Subset dei dati

Esistono diversi modi per ottenere un sottoinsieme (*subset*) del dataset con cui stiamo lavorando: utilizzando l'indicizzazione, utilizzando l'argomento subset dove previsto, con la funzione subset().

# dati
library(carData)
data(SLID)

In generale, quando ci si riferisce ad elemento di un vettore o altro oggetto indicizzato con la parentesi quadra singola ([r,c]), si estrae un subset di dati.

str(SLID[1])

## 'data.frame':	7425 obs. of  1 variable:
##  $ wages: num  10.6 11 NA 17.8 NA ...

La variabile wages viene restituita come dataframe composto da una sola variabile: di fatto, è un subset.

Quindi, ad esempio, per selezionare solo alcune variabili, possiamo scrivere:

SLID[,1:3]

    wages education age
1   10.56      15.0  40
2   11.00      13.2  19
3      NA      16.0  49
...

Vedi anche: select, rename (dplyr)

Lo stesso accade per le righe:

str(SLID[1:10,])

## 'data.frame':	10 obs. of  5 variables:
##  $ wages    : num  10.6 11 NA 17.8 NA ...
##  $ education: num  15 13.2 16 14 8 16 12 14.5 15 10
##  $ age      : int  40 19 49 46 71 50 70 42 31 56
##  $ sex      : Factor w/ 2 levels "Female","Male": 2 2 2 2 2 1 1 1 2 1
##  $ language : Factor w/ 3 levels "English","French",..: 1 1 3 3 1 1 1 1 1 1

Vedi anche: filter (dplyr)

Oppure, dal momento che la funzione ''table()'' non accetta come argomento subset, possiamo usare questo sistema:

# table(SLID["language"])
# table(SLID[,"language"])
table(SLID$language)  

## 
## English  French   Other 
##    5716     497    1091

Tabella della variabile language per i casi con età < 66:

table(SLID[SLID$age<66,"language"])

## English  French   Other 
##    4911     426     867

Tabella language x sex (c(5,4)) per i casi con age < 66, ed esclusa la modalità Other:

table(SLID[SLID$age<66 & SLID$language!="Other", c(5,4)])

##          sex
## language  Female Male
##   English   2535 2376
##   French     214  212
##   Other        0    0

# oppure 
table(SLID[SLID$age<66 & SLID$language!="Other", c("language", "sex")])

Argomento subset

L'argomento subset è utilizzato dalle funzioni che accettano l'argomento data. Ad esempio, t.test per i casi con age < 66:

t.test(wages~sex, alternative='two.sided',
       conf.level=.95, data=SLID, subset = SLID$age<66)

## 
## 	Welch Two Sample t-test
## 
## data:  wages by sex
## t = -14.029, df = 4021.2, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -3.826934 -2.888429
## sample estimates:
## mean in group Female   mean in group Male 
##             13.88273             17.24041

Funzione subset

La funzione subset() opera su colonne o su righe:

# subset con tutte le variabili
newdata <- subset(SLID, language == "English")

Per i dataframe è disponibile l'argomento select che permette di selezionare le colonne, avendo indicato le righe da selezionare. In questo modo, è possibile selezionare sia variabili che casi:

# subset con alcune variabili (ID e Weight)
newdata <- subset(SLID, age > 24 | age < 65, 
                  select=c(wages, sex))

vedi in particolare:

• filter
• select

E' possibile scaricare ed eseguire lo script dell'esempio:

Subset_dati.R

# dati
library(carData)
data(SLID)
 
# INDICIZZAZIONE
 
str(SLID[1])
str(SLID[1:10,])
 
# table(SLID["language"])
# table(SLID[,"language"])
table(SLID$language)  
 
table(SLID[SLID$age<66,"language"])
 
table(SLID[SLID$age<66 & SLID$language!="Other", c(5,4)])
 
 
# ARGOMENTO SUBSET
 
t.test(wages~sex, alternative='two.sided',
       conf.level=.95, data=SLID, subset = SLID$age<66)
 
 
# FUNZIONE SUBSET
 
# subset con tutte le variabili
newdata <- subset(SLID, language == "English")
 
# subset con alcune variabili (ID e Weight)
newdata <- subset(SLID, age > 24 | age < 65, 
                  select=c(ID, Weight))

`