. (Cunto habeis pagado por R?) Desde R, con "install.packages()", como en GNU/Linux (ver
Pausarse antes de gritar "bug": vase FAQ, seccin 9. Pero si siguiente).
hay un bug, por favor reportese. GNU/Linux:
"R CMD INSTALL paquete-x.y.z.tar.gz". Permite instalar
aunque uno no sea root (especificando el directorio).
Ms cmodo, desde R, "install.packages()",
"update.packages()", etc. Tambin permiten instalar no
siendo root (especificar lib.loc).
Si preferimos los keybindings de XEmacs: cambiar la linea Podramos querer usar XEmacs y ESS de la forma
"(defconst pc-behaviour-level 2)" a "(defconst "tradicional", con el estilo genuino de XEmacs.
pc-behaviour-level 0)" (Y algn otro cambio menor). Toda la funcionalidad de XEmacs (que se ve disminuida un
Para que indique en que fila y columna nos encontramos usar poco por los keybindings tipo Windows al no permitir "C-x"
el "custom.el" provisto. como inicio de secuencia de teclas).
Para lo primero, copiar ramon.init.el o fox.init.el como init.el. Funciona si nos movemos a otro sistema operativo/otra
Para lo segundo: ya instalado por defecto en vuestras mquina.
mquinas.
Mis modificaciones estn en mi pgina web
(http://bioinfo.cnio.es/~rdiaz/#cursosR .).
> plot(x1, x2, type = "n", xlab = "gen A", ylab = "gen B")
> points(x1, x2, col = c("red", "blue")[typo.paciente], pch = 19)
> boxplot(x1 typo.paciente, ylab = "Expresion normalizada",
+ xlab = "Tipo de paciente")
> hist(x1)
> hist(x2, main = "Histograma del gen B")
Guardar la figura (en formato pdf o emf o lo que sea) es ms Los siguientes funcionan tanto con como sin las
til que copiar al clipboard para: modificaciones de J. Fox.
Incluir en documentos de LATEX (en ps o pdf) y en algunos "M-x comment-region" ("M" es la "Meta key" que corresponde
casos de Word (como wmf; ej., si nos hacen usar macros a "Alt").
que piden insercin de figuras).
"C-s": incremental forward search.
Para mantener una copia de la figura en formato no
"C-r": incremental backward search.
Window-cntrico (ej., en formato pdf) que podemos mandar
por email, etc. "M-Shift-5": query replace.
Para aadir figuras en pginas Web. "M-g": Ir a linea.
Recordad que formatos como pdf, o ps son ms
"portables" que metafile!
Por defecto, yo siempre uso dev.copy2eps() y pdf().
En GNU/Linux no hay un "File/Save As" para las figuras.
Vamos a ordenar un conjunto de datos en funcin del p-value Adems de data (ej., medidas de expresin con la tcnica A)
del estadstico de la t. (Simulamos los datos; sujetos en tenemos dataB (con la tcnica B). Queremos seleccionar
columnas, "genes" en filas.) aquellos genes con alta correlacin positiva.
> data <- matrix(rnorm(50 * 100), ncol = 50) > dataB <- matrix(rnorm(50 * 100), ncol = 50)
> clase <- factor(c(rep("sano", 20), > correlaciones <- apply(cbind(data,dataB), 1,
+ rep("enfermo", 30)))
+ function(x) cor(x[1:50], x[51:100]))
> tmp <- t.test(data[1, ] clase)
> order(correlaciones)
> tmp
> attributes(tmp) > which(correlaciones > 0.7)
> hist(correlaciones)
> tmp$p.value
> resultado <- apply(data, 1,
+ function(t.test(x clase)$p.value))
> hist(resultado); order(resultado)
> which(resultado < 0.05)
La familia apply +
+
oncogen = c(TRUE, TRUE, FALSE),
loc = c(1,30, 125))
Uso y programacion de R p. 43/157 Uso y programacion de R p. 44/157
Tipos de objetos (II) Atributos de los objetos
Nombres de objetos
Los nombres vlidos para un objeto son combinaciones de Las "reglas" habituales de nombrar objetos en programacin
letras, nmeros, y el punto ("."). (usar estilo consistente, uso razonable del ".", nombres que
Los nombres no pueden empezar con un nmero. tengan sentido equilibrio entre longitud y frecuencia de uso,
etc). Por ej., suelo nombrar data frames con la inicial en
R es "case-sensitive". x != X. mayscula, pero las variables siempre en minscula. Si varias
Hay nombres reservados ("function", "if", etc). funciones hacen cosas parecidos a objetos distinto, separo
Otras consideraciones: con "." (ms fcil luego usar clases).
El uso del "." es diferente al de C++. Sobre el uso de ";". No es bueno abusar, porque hace el
Mejor evitar nombres que R usa (ej., "c") (pero no es cdigo muy difcil de leer. (Pero en estas transparencias, si no
dramtico si nos confundimos: podemos arreglarlo). lo usara ocuparamos muchsimo espacio).
c <- 4; x <- c(3, 8); x; rm(c); c(7, 9)
Las asignaciones se hacen con "<-", y es buen estilo el
rodear "<-" por un espacio a cada lado.
x<-1:5 # Mal estilo
x <- 1:5 # Mucho mejor.
Uso y programacion de R p. 47/157 Uso y programacion de R p. 48/157
Operaciones aritmticas con vectores (I) Operaciones aritmticas con vectores (II)
FUNDAMENTAL: R puede operar sobre vectores enteros de Operar sobre vectores enteros es MUCHO MEJOR que usar
un golpe. loops:
> x <- 1:10 Mucho ms claro:
> y <- x/2; z <- x 2; w <- y + z Es la forma natural de operar sobre objetos enteros.
Si un elemento es ms corto, se "recicla". Es "intuitivo" si la Cdigo ms fcil de entender.
operacin es escalar con vector. Pero tambin ocurre en Ms sencillo de modificar y mantener.
operaciones entre vectores. Ms fcil hacer debugging.
> x + 15 Ms rpido de escribir (y no slo porque muchas menos
lneas!).
> x2 <- 1:5
> x + x2 Ms eficiente (en tiempo y memoria).
El reciclado cuando (vector, escalar) suele ser lo que
queremos. Entre vectores no siempre: cuidado. (R da un
warning, de momento S4 classes dan un error).
Para discretizar datos: usar cut: Generalizaciones de vectores. Nos centraremos en arrays de
vv <- c(1, 2, 3, 7, 8, 9) 2 dimensiones, pero podemos usar un nmero arbitrario. Con
cut1 <- cut(vv, 3); summary(cut1) dos dimensiones, array y matrix proveen similar
funcionalidad, pero matrix es ms cmoda.
cut2 <- cut(vv, quantile(vv, c(0, 1/3, 2/3, 1)),
+ include.lowest = TRUE) a1 <- array(9, dim = c(5,4))
summary(cut2) a2 <- matrix(1:20, nrow = 5) # column-major-order,
Ver tambin split(x, f): divide datos del vector x usando # como en F O R T R A N .
los grupos definidos en f. a3 <- matrix(1:20, nrow = 5, byrow = TRUE)
a4 <- 1:20; dim(a4) <- c(5, 4)
Indexado de arrays es similar a vectores. Ordenar un array usando una de las columnas:
a4[1, 4]; a4[1, ]; a4[, 2]; a4[c(1, 3), c(2, 4)] o.array <- matrix(rnorm(20), ncol = 4)
Podemos usar los cuatro mtodos para vectores y tambin o.array <- o.array[order(o.array[, 1]), ]
indexar con una matriz. En la matriz con los ndices cada fila Seleccin aleatoria de filas:
extrae un elemento; su fila (primera dimensin) se especifica sample.of.rows <-
por el elemento en la primera columna, y su columna por el + o.array[sample(1:dim(o.array)[1],
elemento en la segunda columna. + replace = TRUE), ]
> im <- matrix(c(1, 3, 2, 4), nrow = 2)
> im
> a4[im]
> # Por qu difiere de a4[c(1, 3), c(2, 4)]?
El indexado con matrices se extiende tambin a arrays de ms
dos dimensiones.
a4[1, ] #es un vector! Para combinar vectores o arrays para obtener arrays, usamos
Para evitar "dropping indices" usar rbind, cbind.
a4[1, , drop = FALSE] x1 <- 1:10; x2 <- 10:20
a4[, 3, drop = FALSE]. a7 <- cbind(x1, x2); a8 <- cbind(x1, x2)
Esto mismo se aplica a arrays de ms de dos dimensiones. a12 <- cbind(a2, a4)
"drop = FALSE" generalmente debe usarse, de forma a9 <- matrix(rnorm(30), nrow = 5)
defensiva, cuando escribamos funciones (si no, nos cbind(a4, a6) # no funciona
encontraremos con errores como "Error in apply(a6, 2, rbind(a4, a6)
mean) : dim(X) must have a positive length".)
Las matrices tiene atributos. En particular:
Operaciones matriciales: muchas disponibles incluyedo attributes(a4)
factorizaciones como svd y qr, determinantes, rango, solucin colnames(a4) <- paste("v", 1:4, sep = "")
de sistemas, etc. Slo mencionamos diag, producto de
rownames(a4) <- paste("id", 1:5, sep = ".")
matrices (%*%) y traspuesto (t):
a4[, c("v1", "v3")]
a6 <- diag(6); diag(a4) <- -17
attributes(a4)
a4 %*% a2; a2 %*% t(a2) Uso y programacion de R p. 71/157 Uso y programacion de R p. 72/157
data.frames
Y si son de distinto tipo? Podemos convertir matrices a data frames con
x3 <- letters[1:10] as.data.frame().
a9 <- cbind(x1, x2, x3) Por estas razones, las data frames suelen ser objetos ms
Pero yo no quera eso!!!. Quizs quera un data.frame tiles que las arrays. Permiten lo mismo que las arrays, pero
a10 <- data.frame(x1, x2, x3) se puede guardar/acceder a otra informacin.
El indexado y subsetting de data frames como el de arrays y Las data.frames tambin tienen rownames, colnames.
matrices. (Por supuesto, no hallaremos el determinante de un attributes(a10) # pero nosotros no habamos
data frame que tenga factores) Pero si podemos hacer: # fijado los row.names
library(mva) #aqu estn func. estad. multiv. Tambin dimnames(a10).
prcomp(a10[, c(1,2)])
prcomp(a10[, c("x1", "x2")])
prcomp(a10[, -3])
Adems, al hacer data.frame, los "character vectors" son
convertidos a factors (lo que es una ventaja).
Uso y programacion de R p. 73/157 Uso y programacion de R p. 74/157
data.frames: $ y attach
La estructura de las data.frames es sujetos (casos) en f ila, Usar $ facilita el acceso y creacin de nuevas columnas.
variables en columna. Esta es (por buenas razones) la > set.seed(1) # fijar la semilla
organizacin de los datos usada en estadstica. Pero esta > ## del random number generator
tructura es la traspuesta de la organizacin habitual de los
> d1 <- data.frame(g1 = runif(10), g2 = rnorm(10))
datos de microarrays: los datos de microarrays generalmente
tiene los sujetos (o casos o tumores) en columnas y las > d1$edad <- c(rep(20, 5), rep(40, 5))
variables (genes) en filas. >
Esto no representa un problema. Podemos trasponer los > set.seed(1)
datos, o guardar otros datos fenotpicos en otras data.frames. > d2 <- cbind(g1 = runif(10), g2 = rnorm(10))
Veremos ejemplos. > d2[, 3] <- c(rep(20, 5), rep(40, 5)) # error
> d2 <- cbind(d2, edad = c(rep(20, 5), rep(40, 5)))
> #OK
subset
En "entornos confusos" (ej., un anlisis que se prolonga 2 d3 <- data.frame(g1 = runif(10), g2 = rnorm(10),
semanas) mejor evitar attach() y acceder siempre a las id1 = c(rep("a", 3), rep("b", 2), rep("c", 2),
variables usando su localizacin explcita y completa. rep("d", 3))))
Los que no son "a" ni "b"
d3[!(d3$id1 %in% c("a", "b")), ]
O usar subset
subset(d3, !(id1 %in% c("a", "b")))
Por supuesto, podemos usar reglas ms complejas (ej., que
sea igual a una variable, distinto en otra, y no missing en una
tercera).
subset tambin permite la seleccin de variables (columnas);
el argumento "select".
Escenario: un data frame (datos); varias rplicas del mismo d.collapse.by.cnioid <- aggregate(datos,
clon (cnioID); queremos "colapsar" por clon. Si es una variable list(id = datos[, "cnioID"]),
numrica, hallar la mediana; si categrica, slo debera haber FUN = colapsar)
un valor: devolver ese (si hay ms valores, sealarlo.)
d.collapse.by.cnioid <- d.collapse.by.cnioid[, -1]
colapsar <- function(x) {
# Asegurarse que se ha echo lo que queramos!!!
+ if(is.numeric(x))
Otras funciones para objetivos similares: ver ?reshape,
+ return(median(x, na.rm = TRUE)) ?merge
+ else {
+ tmp <- unique(x)
+ if(length(tmp) > 1) return("varios!")
+ else return(as.character(tmp[1]))
+ }
}
La familia apply
ax <- matrix(rnorm(20, ncol = 5) Operar con apply generalmente mucho ms eficiente que
medias.por.fila <- apply(ax, 1, mean) loops (adems de ms claro, ms fcil, etc, etc).
por.si.na <- apply(ax, 1, mean, na.rm = TRUE) sapply, lapply son como apply pero no hay que
mi.f1 <- function(x) { return(2*x - 25)} especificar el "margin"; sapply intenta simplificar el resultado a
mi.f1.por.fila <- apply(ax, 1, mi.f1) un vector o a una matriz (la "s" es de "simplify"), pero lapply
siempre devuelve una lista. Ambas pueden aplicarse a
mas.simple <- apply(ax, 1, function(x)
vectores, listas, arrays.
+ {return(2*x -25)})
media.por.columna <- apply(ax, 2, mean)
sample.rows <- apply(ax, 1, sample)
dos.cosas <- function(y)
+ {return(c(mean(y), var(y)))}
apply(ax, 1, dos.cosas)
t(apply(ax, 1, dos.cosas))
Una forma tonta de generar datos de distribuciones normales > # see MASS, p. 38
con una media y desviacin tpicas dadas: > library(MASS)
> parameters <- cbind(mean = -5:5, sd = 2:12) > data(quine) # absentismo escolar
> data <- t(apply(parameters, 1, function(x) > attach(quine)
+ rnorm(10000, x[1], x[2]))) > tapply(Days, Age, mean)
> apply(data, 1, mean); apply(data, 1, sd) > tapply(Days, list(Sex, Age), mean)
Este es un ejemplo tonto, por supuesto. Es ms sencillo (y > tapply(Days, list(Sex, Age),
matemticamente equivalente) hacer: + function(y) sqrt( (var(y)/length(y))))
> z.data <- matrix(rnorm(10000 * 11), nrow = 11)
Una tabla
> data2 <- (z.data * parameters[, 2]) + > table(Sex, Age)
+ parameters[, 1]
>
> apply(data2, 1, mean); apply(data2, 1, sd)
Algunas funciones directamente hacen un "apply". Dos funciones que se aplican directamente sobre matrices:
> m1 <- matrix(1:20, ncol = 5) > cov(m1)
> d1 <- as.data.frame(m1) > cor(m1) #demasiados dgitos ...
> mean(x1); mean(d1); sd(x1); sd(d1); median(m1); > round(cor(m1), 3)
median(d1)
> # cor.test hace otra cosa
apply, sapply, lapply y tapply son funciones muy > cor.test(m1[, 1], m1[, 2])
tiles que contribuyen a hacer el cdigo ms legible, fcil de > cor(apply(m1, 2, rank)) # corr. rangos (Spearman)
entender, y facilitan posteriores modificaciones y aplicaciones.
Cada vez que vayamos a usar un "loop" explcito, intentemos tabla.multiplicacin <- outer(11:15, 11:20, "*")
substituirlo por algn miembro de la ilustre familia apply. A outer se pueden pasar funciones mucho ms complejas; por
ej., outer se usa en el ejemplo de persp.
?persp # y ejecutemos el primero ejemplo
par(mfrow(1,2)); ?image # y otro ejemplo
outer requiere funciones vectorizadas (apply no). Ver FAQ,
Uso y programacion de R p. 87/157 7.19 para ms detalles. Uso y programacion de R p. 88/157
Interludio: listas
Las data.frames son, en realidad, tipos especiales de listas. > d3 <- data.frame(g1 = runif(10), g2 = rnorm(10),
Las listas son contenedores sin estructura determinada. + id1 = c(rep("a", 3), rep("b", 2),
Por tanto muy flexibles, pero sin estructura. + rep("c", 2), rep("d", 3))))
> my.fun <- function(x) {
Muchas funciones devuelven listas: devuelven un conjunto de
resultados de distinta longitud y distinto tipo. + las.medias <- mean(x[, -3])
+ las.vars <- var(x[, -3])
+ max.total <- max(x[, -3])
+ tabla.clases <- table(x[, 3])
+ return(list(row.means = las.medias,
+ row.vars = las.vars, maximum = max.total,
+ factor.classes = tabla.clases))
}
> my.fun(d3)
Resumen (y apologa de R)
> una.lista <- my.fun(d3); una.lista Una vez que los datos estn en R, su manipulacin es muy
> attributes(una.lista); names(una.lista) flexible.
> length(una.lista) Podemos seleccionar variables, casos, subsecciones de datos,
> una.lista[[4]] etc, de acuerdo con criterios arbitrarios (que usan, adems,
> una.lista[4] # por qu sale el nombre? condiciones que pueden implicar a un nmero arbitrario de
variables y casos).
> una.lista$factor.classes
> una.lista[[3]] <- list(NULL); una.lista Los data frames y las matrices pueden separarse, juntarse,
cambiarse de forma (reshape), etc.
> una.lista[[3]] <- NULL
> una.lista # hemos eliminado el "slot" maximum El indexado y seleccin de casos pueden usar nmeros,
factores, cadenas de caracteres, etc.
> unlist(una.lista)
> otra.lista <- list(cucu = 25, una.lista) Podemos preparar cdigo que repita las mismas operaciones
con datos semejantes (i.e., podemos automatizar el proceso
> unlist(otra.lista)
con sencillez).
> unlist(otra.lista, drop = FALSE)
> una.lista <- c(una.lista, otro.elemento = "una
frase") Uso y programacion de R p. 91/157 Uso y programacion de R p. 92/157
Importando y exportando datos
R es un tanto inflexible en la importacin de datos. En Queremos leer un fichero simple, separado por tabuladores.
ocasiones, puede ser necesario un preprocesado de los datos
my.data.frame <- read.table("mi.fichero",
con otro programa (Python, Perl).
+ ,
header = TRUE, sep = ""
Hay funciones para importar datos en formato binario de SAS, + comment.char = "")
SPSS, Minitab, Stata, S3 (ver package foreign
(http://cran.r-project.org/src/contrib/PACKAGES.html#foreign ). Si el carcter decimal no es un punto sino, por ej., una coma,
usar: dec = ",".
Tambin de bases de datos. Ver R data import/export.
Se pueden saltar lineas (skip) o leer un nmero fijo de lneas
No hay, por el momento, formas sencillas de importar
(nrows).
directamente datos en formato binario Excel.
Otro separador habitual de columnas es sep = " ".
Por tanto, datos en Excel habrn de ser exportados o salvados
desde Excel como texto. Hay funciones especializadas para otros ficheros (ej.,
(Para usuarios de GNU/Linux: con ficheros de Excel de read.csv) pero son casos especficos de read.table.
tamao moderado, Gnumeric generalmente es ms rpido que
OpenOffice. Con ficheros muy grandes, Gnumeric parece
atragantarse.) Uso y programacion de R p. 95/157 Uso y programacion de R p. 96/157
Importando de Excel
Ojo con comment.char. El "default" es "#" lo que puede Lo mejor es exportar desde Excel como fichero de texto
causar problemas si ese carcter se usa en nombres (como en separado por tabuladores.
muchos ficheros de arrays). Ojo con las ltimas columnas y missing data (Excel elimina los
Podemos especificar el cdigo para "missing data" (por "trailing tabs"). Dos formas de minimizar problemas:
defecto usa NA y el que no haya valor columna vaca). Usar "NA" para missing.
Muchos errores de lectura relacionados con distinto nmero de Poner una ltima columna con datos arbitrarios (ej., una
columnas. Usar count.fields para examinar donde est el columna llena de 2s).
problema. Cuidado tambin con lneas extra al final del fichero.
scan es una funcin ms general, pero de uso ms Salvamos como texto (slo salvamos una de las hojas).
complicado; slo necesaria en ocasiones especiales o cuando
escasos de memoria. Importamos en R con read.table.
R incluye muchas y variadas funciones para hacer grficos. plot() funcin grfica bsica.
El sistema permite desde simples plots a figuras de calidad # Modificado de "Introductory statistics with R"
para incluir en artculos y libros. x <- runif(50, 0, 4); y <- runif(50, 0, 4)
Slo examinaremos la superficie. Ms detalles en el captulo 4 plot(x, y, main = "Ttulo principal",
de Modern applied statistics with S; los captulos 3 y 7 de An R + sub = "subttulo", xlab = "x label",
and S-PLUS companion to applied regression; el captulo 4 de + ylab = "y label", xlim = c(-1, 5),
R para principiantes; el captulo 12 de An introduction to R.
+ ylim = c(1, 5))
Tambin demo(graphics). abline(h = 0, lty = 1); abline(v = 0, lty = 2)
text(1, 4, "Algo de texto")
mtext("mtext", side = 1)
mtext("mtext en side 2", side = 2, line = -3,
+ cex = 2)
Una "pairwise scatterplot matrix": Muy tiles para ver rpidamente las caractersticas de una
> X <- matrix(rnorm(1000), ncol = 5) variable,o comparar entre variables.
> colnames(X) <- c("a", "id", "edad", "loc", attach(Y)
+ "weight") boxplot(weight)
> pairs(X) plot(sexo, weight)
"Conditioning plots" (revelan, entre otros, interacciones): detach()
> Y <- as.data.frame(X) boxplot(weight sexo, data = Y,
> Y$sexo <- as.factor(c(rep("Macho", 80), + col = c("red", "blue"))
+ rep("Hembra", 120))) boxplot tiene muchas opciones; se puede modificar el
> coplot(weight edad | sexo, data = Y) aspecto, mostrarlos horizontalmente, en una matriz de
> coplot(weight edad | loc, data = Y) boxplots, etc. Vease la ayuda (?boxplot).
> coplot(weight edad | loc + sexo, data = Y)
La librera lattice permite lo mismo, y mucho ms, que coplot.
Ver secc. 4.6 de R para principiantes. Uso y programacion de R p. 111/157 Uso y programacion de R p. 112/157
Jittering en scatterplots Adicin de rectas de regresin
Los datos cuantitativos discretos pueden ser difciles de ver Podemos aadir muchos elementos a un grfico, adems de
bien: leyendas y lneas rectas:
dc1 <- sample(1:5, 500, replace = TRUE)
> x <- rnorm(50)
dc2 <- dc1 + sample(-2:2, 500, replace = TRUE,
> y <- rnorm(50)
+ prob = c(1, 2, 3, 2, 1)/9)
> plot(x, y)
plot(dc1, dc2)
> lines(lowess(x, y), lty = 2)
plot(jitter(dc1), jitter(dc2))
> plot(x, y)
Tambin til si slo una de las variables est en pocas > abline(lm(y x), lty = 3)
categoras. Podemos aadir otros elementos con "panel functions" en
otras funciones (como pairs, lattice, etc).
Otros
Lo ms sencillo es usar panel.car y Podemos modificar mrgenes exteriores de figuras y entre
scatterplot.matrix, en el paquete "car". figuras (vease ?par y bsquense oma, omi, mar, mai;
> library(car) ejemplos en An introduction to R, secc. 12.5.3 y 12.5.4.
> coplot(a edad | loc, panel = panel.car, Tambin grficos 3D: persp, image, contour;
+ data = X) histogramas: hist; grficos de barras: barplot; grficos
> scatterplot.matrix(X, diagonal = "density") de comparacin de cuantiles, usados para comparar la
distribucin de dos variables, o la disribucin de unos datos
frente a un estndard (ej., distribucin normal): qqplot,
qqnorm y, en paquete "car", qq.plot.
Notacin matemtica (plotmath) y expresiones de texto
arbitrariamente complejas.
Grficos tridimensionales dinmicos con XGobi y GGobi. (Ver
http://cran.r-project.org/src/contrib/PACKAGES.html#xgobi,
http://www.ggobi.org,
http://www.stat.auckland.ac.nz/~kwan022/pub/gguide.pdf).
Uso y programacion de R p. 115/157 Uso y programacion de R p. 116/157
Guardando los grficos Programacin en R
En Windows, podemos usar los mens y guardar con distintos Definicin de funciones
formatos.
Tambien podemos especificar donde queremos guardar el Argumentos
grfico:
> pdf(file = "f1.pdf", width = 8, height = 10)
> plot(rnorm(10))
Control de ejecucin: condicionales, loops
> dev.off()
Cuando algo va mal: traceback, browser,
O bien, podemos copiar una figura a un fichero: >
plot(runif(50)) debug
> dev.copy2eps()
unix.time, Rprof
Ya hemos definido varias funciones. Aqu una ms: otra.f <- function(a, b, c = 4, d = FALSE) {
my.f2 <- function(x, y) { + x1 <- a * z ...}
+ z <- rnorm(10) Los argumentos "a" y "b" tienen que darse en el orden debido
+ y2 <- z * y o, si los nombramos, podemos darlos en cualquier orden:
+ y3 <- z * y * x otra.f(4, 5)
+ return(y3 + 25) otra.f(b = 5, a = 4)
} Pero los argumentos con nombre siempre se tienen que dar
Lo que una funcin devuelve puede ser un simple nmero o despues de los posicionales
vector, o puede producir una grfica, o devolver una lista o un otra.f(c = 25, 4, 5) # error
mensaje. Los argumentos "c" y "d" tienen "default values". Podemos
especificarlos nosotros, o no especificarlos (i.e., usar los
valores por defecto).
args(nombre.funcion) nos muestra los argumentos (de
cualquier funcin).
Uso y programacion de R p. 119/157 Uso y programacion de R p. 120/157
Control de ejecucin: if
Nuestro objetivo aqu no es producir las funciones ms Para la ejecucin no interactiva de cdigo.
eficientes, sino funciones que hagan lo que deben. Con source abrimos una sesin de R y hacemos >
Las adminiciones habituales sobre no optimizar y jams source("mi.fichero.con.codigo.R").
optimizar antes de tiempo. Con BATCH: % R CMD BATCH mi.fichero.con.codigo.R.
Pero a veces til saber cuanto dura la ejecucin de una source es en ocasiones ms til porque informa
funcin: unix.time(my.f2(runif(10000), rnorm(1000))). inmediatamente de errores en el cdigo. BATCH no informa,
Rprof: un profiler para ver cuantas veces es llamada cada pero no requiere tener abierta una sesin (se puede correr en
funcin y cuanto tiempo se usa en esa funcin. Ver la ayuda. el background).
Garbage collection: desde R 1.2.0 hay garbage collection. Se Ver la ayuda: R CMD BATCH -help.
puede ver el status con gc(), que sirve tambin para despejar Puede que necesitemos explcitos print statements o hacer
las cosas depues de operaciones con manejo de grandes source(my.file.R, echo = TRUE).
objetos.
sink es el inverso de source (manda todo a un fichero).
t.test.cluster <- function(data, labels, threshold, Usar seleccin de genes basndonos en adjusted p-values.
+ hang = -1) { (Usar librera multtest).
+ gene.select <- function(x, class, threshold) Usar otros algoritmos de clustering.
+ { ...} Usar tres clases en vez de dos (usar como estadstico una F o
+ genes.selected <- gene.select(data, labels, como test un ANOVA).
+ threshold)
+ data.reduced <- data[genes.selected, ,
+ drop = FALSE]
+ mi.cluster <- hclust(dist(t(data.reduced)) 2,
+ method = "average")
+ plot(mi.cluster, hang = hang)
}
A correr:
t.test.cluster(xmat, labels, 0.05, 0)
Uso y programacion de R p. 135/157 Uso y programacion de R p. 136/157
Cross-validation de un predictor Cross-validation: pasos
CV: svm
Con svm, necesitamos las predicciones del modelo. Vamos a Ojo, esta es la estructura habitual de sujetos en filas y
?svm y encontramos predict.svm. variables en columnas.
Las predicciones de clase para unos datos de test (test.data) Estamos seguros de predict.svm? Lo probamos o jugamos
con un predictor entrenado con unos datos de training con algunos ejemplos de la ayuda (no mostrado).
(training.data, cuyas clases son cl.train.data) se obtienen
entonces como:
fitted.svm <- svm(training.data, cl.train.data,
+ kernel = "linear")
predict(fitted.svm, test.data)
Pero eso se puede simplificar, porque nosotros no
necesitamos para nada "fitted.svm":
predict(svm(training.data, cl.train.data,
+ kernel = "linear"), test.data)
Con predicciones, fcil obtener error rates. Error: todo aquel Coger k (k = 200?) genes con expresin ms distinta.
caso para el que predicho != real. Por si acaso hay Juzgamos "expresin ms distinta" con test de la t.
desviaciones sistemticas, desglosamos la situacin entre
predichos de clase 0 y observados de clase 1, y predichos de Podramos hacer:
clase 1 y observados de clase 0. t.statistic <- apply(train.data, 2,
Para cada conjunto de test tres columnas: predicho 0 y + function(x) {
observado 1, predicho 1 y observado 0, y la suma de las dos + abs(t.test(x cl.train.data)$statistic)})
anteriores. Una cuarta columna donde anotamos el nmero de Pero no es muy rpido. X <- matrix(rnorm(1000*50), nrow
casos en esa particin. Llamemos a esta matriz "cv.errors".
= 50)
Despues de examinar todas las particiones, el error de clases <- c(rep(0, 25), rep(1, 25))
prediccin ser:
unix.time(
sum(cv.errors[, 3])/sum(cv.errors[, 4]).
+ t.stat <- apply(X, 2, function(x) {
(Por eficiencia, retraso el nombrar las columnas hasta el final
+ abs(t.test(x clases)$statistic)})
del cdigo).
+ )
Uso y programacion de R p. 141/157 Uso y programacion de R p. 142/157
Podramos vivir con ello si fueramos a usar nuestra funcin Cargamos el paquete librera, y vemos la ayuda para saber
slo unas pocas veces. Pero yo la uso mucho en qu nos interesa:
simulaciones. Necesitamos algo ms rpido. > library(multtest)
Usaremos "mt.maxT", del paquete "multtest" (implementa el > ?mt.maxT
test de la t directamente en C, por lo que es mucho ms > # un ejemplo corto, para ver con
rpida.) > ## que nos quedamos:
mt.maxT sirve para obtener p-values ajustados para multiple > data(golub)
testing. Pero nosotros no estamos aqu interesados en el > tmp <- mt.maxT(golub[1:20, ], golub.cl, B = 1)
p-value, sino en el estadstico, que usamos slo como una > tmp # nos basta la primera columna o la 1a y 2a .
forma de ordenar los genes para su posterior seleccin.
Por eso, podemos usar mt.maxT sin permutaciones.
mt.maxT recibe los datos en la forma habitual de las
microarrays (sujetos en columnas, genes en filas). Habr que
trasponerlos.
Uso y programacion de R p. 143/157 Uso y programacion de R p. 144/157
Nuestra funcin es un simple "wrapper" a mt.maxT, incluyendo Traspongo los datos al llamar a mt.maxT.
el nmero de genes con el que nos queremos quedar (size) He dejado el antiguo cdigo que usa la funcin t.stat
(threshold no lo usamos aqu): directamente, por si algn da me hace falta. Y he puesto
> gene.select <- comentarios sobre lo que ocurre.
+ function(data, class,
+ size, threshold = NULL) {
+ ## t.stat <- apply(data, 2, function(x)
+ ## {abs(t.test(x class)$statistic)}) slow
+ tmp <- mt.maxT(t(data),class,B= 1)[,c(1, 2)]
+ selected <- tmp[seq(1:size), 1]
+ return(selected)
}
CV:Cdigo para cv
Si usamos, por ej., 10-fold cross-validation, lo que queremos El siguiente cdigo est sacado de Venables & Ripley, S
son 10 fracciones de los datos; entrenamos con las 9 primeras Programming, p. 175.
y testamos en la 10a restante; repetimos con las dems. > los.indices <- rep(1:knumber, length = N)
(Llamemos a 10 el "knumber"). > # now, reshuffle
Cdigo de cv. sencillo si asociamos cada sujeto a un nmero, > sample(los.indices, N, replace = FALSE)
de 1 a 10. Y ahora iteramos de 1 a 10. > # or sample(los.indices)
Cuando el iterador es, por ej., 3, los sujetos con el nmero 3 "los.indices" genera secuencias de 1 a knumber, y las repite
son del test set y todos los dems del training set. hasta que tenemos un total de nmeros igual al nmero de
Queremos que el tamao sea balanceado. sujetos. Por tanto, bastante balanceado. Y por ltimo, reshuffle
aleatoriamente.
Lo podemos simplificar:
index.select <-
+ sample(rep(1:knumber, length = N),
+ N, replace = FALSE)
Uso y programacion de R p. 147/157 Uso y programacion de R p. 148/157
CV: poniendo todo junto
Por ltimo facilitamos las cosas haciendo que leave-one-out no Ya tenemos todas las piezas. El esquema es:
requiera que recordemos el nmero de sujetos: Generar lista de sujetos de cada particin.
if(is.nlull(knumber)) { Para cada training set, hacer:
knumber <- length(y) Seleccin de genes
} Prediccin de los sujetos en el testing set usando los
N <- length(y) genes seleccionados.
index.select <- Media de errores de prediccin sobre el total de los testing
sample(rep(1:knumber, length = N),
sets.
N, replace = FALSE) Miremos el cdigo (eso, ver el cdigo).
"index.select" es, por tanto, la particin en la que est cada
sujeto.
select.k <- function(data, class, max.k = 20) { Las cuatro funciones son muy similares: casi todas las lneas
error.k <- rep(-9, max.k) de cdigo son idnticas.
for (i in 1:max.k) { Podramos usar un slo esqueleto bsico, y especificar si la
error.k[i] seleccin de genes es intra cross-validation.
<- length(which(class != Adems, pasar la funcin de prediccin (svm o knn) como un
knn.cv(data, class, k = i))) argumento.
} Lo ltimo es lo que se hace en el paquete "ipred".
return(which.min(error.k)) }
En nuestro caso no merece demasiado la pena, porque
probablemente usemos las funciones slo unas pocas veces.
vant Veer et al. (2002, Nature, 415:530536) describen un Pero. . . es la correlacin con el perfil de expresin medio, o la
mtodo supervisado en tres etapas. media de las correlaciones con los perfiles de expresin? Es la
Preseleccionar genes (ej., basado en un test de la t). La primera (su Fig.2b).
preseleccin deja un gran nmero de genes (en su caso, Y qu se hace si un gen tiene correlacin positiva con la
5000). prognosis y otro negativa? Cambiamos los signos?
Calcular correlacin entre outcome (clase) y expresin;
seleccionamos slo aquellos con corr.coeff. > 0.3 o < -0.3.
Ordenar genes en funcin del (valor absoluto?) del
coeficiente de correlacin.
El clasificador se optimiza aadiendo secuencialmente
conjuntos de 5 genes (los 5 con rango superior). Se evala
el clasificador usando leave-one-out.
La clasificacin se hace basndose en la correlacin del perfil
de la left-out-sample con "the mean expression levels of the
remaining samples from the good and poor prognosis".
Uso y programacion de R p. 155/157 Uso y programacion de R p. 156/157
Fin