例えば a<- c(0,4,5,3,20,0,0,2,8) というベクトルがあったとして、この要素に0と等しいものがいくつあるか調べたい。 a == 0 [1] TRUE FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE となるが、これを [1] TRUE FALSE 3 6 的に返してくれる関数はないでしょうか。 なければ作るわなぁ… TF<- function(vec,n){ # vecは判定したいベクトル、nは真偽判定の数値 TFresult<- vec == n TFcount<- c(0,0) # TRUE、FALSEの順 for(i in 1:length(vec)){ if(TFresult[i] == TRUE){ TFcount[1]<- TFcount[1] + 1 }else{ TFcount[2]<- TFcount[2]
はじめに システムの稼働状況とかミドルウェアの統計情報とかを手っ取り早く可視化するためにRを使ってみようということで書き始めた連載企画です。今回はレポート生成編です。 R Markdownというパッケージを使用すると、Word, PDF, HTML等の形式のレポート生成を自動化できます。Rでデータを集計してグラフを作ったとしても、それをExcelやWordにコピペしてレポートを作っていたのでは非常に効率が悪いです。そこをサクッとスマートにやりましょうという話です。 レポート生成の自動化の意義や、R Markdownの使い方等については、以下にすばらしい連載記事がありますので是非一読されることをお勧めします。 R Markdownで楽々レポートづくり 詳細は上の記事見ていただくのがよいと思うので、ここでは一通りレポート生成させてみる所を中心にまとめます。 関連記事 インフラ屋さんのためのR言
- GD2L is a cost-aware buffer pool management algorithm that uses two priority queues to manage pages on SSD vs HDD. CAC is a predictive cost-based technique for managing which pages are placed on SSD. - Experiments show that using GD2L and CAC together provides up to 2x better TPC-C performance compared to LRU baseline, by lowering total I/O costs on both SSD and HDD for large 30GB databases. For
知っていると便利かもしれない小技から，どーでもいい小技まで．ググったサンプルをコピペして完了！系大学院生が読むと，何か新しい発見があるかもしれません．使わなさ（当社比）を４段階（☆☆☆，★☆☆，★★☆，★★★）で表記しますので，ああ確かに知らなくていいなって思ってください．新しい技を仕入れ次第，更新します． 多次元データへのアクセス 次元を落とさない 使わなさ：☆☆☆（そこそこ役に立つ） デフォルト設定では，行列や配列の一部分にアクセスした場合，その戻り値はできる限り次元を落としたものになります（次元を落とすことを「ドロップする」と言うことにします）．データフレームでも同様です． > x <- array(1:1000, c(10, 10, 10)) > class(x[1, 1, 1]) # 3次元配列 → 要素数1のベクトル（スカラ） [1] "integer" > class(x[1
R で GLMM （一般化線形混合モデル） 【概要】一般化線形混合モデル とは？ -(1) 通常の線形回帰モデル （例: R の lm() 関数）では、応答変数（目的変数、被説明変数）は正規分布に従って起こる事象（確率過程）であるという仮定がおかれています -(2) その仮定を緩めて、説明したいデータが、二項分布 や ポアソン分布 の形を描いて起こるという認識（想定）のもとで、手元にある実測値データの振る舞いを説明する数理モデルが、「一般化線形モデル」です -(3) 上記に加えて、さらに、「基準についてはまだよくわからない」・「説明変数として見える化・定量化できるには至っていない」ものの、データがなんらかのグループ（集団属性 や 場所属性 etc )別に分けられる可能性が考えれ、すべての応答変数データを、「均質」で「同じ」データ として扱う「一般化線形モデル」では、データ（応答変数）値のば
今年の1月にこんな話題を取り上げたわけですが。 この記事の最後にちょろっと書いた通り、実際にはこういう"too good to be true"即ち「そのモデルの精度いくら何でも高過ぎるんじゃないの？」→「実は汎化性能見てませんでした」みたいなケースって、想像よりも遥かに多くこの世の中存在するみたいなんですね。ということで、それこそ『はじパタ』の2章とかPRMLの最初の方に出てくる初歩中の初歩なんですが、その辺の話を改めてだらだら書いてみようと思います。 そもそも「精度100%」とか「相関係数0.9以上」とか見たら身構えるべき 冒頭に挙げた例は、そもそも「精度100%なんておかしい」という声があちこちから挙がったことで話題になり、蓋を開けてみたらleakageはあるわ訓練誤差でしか評価してないわで散々だったわけです。 一般に、実世界のデータセットで統計モデリングにせよ機械学習にせよモデリン
Rの準備 Rのサイトはこちらから。 左のDownloadから，CRANを選び，最も近いミラーサイト(普通は日本にするよ)を選択。 自分のOSにあった所をクリックし，Rをインストールする。 最新バージョンはR3.2.2です。(2015.09.04段階) Windowsの人はbaseとrtoolsの両方をダウンロードする必要があります。 Rtoolsを入れるWindowsユーザはRtools33を選びましょう。(Rのバージョンに合わせる) インストールする順番を間違えないで！RをいれてからRtoolsを入れましょう。 Rtoolsのインストールの途中に出てくる，「edit the system path」は必ずチェックすること。 MacユーザはXcodeをAppStoreからダウンロード・インストールしてください。 Ubuntu系は自分で頑張れ。 Rstudioの準備 Rstudioはこちらか
基本的な考え方 棒グラフは比例尺度の量を表すのに用い，棒の長さ（面積）が量に比例するように描くのが基本。一つだけずば抜けて大きい値があるときに棒の上のほうで省略線を用いることはあるが，下を省略して全体の長さを切り詰めることは好ましくない。例えば気象観測データについては，雨量は比例尺度であるので棒グラフで表してもよいが，気温は（絶対温度でない限り）間隔尺度であり，棒グラフは使えない。 折れ線グラフは，両軸とも間隔尺度以上であるのが基本。0点から始める必要はない。特に時系列データについてよく使われる。 円グラフは全体における割合を表すにはよいが，全体との比較ではなく個々の値どうしの比較には棒グラフがよい。いわゆる3次元（3D）円グラフは，錯覚を利用して特定の部分を大きく見せるためのもので，一般には用いない。 円グラフは複数回答のアンケート結果の図示には絶対に用いない。 色分けして凡例を付けるの
第50回 TokyoR 発表資料 Stanコードは下のサイトで公開しております。 https://github.com/teuder/TokyoR50
I am wondering if there is a function to clear the console in R and, in particular, RStudio I am looking for a function that I can type into the console, and not a keyboard shortcut. Someone has already provided such a function in this StackExchange post from 2010. Unfortunately, this depends on the RCom package and will not run on Mac OS X.
#目的 Rの標準で入っているライブラリlibrary(stats)の関数cor.testを使い、変数間の相関行列を求めます。 Rでは、変数のデータフレームを与えて一気に変数間の相関行列を出力させることが可能です。ですが変数が膨大にある場合、相関行列が出力されてもその読みとりは困難です。そこで、相関が強いと判定されたペアのみデータとして出力するスクリプトを作りました。 ##想定 「相関が強い」の閾値は、絶対値で0.4としています。 母相関係数の無相関の検定の有意水準は5％です。 ##アウトプットイメージ こんな感じになります（結果はダミーです）。 i列とj列：変数の列番号 cor: 相関係数 p_val : p値 ##データ準備 全ての列が量的な変数のデータ。 (factorの変数があれば、あらかじめ除去します） 変数ラベルリスト データとは別に変数ラベルリストを用意。 下記のvar_no
“The Grammar of Graphics” という体系に基づいて設計されたパッケージ。 単にいろんなグラフを「描ける」だけじゃなく「一貫性のある文法で合理的に描ける」。 Rのグラフ描画システムにはgraphicsとgridの2つが存在しており、 R標準のboxplot()やhist()などは前者の上に、 本項で扱うggplot2は後者の上に成り立っている。 使い方が全く異なるので、前者を知らずにいきなりggplot2から始めても大丈夫。 tidyverse に含まれているので、 install.packages("tidyverse") で一括インストール、 library(tidyverse) で一括ロード。 初学者向け講義資料2025 https://ggplot2.tidyverse.org https://r-graphics.org/ https://r4ds.hadle
この記事が想定する読者層 もしあなたが「プログラマー」ならば、この記事はまるで不要かもしれません。 ここで言うプログラマーとは、たとえば以下のような習慣を持っている人です。 ほとんど同じ処理をソースコード中に2回以上書いていたら違和感を感じる 出力結果が変わらなくても、実行速度や理解しやすさのためにソースコードを書き直すことがある Gitなどのバージョン管理システムを使うことができ、過去のソースコードを「日付の含まれたファイル名でバージョンごとに別ファイルとして保存しておけばよい」とは考えない 動作テストを自動化し、ソースコードを書き換えてもそれぞれの関数の挙動が意図したものになっているかを確認できる この記事は、ひょんなことからRに出会い、コードをコピペで動かせるようになり、 「いつかコピペじゃないコードが書けるようになりたい」 「他のプログラミング言語もできるようになりたい」 とぼんや
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く