R DELİSİ

PENGUINS VERİSİ İLE DPLYR’YE GİRİŞ

Mehmet Göktuğ ÖZTÜRK — Sun, 31 May 2026 21:00:00 GMT

Merhabalar, blogun yeni yazısına hoş geldiniz. Takıldığınız ve anlamadığınız yerler olursa lütfen yorum yapmaya çekinmeyiniz. Ayrıca katkılarınızı ve eleştirilerinizi de bekliyorum. Keyifli okumalar.

Bir önceki yazıda penguins verisi ile base R’a bir giriş yapmış, birçok temel veri işini base R ile yapmayı anlatmıştım. Bu yazıda ise aynı işlemleri {tidyverse}’nin meşhur paketi {dplyr}’yi kullanarak yapacağız. Veri görselleştirme için ise ggplot2 paketini kullanacağız. Bu sefer yazı daha kısa olacak. R kullanmaya yeni başlayanların, tidyverse öğrenmeden önce dilin temel kavramlarını öğrenmelerinin önemli olduğunu düşünüyorum. Bu sebeple öncelikle bir önceki yazıya ve o yazıda önerdiğim linklere bakmanızı öneririm.

Daha önce de çok kez tekrar ettiğim gibi, tidyverse, veri bilimi için geliştirilmiş çok sayıda işlevsel paket barındıran bir paket koleksiyonu. dplyr ve daha genel olarak tidyverse, R dünyasının en çok kullandığı ve aynı zamanda üzerine en çok tartıştığı paketlerden. Bu konudaki görüşlerimi R İLE TOPOGRAFIK VERİ İNDİRME - DEM VERİSİ İNDİRME VE GÖRSELLEŞTİRME yazısında belirtmiştim. Son dönemde base R ağırlıklı bir R kullanımını tercih etsem de, gerektiğinde data.table ve tidyverse de kullanıyorum. “Kadim” base R vs. tidyverse ya da tidyverse vs. data.table savaşını alevlendirmeye de niyetim yok. :) Parsimoni ilkesi gereği basiti ve minimali seçmeyi, yaptığım analizlerin, yazdığım programların arkasında neler döndüğünü bilmeyi tercih ediyorum ancak bu, tidyverse ya da data.table’yi değersiz kılmıyor. İlginizi çekebileceğini düşündüğüm şu iki linki bırakıyor ve ardından yazıya başlıyorum; Less Is More, tinyverse.

Kaynak: Allison Horst

1. GİRİŞ

Adettendir, önce paketleri R’a yükleyelim ve ardından veri setine bakarak başlayalım.

# Eger henuz kurmadiysanız, asagidaki kodu yorumdan cikartip calistirabilirsiniz
# install.packages("dplyr")
# install.packages("ggplot2")

library(dplyr)
library(ggplot2)

library(tidyverse) ile tüm tidyverse paketlerini yükleyebilirdik fakat ayrı ayrı paketleri yüklemek hem daha minimal hem de gerçekte hangi paketi kullandığımızı daha iyi anlayabiliyoruz. Örneğin yıllarca tidyverse kullanmama rağmen drop_na() gibi bazı tidyr fonksiyonlarının dplyr ile geldiğini sanıyormuşum. Bu gibi karışıklıklardan korunmak için paketleri ihtiyaç duydukça tek tek yüklemek daha iyi bir pratik.

penguins

   species    island bill_len bill_dep flipper_len body_mass    sex year
1   Adelie Torgersen     39.1     18.7         181      3750   male 2007
2   Adelie Torgersen     39.5     17.4         186      3800 female 2007
3   Adelie Torgersen     40.3     18.0         195      3250 female 2007
4   Adelie Torgersen       NA       NA          NA        NA    2007
5   Adelie Torgersen     36.7     19.3         193      3450 female 2007
6   Adelie Torgersen     39.3     20.6         190      3650   male 2007
7   Adelie Torgersen     38.9     17.8         181      3625 female 2007
8   Adelie Torgersen     39.2     19.6         195      4675   male 2007
9   Adelie Torgersen     34.1     18.1         193      3475    2007
10  Adelie Torgersen     42.0     20.2         190      4250    2007
11  Adelie Torgersen     37.8     17.1         186      3300    2007
12  Adelie Torgersen     37.8     17.3         180      3700    2007
13  Adelie Torgersen     41.1     17.6         182      3200 female 2007
14  Adelie Torgersen     38.6     21.2         191      3800   male 2007
15  Adelie Torgersen     34.6     21.1         198      4400   male 2007
16  Adelie Torgersen     36.6     17.8         185      3700 female 2007
17  Adelie Torgersen     38.7     19.0         195      3450 female 2007
18  Adelie Torgersen     42.5     20.7         197      4500   male 2007
19  Adelie Torgersen     34.4     18.4         184      3325 female 2007
20  Adelie Torgersen     46.0     21.5         194      4200   male 2007
21  Adelie    Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie    Biscoe     37.7     18.7         180      3600   male 2007
23  Adelie    Biscoe     35.9     19.2         189      3800 female 2007
24  Adelie    Biscoe     38.2     18.1         185      3950   male 2007
25  Adelie    Biscoe     38.8     17.2         180      3800   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Gördüğünüz gibi birçok satır ve sütundan oluşan bir veri tablosu. Öncesinde R konsolunun kaç tane değer yazdıracağını ayarlamadıysanız veriyi bu şekilde çağırmak, tüm veri tablosunu konsola yazdıracaktır. Bu durum, büyük veri tablolarında istenmeyen bir durum. Bundan kaçınmak için önceki yazıda bahsettiğim gibi head() ve tail() fonksiyonlarını kullanabilirsiniz ancak ben bu sefer veriyi, bir tür data.frame yapısı olan tibble’ye dönüştüreceğim. tidyverse ile çalışırken tibble kullanmak daha rahat hissettiriyor.

peng <- as_tibble(penguins)
peng

# A tibble: 344 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
                                 
 1 Adelie  Torgersen     39.1     18.7         181      3750 male    2007
 2 Adelie  Torgersen     39.5     17.4         186      3800 female  2007
 3 Adelie  Torgersen     40.3     18           195      3250 female  2007
 4 Adelie  Torgersen     NA       NA            NA        NA     2007
 5 Adelie  Torgersen     36.7     19.3         193      3450 female  2007
 6 Adelie  Torgersen     39.3     20.6         190      3650 male    2007
 7 Adelie  Torgersen     38.9     17.8         181      3625 female  2007
 8 Adelie  Torgersen     39.2     19.6         195      4675 male    2007
 9 Adelie  Torgersen     34.1     18.1         193      3475     2007
10 Adelie  Torgersen     42       20.2         190      4250     2007
# ℹ 334 more rows

Gördüğünüz gibi data.frame’nin kaç değişken ve gözlemden oluştuğundan, sütunlardaki veri tiplerine kadar birçok bilgi ekrana basılıyor ve veri, daha kompakt bir hâlde görüntülenebiliyor. Ancak bir konuda da uyarmam gerekiyor. tibble veri yapısı, klasik data.frame’den farklı davranışlara sahip. Bu sebeple tidyverse fonksiyonları dışında tibble kullanırken dikkatli olmanızı, mümkünse data.frame kullanmanızı tavsiye ediyorum.

Şimdi verinin yapısına daha ayrıntılı bakmak için glimpse() fonksiyonunu kullanalım. Bu fonksiyon, base R’daki str() ile aynı işleve sahip.

glimpse(peng)

Rows: 344
Columns: 8
$ species      Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Ad…
$ island       Torgersen, Torgersen, Torgersen, Torgersen, Torgersen, Tor…
$ bill_len     39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep     18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len  181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass    3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex          male, female, female, NA, female, male, female, male, NA, …
$ year         2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

Gördüğünüz gibi 344 gözlem ve 8 değişkenden oluşan bir veri tablosu.

Şimdi basit olarak nasıl satır ve sütun seçeceğimize bakalım. Sütun seçmek için select() fonksiyonunu, indeksine göre satır seçmek için ise slice() fonksiyonunu kullacağız.

İlk 6 satırı seçelim.

slice(peng, 1:6)

# A tibble: 6 × 8
  species island    bill_len bill_dep flipper_len body_mass sex     year
                                
1 Adelie  Torgersen     39.1     18.7         181      3750 male    2007
2 Adelie  Torgersen     39.5     17.4         186      3800 female  2007
3 Adelie  Torgersen     40.3     18           195      3250 female  2007
4 Adelie  Torgersen     NA       NA            NA        NA     2007
5 Adelie  Torgersen     36.7     19.3         193      3450 female  2007
6 Adelie  Torgersen     39.3     20.6         190      3650 male    2007

Şimdi de ilk iki sütunu ve ilk 10 satırı seçelim.

select(slice(peng, 1:10), 1:2)

# A tibble: 10 × 2
   species island   
          
 1 Adelie  Torgersen
 2 Adelie  Torgersen
 3 Adelie  Torgersen
 4 Adelie  Torgersen
 5 Adelie  Torgersen
 6 Adelie  Torgersen
 7 Adelie  Torgersen
 8 Adelie  Torgersen
 9 Adelie  Torgersen
10 Adelie  Torgersen

[] kullanımından daha karmaşık görünüyor. Özellikle de iç içe fonksiyonla yazıldığı zaman. Ancak bir yol daha var. tidyverse’nin fiillere dayanan felsefesini pipe operatörüyle birleştirinca asıl gücü ortaya çıkıyor. İlk olarak tidyverse ile gelen ve ardından base R’a eklenen pipe - |> operatörü ile veri işleme fonksiyonlarını birbirine bağlayabiliriz. Bu, en fazla birkaç satırdan oluşan pipeline’ler kurulduğu sürece daha okunaklı. Debugging’i zorlaştırsa da kısa ve iyi yazılmış pipeline’ler ile veri analizi daha kolay hâle geliyor.

peng |>
    slice(1:10) |>
    select(1:2)

# A tibble: 10 × 2
   species island   
          
 1 Adelie  Torgersen
 2 Adelie  Torgersen
 3 Adelie  Torgersen
 4 Adelie  Torgersen
 5 Adelie  Torgersen
 6 Adelie  Torgersen
 7 Adelie  Torgersen
 8 Adelie  Torgersen
 9 Adelie  Torgersen
10 Adelie  Torgersen

Çok uzun olmayan pipe’leri tek satır hâlinde de yazabiliriz. Tek satırda 80 karakteri geçmemeyi kural hâline getirirseniz kodlarınız da daha okunaklı olacaktır.

peng |> slice(1:10) |> select(species, island)

# A tibble: 10 × 2
   species island   
          
 1 Adelie  Torgersen
 2 Adelie  Torgersen
 3 Adelie  Torgersen
 4 Adelie  Torgersen
 5 Adelie  Torgersen
 6 Adelie  Torgersen
 7 Adelie  Torgersen
 8 Adelie  Torgersen
 9 Adelie  Torgersen
10 Adelie  Torgersen

Gördüğünüz gibi sütun isimlerini kullanırken ne tırnak içerisinde yazdık, ne de c() ile bir vektör oluşturduk. İşte dplyr burada bir sihir yapıyor. Bir tür metaprogramming hilesi. Buna Non-Standard Evaluation (NSE) deniliyor. Ya da tidyverse’nin geliştirdiği versiyonuyla tidy evaluation. Veri analizi yaparken işleri oldukça kolaylaştıran bu sihir, programlama yaparken dikkatli olmayı gerektiriyor.

Şimdi de species değişkeni için kaç adet eşsiz (unique) değer olduğuna bakalım. Diğer kategorik değişkenler için de aynı yöntemi kullanabilirsiniz.

peng |> distinct(species)

# A tibble: 3 × 1
  species  
      
1 Adelie   
2 Gentoo   
3 Chinstrap

base R’daki unique() fonksiyonuyla benzer işleve sahip distinct() fonksiyonunu kullandık. Bu fonksiyon, eşsiz değerleri bir tibble olarak döndürdü.

Şimdi de bu eşsiz değerlerin sıklık tablosuna bakalım.

peng |> count(species)

# A tibble: 3 × 2
  species       n
       
1 Adelie      152
2 Chinstrap    68
3 Gentoo      124

peng |> count(island)

# A tibble: 3 × 2
  island        n
       
1 Biscoe      168
2 Dream       124
3 Torgersen    52

Tek tek faktör değişkenlerimizin sıklık tablosuna baktığımıza göre şimdi de, iki farklı değişken kullanarak bakabiliriz.

Hangi adada hangi türden kaç tane penguen mevcut?

peng |> count(species, island)

# A tibble: 5 × 3
  species   island        n
            
1 Adelie    Biscoe       44
2 Adelie    Dream        56
3 Adelie    Torgersen    52
4 Chinstrap Dream        68
5 Gentoo    Biscoe      124

Gördüğünüz gibi iki değişkeni de kullanarak bunu öğrenebiliyoruz.

2. VERİ CAMBAZLIĞI

Şu ana kadar bir önceki yazının işleyişini takip ederek, temel kavramlara değindik.

Şimdi bir veri analizi - veri bilimi iş akışının en mühim kısımlarından olan veri cambazlığını nasıl yapabileceğimize bakacağız. Bunun için Hadley Wickham’ın R for Data Science - ilk baskının TR çevirisi kitabında anlattığı şekliyle sütun, satır ve grup işlemlerini yapacağız. Gerçek dünya verileriyle uğraştığımızda bu kısım, bir veri bilimi iş akışının genellikle büyük çoğunluğunu oluşturuyor.

R4DS, {tidyverse} temelleri için oldukça sağlam bir kitap! Ayrıca Grant R. McDermott’un Data science for economists dersinin notlarını da öneririm. Bu ders notları sayesinde çok şey öğrendim.

Bu bölümde yine palmerpenguins datasını kullanacağız ama bu sefer ham olan versiyonunu. Verinin ham hâlini kullanarak penguins’teki son hâline ulaşmaya çalışacağız. Bu veriye erişmek için penguins_raw yazabilirsiniz.

penguins_raw

   studyName Sample Number                             Species Region    Island
1    PAL0708             1 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
2    PAL0708             2 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
3    PAL0708             3 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
4    PAL0708             4 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
5    PAL0708             5 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
6    PAL0708             6 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
7    PAL0708             7 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
8    PAL0708             8 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
9    PAL0708             9 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
10   PAL0708            10 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
11   PAL0708            11 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
                Stage Individual ID Clutch Completion   Date Egg
1  Adult, 1 Egg Stage          N1A1               Yes 2007-11-11
2  Adult, 1 Egg Stage          N1A2               Yes 2007-11-11
3  Adult, 1 Egg Stage          N2A1               Yes 2007-11-16
4  Adult, 1 Egg Stage          N2A2               Yes 2007-11-16
5  Adult, 1 Egg Stage          N3A1               Yes 2007-11-16
6  Adult, 1 Egg Stage          N3A2               Yes 2007-11-16
7  Adult, 1 Egg Stage          N4A1                No 2007-11-15
8  Adult, 1 Egg Stage          N4A2                No 2007-11-15
9  Adult, 1 Egg Stage          N5A1               Yes 2007-11-09
10 Adult, 1 Egg Stage          N5A2               Yes 2007-11-09
11 Adult, 1 Egg Stage          N6A1               Yes 2007-11-09
   Culmen Length (mm) Culmen Depth (mm) Flipper Length (mm) Body Mass (g)
1                39.1              18.7                 181          3750
2                39.5              17.4                 186          3800
3                40.3              18.0                 195          3250
4                  NA                NA                  NA            NA
5                36.7              19.3                 193          3450
6                39.3              20.6                 190          3650
7                38.9              17.8                 181          3625
8                39.2              19.6                 195          4675
9                34.1              18.1                 193          3475
10               42.0              20.2                 190          4250
11               37.8              17.1                 186          3300
      Sex Delta 15 N (o/oo) Delta 13 C (o/oo)
1    MALE                NA                NA
2  FEMALE           8.94956         -24.69454
3  FEMALE           8.36821         -25.33302
4                    NA                NA
5  FEMALE           8.76651         -25.32426
6    MALE           8.66496         -25.29805
7  FEMALE           9.18718         -25.21799
8    MALE           9.46060         -24.89958
9                    NA                NA
10              9.13362         -25.09368
11              8.63243         -25.21315
                                Comments
1         Not enough blood for isotopes.
2                                   
3                                   
4                     Adult not sampled.
5                                   
6                                   
7  Nest never observed with full clutch.
8  Nest never observed with full clutch.
9              No blood sample obtained.
10  No blood sample obtained for sexing.
11  No blood sample obtained for sexing.
 [ reached 'max' / getOption("max.print") -- omitted 333 rows ]

Öncelikle tibble’ye çevirelim.

raw <- as_tibble(penguins_raw)
raw

# A tibble: 344 × 17
   studyName `Sample Number` Species         Region Island Stage `Individual ID`
                                             
 1 PAL0708                 1 Adelie Penguin… Anvers Torge… Adul… N1A1           
 2 PAL0708                 2 Adelie Penguin… Anvers Torge… Adul… N1A2           
 3 PAL0708                 3 Adelie Penguin… Anvers Torge… Adul… N2A1           
 4 PAL0708                 4 Adelie Penguin… Anvers Torge… Adul… N2A2           
 5 PAL0708                 5 Adelie Penguin… Anvers Torge… Adul… N3A1           
 6 PAL0708                 6 Adelie Penguin… Anvers Torge… Adul… N3A2           
 7 PAL0708                 7 Adelie Penguin… Anvers Torge… Adul… N4A1           
 8 PAL0708                 8 Adelie Penguin… Anvers Torge… Adul… N4A2           
 9 PAL0708                 9 Adelie Penguin… Anvers Torge… Adul… N5A1           
10 PAL0708                10 Adelie Penguin… Anvers Torge… Adul… N5A2           
# ℹ 334 more rows
# ℹ 10 more variables: `Clutch Completion` , `Date Egg` ,
#   `Culmen Length (mm)` , `Culmen Depth (mm)` ,
#   `Flipper Length (mm)` , `Body Mass (g)` , Sex ,
#   `Delta 15 N (o/oo)` , `Delta 13 C (o/oo)` , Comments

Şimdi veriye hızlıca göz atalım.

glimpse(raw)

Rows: 344
Columns: 17
$ studyName              "PAL0708", "PAL0708", "PAL0708", "PAL0708", "PAL…
$ `Sample Number`        1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 1…
$ Species                "Adelie Penguin (Pygoscelis adeliae)", "Adelie P…
$ Region                 "Anvers", "Anvers", "Anvers", "Anvers", "Anvers"…
$ Island                 "Torgersen", "Torgersen", "Torgersen", "Torgerse…
$ Stage                  "Adult, 1 Egg Stage", "Adult, 1 Egg Stage", "Adu…
$ `Individual ID`        "N1A1", "N1A2", "N2A1", "N2A2", "N3A1", "N3A2", …
$ `Clutch Completion`    "Yes", "Yes", "Yes", "Yes", "Yes", "Yes", "No", …
$ `Date Egg`             2007-11-11, 2007-11-11, 2007-11-16, 2007-11-16,…
$ `Culmen Length (mm)`   39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34…
$ `Culmen Depth (mm)`    18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18…
$ `Flipper Length (mm)`  181, 186, 195, NA, 193, 190, 181, 195, 193, 190,…
$ `Body Mass (g)`        3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 34…
$ Sex                    "MALE", "FEMALE", "FEMALE", NA, "FEMALE", "MALE"…
$ `Delta 15 N (o/oo)`    NA, 8.94956, 8.36821, NA, 8.76651, 8.66496, 9.18…
$ `Delta 13 C (o/oo)`    NA, -24.69454, -25.33302, NA, -25.32426, -25.298…
$ Comments               "Not enough blood for isotopes.", NA, NA, "Adult…

summary(raw)

     studyName   Sample Number         Species          Region   
 Length   :344   Min.   :  1.00   Length   :344   Length   :344  
 N.unique :  3   1st Qu.: 29.00   N.unique :  3   N.unique :  1  
 N.blank  :  0   Median : 58.00   N.blank  :  0   N.blank  :  0  
 Min.nchar:  7   Mean   : 63.15   Min.nchar: 33   Min.nchar:  6  
 Max.nchar:  7   3rd Qu.: 95.25   Max.nchar: 41   Max.nchar:  6  
                 Max.   :152.00                                  
                                                                 
       Island          Stage       Individual ID Clutch Completion
 Length   :344   Length   :344   Length   :344   Length   :344    
 N.unique :  3   N.unique :  1   N.unique :190   N.unique :  2    
 N.blank  :  0   N.blank  :  0   N.blank  :  0   N.blank  :  0    
 Min.nchar:  5   Min.nchar: 18   Min.nchar:  4   Min.nchar:  2    
 Max.nchar:  9   Max.nchar: 18   Max.nchar:  6   Max.nchar:  3    
                                                                  
                                                                  
    Date Egg          Culmen Length (mm) Culmen Depth (mm) Flipper Length (mm)
 Min.   :2007-11-09   Min.   :32.10      Min.   :13.10     Min.   :172.0      
 1st Qu.:2007-11-28   1st Qu.:39.23      1st Qu.:15.60     1st Qu.:190.0      
 Median :2008-11-09   Median :44.45      Median :17.30     Median :197.0      
 Mean   :2008-11-27   Mean   :43.92      Mean   :17.15     Mean   :200.9      
 3rd Qu.:2009-11-16   3rd Qu.:48.50      3rd Qu.:18.70     3rd Qu.:213.0      
 Max.   :2009-12-01   Max.   :59.60      Max.   :21.50     Max.   :231.0      
                      NAs    :2          NAs    :2         NAs    :2          
 Body Mass (g)         Sex      Delta 15 N (o/oo) Delta 13 C (o/oo)
 Min.   :2700   Length   :344   Min.   : 7.632    Min.   :-27.02   
 1st Qu.:3550   N.unique :  2   1st Qu.: 8.300    1st Qu.:-26.32   
 Median :4050   N.blank  :  0   Median : 8.652    Median :-25.83   
 Mean   :4202   Min.nchar:  4   Mean   : 8.733    Mean   :-25.69   
 3rd Qu.:4750   Max.nchar:  6   3rd Qu.: 9.172    3rd Qu.:-25.06   
 Max.   :6300   NAs      : 11   Max.   :10.025    Max.   :-23.79   
 NAs    :2                      NAs    :14        NAs    :13       
      Comments  
 Length   :344  
 N.unique : 10  
 N.blank  :  0  
 Min.nchar: 18  
 Max.nchar: 68  
 NAs      :290

Kaynak: Allison Horst

SÜTUN İŞLEMLERİ

Bu kısımda temel olarak select(), mutate(), rename() ve relocate() fonksiyonunu kullanacağız.

penguins verisi 8 değişkenden oluşuyordu ancak penguins_raw verisi 17 değişkenden oluşuyor.

Öncelikle penguins’te olan değişkenlerin bizim için önemli olduğunu varsayalım ve onları seçelim.

dat <- raw |> 
    select(c("Species", "Island", "Date Egg", "Culmen Length (mm)", 
             "Culmen Depth (mm)", "Flipper Length (mm)", 
             "Body Mass (g)", "Sex"))
dat

# A tibble: 344 × 8
   Species            Island `Date Egg` `Culmen Length (mm)` `Culmen Depth (mm)`
                                                      
 1 Adelie Penguin (P… Torge… 2007-11-11                 39.1                18.7
 2 Adelie Penguin (P… Torge… 2007-11-11                 39.5                17.4
 3 Adelie Penguin (P… Torge… 2007-11-16                 40.3                18  
 4 Adelie Penguin (P… Torge… 2007-11-16                 NA                  NA  
 5 Adelie Penguin (P… Torge… 2007-11-16                 36.7                19.3
 6 Adelie Penguin (P… Torge… 2007-11-16                 39.3                20.6
 7 Adelie Penguin (P… Torge… 2007-11-15                 38.9                17.8
 8 Adelie Penguin (P… Torge… 2007-11-15                 39.2                19.6
 9 Adelie Penguin (P… Torge… 2007-11-09                 34.1                18.1
10 Adelie Penguin (P… Torge… 2007-11-09                 42                  20.2
# ℹ 334 more rows
# ℹ 3 more variables: `Flipper Length (mm)` , `Body Mass (g)` ,
#   Sex

Gördüğünüz gibi seçeceğimiz sütunun isimlerini tırnak içerisinde, bir vektör olarak da verebiliriz. Hatta Culmen Length (mm) gibi boşluk, parantez gibi karakterler içeren isimleri bu şekilde vermek daha sağlıklı.

glimpse(dat)

Rows: 344
Columns: 8
$ Species                "Adelie Penguin (Pygoscelis adeliae)", "Adelie P…
$ Island                 "Torgersen", "Torgersen", "Torgersen", "Torgerse…
$ `Date Egg`             2007-11-11, 2007-11-11, 2007-11-16, 2007-11-16,…
$ `Culmen Length (mm)`   39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34…
$ `Culmen Depth (mm)`    18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18…
$ `Flipper Length (mm)`  181, 186, 195, NA, 193, 190, 181, 195, 193, 190,…
$ `Body Mass (g)`        3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 34…
$ Sex                    "MALE", "FEMALE", "FEMALE", NA, "FEMALE", "MALE"…

Şimdi de sütun isimlerini değiştirelim.

camelCase kullanılan isimler, büyük harfle başlayan isimler, birimler, boşluklar derken standart olmayan birçok şey var. Buradaki isimleri, orijinal veriye sadık kalarak değiştireceğiz.

Biraz adlandırma stillerinden bahsetmek gerekirse; ben, zaman zaman tidy style guide’da belirtildiği gibi snake_case kullanmayı tercih ediyorum. Zaman zamansa camelCase. Bunun tek bir doğrusu yok, önemli olan okunaklı, tutarlı ve kolay hata ayıklanabilen kodlar yazmak. R için çok sayıda style guide mevcut. Şuradaki linkleri incelemenizi öneririm; Google, tidy, bioconductor, Norm Matloff.

dat |> 
    setNames(c("species", "island", "year", "bill_len", "bill_dep", 
               "flipper_len", "body_mass", "sex"))

# A tibble: 344 × 8
   species       island year       bill_len bill_dep flipper_len body_mass sex  
                                       
 1 Adelie Pengu… Torge… 2007-11-11     39.1     18.7         181      3750 MALE 
 2 Adelie Pengu… Torge… 2007-11-11     39.5     17.4         186      3800 FEMA…
 3 Adelie Pengu… Torge… 2007-11-16     40.3     18           195      3250 FEMA…
 4 Adelie Pengu… Torge… 2007-11-16     NA       NA            NA        NA  
 5 Adelie Pengu… Torge… 2007-11-16     36.7     19.3         193      3450 FEMA…
 6 Adelie Pengu… Torge… 2007-11-16     39.3     20.6         190      3650 MALE 
 7 Adelie Pengu… Torge… 2007-11-15     38.9     17.8         181      3625 FEMA…
 8 Adelie Pengu… Torge… 2007-11-15     39.2     19.6         195      4675 MALE 
 9 Adelie Pengu… Torge… 2007-11-09     34.1     18.1         193      3475  
10 Adelie Pengu… Torge… 2007-11-09     42       20.2         190      4250  
# ℹ 334 more rows

Sütun isimlerini, base R’dan gelen setNames() fonksiyonuyla değiştirebileceğimiz gibi, rename() fonksiyonunu kullanarak da değiştirebiliriz. Ardından pipe ile bağlayarak sütunları penguins verisindeki sırayla sıralayalım.

dat <- dat |> 
    rename(species=Species, 
           island=Island, 
           year=`Date Egg`, 
           bill_len=`Culmen Length (mm)`, 
           bill_dep=`Culmen Depth (mm)`, 
           flipper_len=`Flipper Length (mm)`, 
           body_mass=`Body Mass (g)`, 
           sex=Sex) |> 
    relocate(year, .after=sex)
dat

# A tibble: 344 × 8
   species       island bill_len bill_dep flipper_len body_mass sex   year      
                                       
 1 Adelie Pengu… Torge…     39.1     18.7         181      3750 MALE  2007-11-11
 2 Adelie Pengu… Torge…     39.5     17.4         186      3800 FEMA… 2007-11-11
 3 Adelie Pengu… Torge…     40.3     18           195      3250 FEMA… 2007-11-16
 4 Adelie Pengu… Torge…     NA       NA            NA        NA   2007-11-16
 5 Adelie Pengu… Torge…     36.7     19.3         193      3450 FEMA… 2007-11-16
 6 Adelie Pengu… Torge…     39.3     20.6         190      3650 MALE  2007-11-16
 7 Adelie Pengu… Torge…     38.9     17.8         181      3625 FEMA… 2007-11-15
 8 Adelie Pengu… Torge…     39.2     19.6         195      4675 MALE  2007-11-15
 9 Adelie Pengu… Torge…     34.1     18.1         193      3475   2007-11-09
10 Adelie Pengu… Torge…     42       20.2         190      4250   2007-11-09
# ℹ 334 more rows

Gördüğünüz gibi isimler ve sütunların sırası penguins verisiyle aynı hâle geldi.

Bu iş de tamamdır!

Şimdi de görevimizi biraz daha zorlaştıralım. Her sütunun içindeki değerleri düzenleyeceğiz. Dikkat ettiyseniz penguins verisinde çok daha düzenli bir hâldeydi.

İlk olarak yılla başlayalım. Tarihi yıla çevirmemiz lazım.

İlk olarak klasik $ operatörüyle erişelim.

dat$year

  [1] "2007-11-11" "2007-11-11" "2007-11-16" "2007-11-16" "2007-11-16"
  [6] "2007-11-16" "2007-11-15" "2007-11-15" "2007-11-09" "2007-11-09"
 [11] "2007-11-09" "2007-11-09" "2007-11-15" "2007-11-15" "2007-11-16"
 [16] "2007-11-16" "2007-11-12" "2007-11-12" "2007-11-16" "2007-11-16"
 [21] "2007-11-12" "2007-11-12" "2007-11-12" "2007-11-12" "2007-11-10"
 [26] "2007-11-10" "2007-11-12" "2007-11-12" "2007-11-10" "2007-11-10"
 [31] "2007-11-09" "2007-11-09" "2007-11-09" "2007-11-09" "2007-11-16"
 [36] "2007-11-16" "2007-11-16" "2007-11-16" "2007-11-13" "2007-11-13"
 [41] "2007-11-16" "2007-11-16" "2007-11-19" "2007-11-19" "2007-11-16"
 [46] "2007-11-16" "2007-11-13" "2007-11-13" "2007-11-13" "2007-11-13"
 [51] "2008-11-06" "2008-11-06" "2008-11-09" "2008-11-09" "2008-11-09"
 [56] "2008-11-09" "2008-11-15" "2008-11-15" "2008-11-15" "2008-11-15"
 [61] "2008-11-13" "2008-11-13" "2008-11-13" "2008-11-13" "2008-11-13"
 [66] "2008-11-13" "2008-11-06" "2008-11-06" "2008-11-11" "2008-11-11"
 [71] "2008-11-14" "2008-11-14" "2008-11-11" "2008-11-11" "2008-11-08"
 [76] "2008-11-08" "2008-11-06" "2008-11-06" "2008-11-09" "2008-11-09"
 [81] "2008-11-02" "2008-11-02" "2008-11-07" "2008-11-07" "2008-11-17"
 [86] "2008-11-17" "2008-11-08" "2008-11-08" "2008-11-08" "2008-11-08"
 [91] "2008-11-14" "2008-11-14" "2008-11-05" "2008-11-05" "2008-11-17"
 [96] "2008-11-17" "2008-11-08" "2008-11-08" "2008-11-10" "2008-11-10"
[101] "2009-11-09" "2009-11-09" "2009-11-15" "2009-11-15" "2009-11-15"
[106] "2009-11-15" "2009-11-15" "2009-11-15" "2009-11-20" "2009-11-20"
[111] "2009-11-12" "2009-11-12" "2009-11-15" "2009-11-15" "2009-11-17"
[116] "2009-11-17" "2009-11-18" "2009-11-18" "2009-11-22" "2009-11-22"
[121] "2009-11-17" "2009-11-17" "2009-11-16" "2009-11-16" "2009-11-18"
[126] "2009-11-18" "2009-11-21" "2009-11-21" "2009-11-18" "2009-11-18"
[131] "2009-11-23" "2009-11-23" "2009-11-10" "2009-11-10" "2009-11-13"
[136] "2009-11-13" "2009-11-16" "2009-11-16" "2009-11-16" "2009-11-16"
[141] "2009-11-14" "2009-11-14" "2009-11-16" "2009-11-16" "2009-11-16"
[146] "2009-11-16" "2009-11-13" "2009-11-13" "2009-11-17" "2009-11-17"
[151] "2009-11-17" "2009-11-17" "2007-11-27" "2007-11-27" "2007-11-27"
[156] "2007-11-27" "2007-11-18" "2007-11-18" "2007-11-27" "2007-11-27"
[161] "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-29"
[166] "2007-11-29" "2007-12-03" "2007-12-03" "2007-11-27" "2007-11-27"
[171] "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27"
[176] "2007-11-27" "2007-11-29" "2007-11-29" "2007-11-29" "2007-11-29"
[181] "2007-11-29" "2007-11-29" "2007-11-29" "2007-11-29" "2007-12-03"
[186] "2007-12-03" "2008-11-13" "2008-11-13" "2008-11-02" "2008-11-02"
[191] "2008-11-09" "2008-11-09" "2008-11-04" "2008-11-04" "2008-11-04"
[196] "2008-11-04" "2008-11-03" "2008-11-03" "2008-11-09" "2008-11-09"
 [ reached 'max' / getOption("max.print") -- omitted 144 entries ]

Gördüğünüz yıl vektöründen ay ve günü silmemiz gerekiyor. Bunu tarihle oynayarak da yapabiliriz, karakter vektörüne çevirip, yıldan sonrasını silerek de. Normal şartlarda ikincisi daha kolay olabilir ama şu an hâlihazırda verimiz Date tipinde olduğu için direkt yılı seçebiliriz. Tarihlerle uğraşmak ilk başlayanlar için biraz zor olabilir. format() fonksiyonunu kullanacağız, "%Y" ile yılı seçeceğiz. Onu da değiştirdiğimiz sütuna tekrardan atayacağız.

Bunun için mutate() fonksiyonunu kullanacağız.

dat |> mutate(year=format(year, "%Y"))

# A tibble: 344 × 8
   species            island bill_len bill_dep flipper_len body_mass sex   year 
                                        
 1 Adelie Penguin (P… Torge…     39.1     18.7         181      3750 MALE  2007 
 2 Adelie Penguin (P… Torge…     39.5     17.4         186      3800 FEMA… 2007 
 3 Adelie Penguin (P… Torge…     40.3     18           195      3250 FEMA… 2007 
 4 Adelie Penguin (P… Torge…     NA       NA            NA        NA   2007 
 5 Adelie Penguin (P… Torge…     36.7     19.3         193      3450 FEMA… 2007 
 6 Adelie Penguin (P… Torge…     39.3     20.6         190      3650 MALE  2007 
 7 Adelie Penguin (P… Torge…     38.9     17.8         181      3625 FEMA… 2007 
 8 Adelie Penguin (P… Torge…     39.2     19.6         195      4675 MALE  2007 
 9 Adelie Penguin (P… Torge…     34.1     18.1         193      3475   2007 
10 Adelie Penguin (P… Torge…     42       20.2         190      4250   2007 
# ℹ 334 more rows

Gördüğünüz gibi yıllar tamam! Sırada diğer değişkenler var.

İlk olarak tür isimlerini kısaltmamız lazım. En zor işlerden birisi bu! Özellikle de ilk başlayanlar için. sub() ve gsub() fonksiyonu, karakter vektöründeki seçtiğimiz kısmı, istediğimiz karakterle değiştirir. sub() sadece ilk esleşmeyi değiştirdiği için onu kullanacağız. " .*" ile boşluk sonrasındaki tüm karakterleri seçiyoruz ve "" ile replace ediyoruz. Yani siliyoruz. Çünkü "" içinde hiçbir şey yok. Bu da bize tür isimlerinin boşluktan önceki kısmını veriyor tıpkı penguins verisinde olduğu gibi.

Bir önceki kod bloğunda yıl değişkenini düzenlemiş ama herhangi bir nesneye atamamıştık. Şimdi tüm işlemleri bir arada yapalım.

dat <- dat |> 
    mutate(year=format(year, "%Y"), 
           species=sub(" .*", "", species), 
           sex=tolower(sex))
dat

# A tibble: 344 × 8
   species island    bill_len bill_dep flipper_len body_mass sex    year 
                                 
 1 Adelie  Torgersen     39.1     18.7         181      3750 male   2007 
 2 Adelie  Torgersen     39.5     17.4         186      3800 female 2007 
 3 Adelie  Torgersen     40.3     18           195      3250 female 2007 
 4 Adelie  Torgersen     NA       NA            NA        NA    2007 
 5 Adelie  Torgersen     36.7     19.3         193      3450 female 2007 
 6 Adelie  Torgersen     39.3     20.6         190      3650 male   2007 
 7 Adelie  Torgersen     38.9     17.8         181      3625 female 2007 
 8 Adelie  Torgersen     39.2     19.6         195      4675 male   2007 
 9 Adelie  Torgersen     34.1     18.1         193      3475    2007 
10 Adelie  Torgersen     42       20.2         190      4250    2007 
# ℹ 334 more rows

Bu işlemler için tidyverse içindeki lubridate ve stringr paketlerini de kullanabiliriz ama amacım temel veri manipülasyonu işlemlerini göstermek olduğundan bu yazıda dplyr dışında paket kullanmak istemiyorum.

Şu an penguins verisiyle aynı veriye sahibiz!

identical(penguins, as.data.frame(dat))

[1] FALSE

Aaa! Değilmişiz! Fark ne acaba?

glimpse(penguins)

Rows: 344
Columns: 8
$ species      Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Ad…
$ island       Torgersen, Torgersen, Torgersen, Torgersen, Torgersen, Tor…
$ bill_len     39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep     18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len  181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass    3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex          male, female, female, NA, female, male, female, male, NA, …
$ year         2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

glimpse(as.data.frame(dat))

Rows: 344
Columns: 8
$ species      "Adelie", "Adelie", "Adelie", "Adelie", "Adelie", "Adelie"…
$ island       "Torgersen", "Torgersen", "Torgersen", "Torgersen", "Torge…
$ bill_len     39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep     18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len  181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass    3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex          "male", "female", "female", NA, "female", "male", "female"…
$ year         "2007", "2007", "2007", "2007", "2007", "2007", "2007", "2…

Gördüğünüz gibi sütun tipleri birbirinden farklı. Onları da değiştirelim.

dat <- dat |> 
    mutate(species=as.factor(species), 
           island=as.factor(island),
           flipper_len=as.integer(flipper_len), 
           body_mass=as.integer(body_mass), 
           sex=as.factor(sex), 
           year=as.integer(year))
glimpse(dat)

Rows: 344
Columns: 8
$ species      Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Ad…
$ island       Torgersen, Torgersen, Torgersen, Torgersen, Torgersen, Tor…
$ bill_len     39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, 42.0, …
$ bill_dep     18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, 20.2, …
$ flipper_len  181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186, 180,…
$ body_mass    3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, 4250, …
$ sex          male, female, female, NA, female, male, female, male, NA, …
$ year         2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

Değişmesi gereken tüm sütunları tek tek değiştirdik.

identical(penguins, as.data.frame(dat))

[1] TRUE

Gördüğünüz gibi artık verilerimiz eş! Hedefimize ulaştık, dağınık bir veriyi düzenli bir hâle getirdik.

SATIR İŞLEMLERİ

Bu kısımda temel olarak filter(), arrange() ve distinct() fonksiyonunu kullanacağız.

penguins_raw verisini, penguins verisiyle eş bir hâle getirdiğimize göre hedefimize ulaştık ama bu yazının amacına ulaşması için satır ve grup işlemlerini de görmemiz gerekiyor. Sütunlarını düzenlediğimiz dat nesnesi üzerinde biraz oynayalım.

Şimdi yalnızca Biscoe adasındaki penguenleri incelediğimizi varsayalım. Verimizi Biscoe adasına göre filtreleyeceğiz.

pengBiscoe <- dat |> filter(island == "Biscoe")

Gördüğünüz gibi Biscoe adasındaki penguenleri seçtik ve pengBiscoe isimli bir nesneye atadık.

summary(pengBiscoe)

      species          island       bill_len        bill_dep    
 Adelie   : 44   Biscoe   :168   Min.   :34.50   Min.   :13.10  
 Chinstrap:  0   Dream    :  0   1st Qu.:42.00   1st Qu.:14.50  
 Gentoo   :124   Torgersen:  0   Median :45.80   Median :15.50  
                                 Mean   :45.26   Mean   :15.87  
                                 3rd Qu.:48.70   3rd Qu.:17.00  
                                 Max.   :59.60   Max.   :21.10  
                                 NAs    :1       NAs    :1      
  flipper_len      body_mass        sex          year     
 Min.   :172.0   Min.   :2850   female:80   Min.   :2007  
 1st Qu.:199.5   1st Qu.:4200   male  :83   1st Qu.:2007  
 Median :214.0   Median :4775   NAs   : 5   Median :2008  
 Mean   :209.7   Mean   :4716               Mean   :2008  
 3rd Qu.:220.0   3rd Qu.:5325               3rd Qu.:2009  
 Max.   :231.0   Max.   :6300               Max.   :2009  
 NAs    :1       NAs    :1

Verinin özet istatistiklerine göz attığımızda bazı NA (Not Available - eksik değer) değerlerin olduğunu görüyoruz. Bu değerleri istemediğimizi ve onlardan kurtulmak istediğimizi varsayalım. Bunun için yine filtreleme yapabiliriz. is.na() ile NA olanların TRUE dönmesini sağladık ve ardından filtreledik.

pengBiscoe |> filter(is.na(sex))

# A tibble: 5 × 8
  species island bill_len bill_dep flipper_len body_mass sex    year
                            
1 Gentoo  Biscoe     44.5     14.3         216      4100    2007
2 Gentoo  Biscoe     46.2     14.4         214      4650    2008
3 Gentoo  Biscoe     47.3     13.8         216      4725    2009
4 Gentoo  Biscoe     44.5     15.7         217      4875    2009
5 Gentoo  Biscoe     NA       NA            NA        NA    2009

NA değerleri seçmiş olduk ancak biz NA değerleri seçmek değil, silmek istiyorduk. Burada ! operatörünü kullanacağız. Bu operatörümüz, bize “o” olmayan sonucu döndürecek.

pengBiscoe <- pengBiscoe |> filter(!is.na(sex))
pengBiscoe

# A tibble: 163 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
                              
 1 Adelie  Biscoe     37.8     18.3         174      3400 female  2007
 2 Adelie  Biscoe     37.7     18.7         180      3600 male    2007
 3 Adelie  Biscoe     35.9     19.2         189      3800 female  2007
 4 Adelie  Biscoe     38.2     18.1         185      3950 male    2007
 5 Adelie  Biscoe     38.8     17.2         180      3800 male    2007
 6 Adelie  Biscoe     35.3     18.9         187      3800 female  2007
 7 Adelie  Biscoe     40.6     18.6         183      3550 male    2007
 8 Adelie  Biscoe     40.5     17.9         187      3200 female  2007
 9 Adelie  Biscoe     37.9     18.6         172      3150 female  2007
10 Adelie  Biscoe     40.5     18.9         180      3950 male    2007
# ℹ 153 more rows

Bu işlemi dplyr 1.2.0 versiyonu ile gelen filter_out() fonksiyonuyla da yapabiliriz.

pengBiscoe |> filter_out(is.na(sex))

# A tibble: 163 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
                              
 1 Adelie  Biscoe     37.8     18.3         174      3400 female  2007
 2 Adelie  Biscoe     37.7     18.7         180      3600 male    2007
 3 Adelie  Biscoe     35.9     19.2         189      3800 female  2007
 4 Adelie  Biscoe     38.2     18.1         185      3950 male    2007
 5 Adelie  Biscoe     38.8     17.2         180      3800 male    2007
 6 Adelie  Biscoe     35.3     18.9         187      3800 female  2007
 7 Adelie  Biscoe     40.6     18.6         183      3550 male    2007
 8 Adelie  Biscoe     40.5     17.9         187      3200 female  2007
 9 Adelie  Biscoe     37.9     18.6         172      3150 female  2007
10 Adelie  Biscoe     40.5     18.9         180      3950 male    2007
# ℹ 153 more rows

Evet şu an NA değerlere sahip olmayan sex değişkenine göre bir filtreleme yaptık.

Veriye tekrardan göz atalım.

summary(pengBiscoe)

      species          island       bill_len        bill_dep    
 Adelie   : 44   Biscoe   :163   Min.   :34.50   Min.   :13.10  
 Chinstrap:  0   Dream    :  0   1st Qu.:41.85   1st Qu.:14.50  
 Gentoo   :119   Torgersen:  0   Median :45.80   Median :15.60  
                                 Mean   :45.25   Mean   :15.91  
                                 3rd Qu.:48.75   3rd Qu.:17.00  
                                 Max.   :59.60   Max.   :21.10  
  flipper_len      body_mass        sex          year     
 Min.   :172.0   Min.   :2850   female:80   Min.   :2007  
 1st Qu.:198.5   1st Qu.:4200   male  :83   1st Qu.:2007  
 Median :213.0   Median :4800               Median :2008  
 Mean   :209.6   Mean   :4719               Mean   :2008  
 3rd Qu.:220.0   3rd Qu.:5350               3rd Qu.:2009  
 Max.   :231.0   Max.   :6300               Max.   :2009

Tüm NA değerlerden kurtulmuşuz. Çünkü bill_len, bill_dep, flipper_len ve body_mass değişkenlerindeki tek NA değeri 272. satırdaydı ve bu satırdaki sex değeri de NA olduğu için o gidince hepsi gitmiş.

Şimdi 48 mm’den daha küçük bill_len ve 5000 g’den daha büyük body_mass değerlerine göre filtrelememiz gerektiğini düşünelim. Eğer birden fazla değişkene göre filtreleme yapmamız gerekiyorsa ve için & operatörünü, veya için ise | operatörünü kullanıyoruz. filter() fonksiyonunda ve için , de kullanabiliriz.

hs <- pengBiscoe |> # hs: heavy-short penguenler
  filter(bill_len < 48 & body_mass > 5000)
hs

# A tibble: 17 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
                              
 1 Gentoo  Biscoe     47.6     14.5         215      5400 male    2007
 2 Gentoo  Biscoe     46.7     15.3         219      5200 male    2007
 3 Gentoo  Biscoe     46.8     15.4         215      5150 male    2007
 4 Gentoo  Biscoe     46.3     15.8         215      5050 male    2007
 5 Gentoo  Biscoe     46.1     15.1         215      5100 male    2007
 6 Gentoo  Biscoe     47.8     15           215      5650 male    2007
 7 Gentoo  Biscoe     47.3     15.3         222      5250 male    2007
 8 Gentoo  Biscoe     45.1     14.5         207      5050 female  2007
 9 Gentoo  Biscoe     44.4     17.3         219      5250 male    2008
10 Gentoo  Biscoe     44.9     13.3         213      5100 female  2008
11 Gentoo  Biscoe     45.2     15.8         215      5300 male    2008
12 Gentoo  Biscoe     45       15.4         220      5050 male    2008
13 Gentoo  Biscoe     46.2     14.9         221      5300 male    2008
14 Gentoo  Biscoe     46.5     14.8         217      5200 female  2008
15 Gentoo  Biscoe     45.2     16.4         223      5950 male    2008
16 Gentoo  Biscoe     46.8     16.1         215      5500 male    2009
17 Gentoo  Biscoe     45.2     14.8         212      5200 female  2009

Gördüğünüz gibi filtreledik. Yalnızca Biscoe adasındaki Gentoo türü penguenlerin bir kısmı bu boyutlara sahipmiş.

Filtrelediğimiz veriyi bir grafikte görelim. Ama öncesinde ilk yazıdaki gibi alt alta iki farklı grafik çizmek için patchwork paketini kurmamız ve R’a yüklememiz gerekiyor. Bu, en kolay yöntem.

library(patchwork)

p1 <- ggplot(data=pengBiscoe, aes(bill_len, body_mass)) +
  geom_point() +
  annotate("rect",        # diktortgen ekledik
           xmin=min(hs$bill_len) - 0.2,
           xmax=max(hs$bill_len) + 0.2,
           ymin=min(hs$body_mass) - 20,
           ymax=max(hs$body_mass) + 50,
           color="red",   # cerceve rengi
           fill=NA,       # icini bos biraktik
           linewidth=1) + # cizgi kalinligi (eski adi: size)
  labs(x="Bill Length [mm]",
       y="Body Mass [g]")

p2 <- ggplot(data=hs, aes(bill_len, body_mass)) +
  geom_point() +
  labs(x="Bill Length [mm]",
       y="Body Mass [g]")

p1 / p2

Grafik, filtrelediğimiz değerleri daha iyi görmenizi sağlamıştır diye düşünüyorum.

Şimdi de tekrardan pengBiscoe verisini kullanarak 2008 ve 2009 yıllarındaki verileri filtreleyelim. Bunun için yine birden fazla yol var ancak biz bu sefer %in% operatörünü kullanacağız. R’da %in% operatörü, birden fazla değerle filtreleme yapıldığında kullanılıyor.

pengBiscoe |> filter(year %in% c(2008, 2009))

# A tibble: 120 × 8
   species island bill_len bill_dep flipper_len body_mass sex     year
                              
 1 Adelie  Biscoe     39.6     17.7         186      3500 female  2008
 2 Adelie  Biscoe     40.1     18.9         188      4300 male    2008
 3 Adelie  Biscoe     35       17.9         190      3450 female  2008
 4 Adelie  Biscoe     42       19.5         200      4050 male    2008
 5 Adelie  Biscoe     34.5     18.1         187      2900 female  2008
 6 Adelie  Biscoe     41.4     18.6         191      3700 male    2008
 7 Adelie  Biscoe     39       17.5         186      3550 female  2008
 8 Adelie  Biscoe     40.6     18.8         193      3800 male    2008
 9 Adelie  Biscoe     36.5     16.6         181      2850 female  2008
10 Adelie  Biscoe     37.6     19.1         194      3750 male    2008
# ℹ 110 more rows

Bu iş de tamam!

Sırada bir başka satır işlemi olan sıralama var.

Mesela filtrelemeden önceki verimiz olan dat verisinin bill_len sütunuyla arrange() fonksiyonunu kullanalım.

dat |> arrange(bill_len)

# A tibble: 344 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
                                 
 1 Adelie  Dream         32.1     15.5         188      3050 female  2009
 2 Adelie  Dream         33.1     16.1         178      2900 female  2008
 3 Adelie  Torgersen     33.5     19           190      3600 female  2008
 4 Adelie  Dream         34       17.1         185      3400 female  2008
 5 Adelie  Torgersen     34.1     18.1         193      3475     2007
 6 Adelie  Torgersen     34.4     18.4         184      3325 female  2007
 7 Adelie  Biscoe        34.5     18.1         187      2900 female  2008
 8 Adelie  Torgersen     34.6     21.1         198      4400 male    2007
 9 Adelie  Torgersen     34.6     17.2         189      3200 female  2008
10 Adelie  Biscoe        35       17.9         190      3450 female  2008
# ℹ 334 more rows

Eğer azalan bir sıralama istiyorsak değişkeni desc() fonksiyonu içinde yazmalı ya da değişkenin başına - eklemeliyiz.

dat |> arrange(desc(bill_len))

# A tibble: 344 × 8
   species   island bill_len bill_dep flipper_len body_mass sex     year
                                
 1 Gentoo    Biscoe     59.6     17           230      6050 male    2007
 2 Chinstrap Dream      58       17.8         181      3700 female  2007
 3 Gentoo    Biscoe     55.9     17           228      5600 male    2009
 4 Chinstrap Dream      55.8     19.8         207      4000 male    2009
 5 Gentoo    Biscoe     55.1     16           230      5850 male    2009
 6 Gentoo    Biscoe     54.3     15.7         231      5650 male    2008
 7 Chinstrap Dream      54.2     20.8         201      4300 male    2008
 8 Chinstrap Dream      53.5     19.9         205      4500 male    2008
 9 Gentoo    Biscoe     53.4     15.8         219      5500 male    2009
10 Chinstrap Dream      52.8     20           205      4550 male    2008
# ℹ 334 more rows

dat |> arrange(-bill_len)

# A tibble: 344 × 8
   species   island bill_len bill_dep flipper_len body_mass sex     year
                                
 1 Gentoo    Biscoe     59.6     17           230      6050 male    2007
 2 Chinstrap Dream      58       17.8         181      3700 female  2007
 3 Gentoo    Biscoe     55.9     17           228      5600 male    2009
 4 Chinstrap Dream      55.8     19.8         207      4000 male    2009
 5 Gentoo    Biscoe     55.1     16           230      5850 male    2009
 6 Gentoo    Biscoe     54.3     15.7         231      5650 male    2008
 7 Chinstrap Dream      54.2     20.8         201      4300 male    2008
 8 Chinstrap Dream      53.5     19.9         205      4500 male    2008
 9 Gentoo    Biscoe     53.4     15.8         219      5500 male    2009
10 Chinstrap Dream      52.8     20           205      4550 male    2008
# ℹ 334 more rows

Gördüğünüz gibi büyükten küçüğe bir şekilde sıraladık.

Çoğu zaman sıralamaları birden fazla değişkenle yapmak isteyebiliriz. Bu durumda da diğer değişken isimlerini eklememiz gerekiyor.

Öncelikle yıla göre, sonrasında da gaga uzunluğuna göre büyükten küçüğe sıralayalım.

dat |> arrange(-year, -bill_len)

# A tibble: 344 × 8
   species   island bill_len bill_dep flipper_len body_mass sex    year
                               
 1 Gentoo    Biscoe     55.9     17           228      5600 male   2009
 2 Chinstrap Dream      55.8     19.8         207      4000 male   2009
 3 Gentoo    Biscoe     55.1     16           230      5850 male   2009
 4 Gentoo    Biscoe     53.4     15.8         219      5500 male   2009
 5 Gentoo    Biscoe     52.5     15.6         221      5450 male   2009
 6 Gentoo    Biscoe     52.2     17.1         228      5400 male   2009
 7 Chinstrap Dream      52.2     18.8         197      3450 male   2009
 8 Gentoo    Biscoe     52.1     17           230      5550 male   2009
 9 Chinstrap Dream      51.9     19.5         206      3950 male   2009
10 Gentoo    Biscoe     51.5     16.3         230      5500 male   2009
# ℹ 334 more rows

Son satır işlemi olarak da unique olan değerleri seçmeyi - silmeyi göreceğiz. Verimiz bunun için yeterince uygun değil ama bir uygulama yapalım. Eğer bir data.frame’de tekrar eden değerlerle ya da eşsiz değerlerle bir filtreleme yapmak istiyorsanız distinct() fonksiyonunu kullanabilirsiniz.

Mesela verimizi, yalnızca eşsiz olan vücut kütlesi değerleri döndürmek istiyorsak aşağıdaki gibi filtreleyebiliriz.

dat |> distinct(body_mass)

# A tibble: 95 × 1
   body_mass
       
 1      3750
 2      3800
 3      3250
 4        NA
 5      3450
 6      3650
 7      3625
 8      4675
 9      3475
10      4250
# ℹ 85 more rows

Eğer tüm değişkenleri korumak istersek .keep.all argümanını kullanabiliriz.

dat |> distinct(body_mass, .keep_all=TRUE)

# A tibble: 95 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
                                 
 1 Adelie  Torgersen     39.1     18.7         181      3750 male    2007
 2 Adelie  Torgersen     39.5     17.4         186      3800 female  2007
 3 Adelie  Torgersen     40.3     18           195      3250 female  2007
 4 Adelie  Torgersen     NA       NA            NA        NA     2007
 5 Adelie  Torgersen     36.7     19.3         193      3450 female  2007
 6 Adelie  Torgersen     39.3     20.6         190      3650 male    2007
 7 Adelie  Torgersen     38.9     17.8         181      3625 female  2007
 8 Adelie  Torgersen     39.2     19.6         195      4675 male    2007
 9 Adelie  Torgersen     34.1     18.1         193      3475     2007
10 Adelie  Torgersen     42       20.2         190      4250     2007
# ℹ 85 more rows

Tekrar eden değerleri döndürmek istediğimizde ise bir önceki yazıda bahsettiğim duplicated() fonksiyonunu filter() içinde kullanabilriz.

dat |> filter(duplicated(body_mass))

# A tibble: 249 × 8
   species island    bill_len bill_dep flipper_len body_mass sex     year
                                 
 1 Adelie  Torgersen     38.6     21.2         191      3800 male    2007
 2 Adelie  Torgersen     36.6     17.8         185      3700 female  2007
 3 Adelie  Torgersen     38.7     19           195      3450 female  2007
 4 Adelie  Biscoe        35.9     19.2         189      3800 female  2007
 5 Adelie  Biscoe        38.8     17.2         180      3800 male    2007
 6 Adelie  Biscoe        35.3     18.9         187      3800 female  2007
 7 Adelie  Biscoe        40.5     17.9         187      3200 female  2007
 8 Adelie  Biscoe        40.5     18.9         180      3950 male    2007
 9 Adelie  Dream         39.5     16.7         178      3250 female  2007
10 Adelie  Dream         39.5     17.8         188      3300 female  2007
# ℹ 239 more rows

GRUP İŞLEMLERİ

Şimdi gelelim dplyr’nin parladığı yere. Bu bölümde grup işlemlerini göreceğiz. Grup işlemleri özet istatistik tabloları oluşturmak için oldukça kullanışlı bir yöntem. Bu konuya aşina olmayanlar için Excel’deki (kendilerini hiç sevmem :)) pivot table’a oldukça benzediğini söyleyebilirim.

Basit bir örnekle başlayalım. Diyelim ki ortalama bill_len’i hesaplamak istiyoruz.

mean(dat$bill_len, na.rm=TRUE) # na.rm=TRUE kullanarak ortalama hesaplarken NA degerleri yok sayiyoruz.

[1] 43.92193

Bunun için mean() fonksiyonunu kullanmamız yeterli.

Ancak her bir grubun ortalamasını hesaplamak istiyorsak bunun için en iyi yöntem data |> group_by() |> summarize() fonksiyonlarını kullanmak olacaktır. Bu yöntem oldukça güçlü ancak bir kez grupladığımız veri, ungroup() yapmadığımız sürece grupluymuş gibi çalışabilir. Özellikle de birden çok grup olduğunda. Bu da hatalara yol açabilir. Bu sebeple bu kullanıma bir alternatif olarak geliştirilmiş data |> summarize(by = ) yaklaşımı daha temiz.

Her bir tür için ortamala gaga uzunluğunu öğrenmek istediğimizi varsayalım.

dat |>
    group_by(species) |>
    summarize(mean_bill_len=mean(bill_len, na.rm=TRUE))

# A tibble: 3 × 2
  species   mean_bill_len
               
1 Adelie             38.8
2 Chinstrap          48.8
3 Gentoo             47.5

Gördüğünüz gibi hesapladık. Alternatif ve daha çok sevdiğim yöntem ise şu şekilde:

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              .by = species)

# A tibble: 3 × 2
  species   mean_bill_len
               
1 Adelie             38.8
2 Gentoo             47.5
3 Chinstrap          48.8

Diyelim ki hem ada hem de türler için ortalama hesaplamak istiyoruz.

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              .by = c(species, island))

# A tibble: 5 × 3
  species   island    mean_bill_len
                    
1 Adelie    Torgersen          39.0
2 Adelie    Biscoe             39.0
3 Adelie    Dream              38.5
4 Gentoo    Biscoe             47.5
5 Chinstrap Dream              48.8

Eğer tek bir gruba ve birden çok fonksiyona göre özet istatistik çıkartacaksanız aşağıdaki gibi yapabilirsiniz.

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              median_bill_len = median(bill_len, na.rm=TRUE),
              .by = species)

# A tibble: 3 × 3
  species   mean_bill_len median_bill_len
                          
1 Adelie             38.8            38.8
2 Gentoo             47.5            47.3
3 Chinstrap          48.8            49.6

Eğer birden fazla grup için birden fazla özet istatistik hesaplamak istiyorsanız da aşağıdaki gibi yapabilirsiniz.

dat |>
    summarize(mean_bill_len = mean(bill_len, na.rm=TRUE), 
              median_bill_len = median(bill_len, na.rm=TRUE),
              .by = c(species, island))

# A tibble: 5 × 4
  species   island    mean_bill_len median_bill_len
                               
1 Adelie    Torgersen          39.0            38.9
2 Adelie    Biscoe             39.0            38.7
3 Adelie    Dream              38.5            38.6
4 Gentoo    Biscoe             47.5            47.3
5 Chinstrap Dream              48.8            49.6

Girişte de bahsettiğim gibi dplyr’nin parladığı yer burası. base R ile de zor değil, tapply bu konuda çok daha esnek ve güçlü ancak dplyr, karmaşık gruplamalarda işleri kolaylaştırıyor.

3. BİRAZ DA GRAFİK

Birçok temel şey gördüğümüze göre şimdi verimizi görselleştirmeye başlayabiliriz. En heyecanlı kısımlardan birisi bu çünkü emeğinizin karşılığını aldığınızı somut bir göstergesi. Burada ggplot2 paketini kullanacağız. Basit grafikler, esneklik ve hız için base R kullanışlı ancak işler karmaşıklaştıkça ggplot2 daha kullanışlı hâle geliyor. ggplot2, otomatik lejant çizmesi, birçok varsayılan tema barındırması, ek paketler ve öğrenmek için çok sayıda kaynağa sahip olması gibi özelliklerle, R’daki en önemli veri görselleştirme paketi.

ggplot2 paketi ile, grafik özelliklerini katman katman belirtebiliyoruz. Öncelikle ggplot() fonksiyonuyla katmanlar ekleyebileceğimiz bir koordinat sistemi oluşturuyoruz ve ardından geom_point() ile nokta katmanı ekliyoruz.

Ayrıntılı bir rehber için R for Data Science kitabının veri görselleştirme bölümüne bakabilirsiniz.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len)) +
    geom_point()

Eksen başlıklarını değiştirelim.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Noktaların rengini kırmızı yapalım.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len)) +
    geom_point(colour="red") +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Şimdi de renkleri species değişkenine göre belirleyelim.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Burada da nokta şekillerini de species değişkenine göre değiştiriyoruz.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, 
                          colour=species, shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]")

Şimdi de temayı değiştirelim.

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species, 
                          shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]", colour="Species",
         shape="Species") +
    theme_bw(base_size=16)

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species, 
                          shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]", colour="Species",
         shape="Species") +
    theme_minimal(base_size=16)

ggplot(data=penguins, aes(x=flipper_len, y=bill_len, colour=species, 
                          shape=species)) +
    geom_point() +
    labs(x="Flipper Length [mm]", y="Bill Length [mm]", colour="Species",
         shape="Species") +
    theme_classic(base_size=16)

Son olarak da basit bir histogram çizip, verimizin dağılımına bakalım.

ggplot(data=penguins, aes(bill_dep)) + 
    geom_histogram() +
    labs(x="Bill Depth [mm]", 
         y="Count",
         title="Histogram of Bill Depth") +
    theme_bw(base_size=16)

En ufak bir sorunuz bile olsa lütfen sormaktan çekinmeyin.

Bilimle ve huzurla kalınız!

PENGUINS VERİSİ İLE BASE R’A GİRİŞ

Mehmet Göktuğ ÖZTÜRK — Sun, 14 Dec 2025 21:00:00 GMT

Kaynak: Allison Horst

Bu yazıda, R’da son yılların en sevilen veri setlerinden birisini kullanarak birçok temel işi yapmayı, yeni başlayanlar için yol gösterici, yardımcı bir rehber oluşturmayı hedefliyorum. R öğrenmeye yeni başlayan arkadaşım Rüveyda ile R çalışırken, bu gibi bir yazının yeni başlayanlar için oldukça faydalı olabileceğini düşündüm ve bu yazıyı yazmaya karar verdim. Önceki yazıların aksine ulaşılması daha kolay olan bir veri seti üzerinden çalışacağımız için, yazıyı okurken bir yandan da alıştırma yapmak daha kolay olacaktır. Bol bol alıştırma yapmanızı öneriyorum. Bazı yerlerde biraz ayrıntıya girmiş olabilirim, bu sizi korkutmasın, motivasyonunuzu kırmasın. Yalnızca devam edin ve diğer kısımlara bakın, sonra geri dönüp takıldığınız yerlere bakabilirsiniz.

“Palmer Penguins” veri seti, son dönemde veri bilimi ve istatistik alanında en çok kullanılan eğitim-uygulama veri setlerinden birisi. Öncelikle palmerpenguins paketi yayımlanmış, gördüğü ilginin ardından da bu veri seti, R 4.5.0 sürümüyle beraber R’ı yüklediğimiz zaman varsayılan olarak (base R ile) gelen {datasets} paketine dahil edilmiştir. Veriyi daha iyi tanımak ve yapılan örnek çalışmaları görmek için şu siteyi mutlaka incelemenizi öneririm.

Kaynak: Allison Horst

1. GİRİŞ

Bugün bu veri setini kullanarak R’daki birçok temel analizi yapacağız. Bu yazıda yalnızca base R (R programlama dilini yüklediğimiz zaman varsayılan olarak gelen paketler) kullanacağız. Hiçbir paket yüklemeye gerek kalmadan, palmerpenguins verisini inceleyecek, veriyle oynayacak ve basit grafikler çizeceğiz. Buradaki amacım bir data.frame üzerinde çalışırken base R’a dair birçok temel noktayı ele alabilmek. Dolayısıyla göreceğimiz fonksiyonların hepsini, bir veriyi analiz ederken mutlaka kullanmanız gerekmiyor. Yalnızca o an gerekenleri, işinize yarayanları kullanmanız yeterli olacaktır.
Bir sonraki yazıda dplyr ve ggplot2 versiyonunu göreceğiz. :)

Henüz başlamamışken şu iki harika base R kılavuzunu buraya bırakayım:

Şimdi penguins verisine bakalım.

penguins

   species    island bill_len bill_dep flipper_len body_mass    sex year
1   Adelie Torgersen     39.1     18.7         181      3750   male 2007
2   Adelie Torgersen     39.5     17.4         186      3800 female 2007
3   Adelie Torgersen     40.3     18.0         195      3250 female 2007
4   Adelie Torgersen       NA       NA          NA        NA    2007
5   Adelie Torgersen     36.7     19.3         193      3450 female 2007
6   Adelie Torgersen     39.3     20.6         190      3650   male 2007
7   Adelie Torgersen     38.9     17.8         181      3625 female 2007
8   Adelie Torgersen     39.2     19.6         195      4675   male 2007
9   Adelie Torgersen     34.1     18.1         193      3475    2007
10  Adelie Torgersen     42.0     20.2         190      4250    2007
11  Adelie Torgersen     37.8     17.1         186      3300    2007
12  Adelie Torgersen     37.8     17.3         180      3700    2007
13  Adelie Torgersen     41.1     17.6         182      3200 female 2007
14  Adelie Torgersen     38.6     21.2         191      3800   male 2007
15  Adelie Torgersen     34.6     21.1         198      4400   male 2007
16  Adelie Torgersen     36.6     17.8         185      3700 female 2007
17  Adelie Torgersen     38.7     19.0         195      3450 female 2007
18  Adelie Torgersen     42.5     20.7         197      4500   male 2007
19  Adelie Torgersen     34.4     18.4         184      3325 female 2007
20  Adelie Torgersen     46.0     21.5         194      4200   male 2007
21  Adelie    Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie    Biscoe     37.7     18.7         180      3600   male 2007
23  Adelie    Biscoe     35.9     19.2         189      3800 female 2007
24  Adelie    Biscoe     38.2     18.1         185      3950   male 2007
25  Adelie    Biscoe     38.8     17.2         180      3800   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Gördüğünüz gibi birçok satır ve sütundan oluşan bir veri tablosu. Öncesinde R konsolunun kaç tane değer yazdıracağını ayarlamadıysanız veriyi bu şekilde çağırmak, tüm veri tablosunu konsola yazdıracaktır. Bu durum, büyük veri tablolarında istenmeyen bir durum. Bundan kaçınmak için head() ve tail() fonksiyonlarını kullanabilir, verinin ilk 6 ve son 6 satırını görüntüleyebilirsiniz ancak öncelikle bir verimizin yapısını tanıyalım, sonrasında bu fonksiyonları kullanarak verinin bir alt kümesini görüntüleyelim.

Bu veri tablosunun hangi sınıfta yer aldığını, hangi veri yapısına sahip olduğunu görmek için class() fonksiyonunu kullanabiliriz.

class(penguins)

[1] "data.frame"

Gördüğünüz gibi bir data.frame. Yani satır (gözlem) ve sütunlardan (değişken) oluşan, tıpkı bir Excel tablosu gibi olan bir veri tablosu.

Şimdi de verinin yapısına daha ayrıntılı bakmak için str() fonksiyonunu kullanalım.

str(penguins)

'data.frame':   344 obs. of  8 variables:
 $ species    : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ island     : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
 $ bill_len   : num  39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ bill_dep   : num  18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ flipper_len: int  181 186 195 NA 193 190 181 195 193 190 ...
 $ body_mass  : int  3750 3800 3250 NA 3450 3650 3625 4675 3475 4250 ...
 $ sex        : Factor w/ 2 levels "female","male": 2 1 1 NA 1 2 1 2 NA NA ...
 $ year       : int  2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 ...

Gördüğünüz gibi 344 gözlem ve 8 değişkenden oluşan bir veri tablosu. Verideki 1. (species) 2. (island) ve 3. (sex) değişken kategorik değişkenler için kullandığımız factor veri tipindeyken, 3. (bill_len) ve 4. değişken (bill_dep) numeric (double) ve 5. (flipper_len), 6. (body_mass) ve 8. (year) değişken integer veri tipinde. Double - numeric veri tipini, kompleks sayılar dışında kalan tüm sayılar için kullanabiliriz. Tam sayılar dışındaki sayılar için genellikle daha kullanışlı. Integer ise ismiyle müsemma tam sayılar için kullanılan bir veri tipi.

Başta karmaşık gelebilir ancak zamanla, alıştırma yaptıkça size çok doğal, çok kolay gelmeye başlayacak.

Data frame’ler, gördüğünüz gibi birbirinden farklı veri tipindeki değişkenleri tutabiliyor. Bu özelliğiyle içerisinde her şeyi tutabildiğimiz list() veri yapısında oldukça benziyor. Zaten 2 boyutlu yapısıyla matrix’lere benzese de data.frame’ler asıl olarak birer list’tir. Onu, matrix’lere benzeyen list’ler gibi düşünebilirsiniz. Bu yapısıyla matrix’ler gibi dikdörtgen şeklinde, düzenli bir şekilde veri tutabiliyor ama aynı zamanda list’ler gibi de oldukça esnek bir yapısı var. Veri analizinde kullanılmak için daha uygun veri yapıları.

Yine kafanız karışmış olabilir. Zamanla oturacak, merak etmeyin. Benim data.frame’lerin birer list olduğunu fark etmem oldukça uzun bir zaman aldı mesela. Ne kadar erken öğrenirseniz işlerinizi o kadar etkili yapabilirsiniz.

Şimdi verimizin ilk ve son 6 satırına bakabiliriz.

head(penguins)

  species    island bill_len bill_dep flipper_len body_mass    sex year
1  Adelie Torgersen     39.1     18.7         181      3750   male 2007
2  Adelie Torgersen     39.5     17.4         186      3800 female 2007
3  Adelie Torgersen     40.3     18.0         195      3250 female 2007
4  Adelie Torgersen       NA       NA          NA        NA    2007
5  Adelie Torgersen     36.7     19.3         193      3450 female 2007
6  Adelie Torgersen     39.3     20.6         190      3650   male 2007

tail(penguins)

      species island bill_len bill_dep flipper_len body_mass    sex year
339 Chinstrap  Dream     45.7     17.0         195      3650 female 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
341 Chinstrap  Dream     43.5     18.1         202      3400 female 2009
342 Chinstrap  Dream     49.6     18.2         193      3775   male 2009
343 Chinstrap  Dream     50.8     19.0         210      4100   male 2009
344 Chinstrap  Dream     50.2     18.7         198      3775 female 2009

?head ya da help(head) fonksiyonlarını çalıştırarak dokümantasyonuna ulaşabilirsiniz. Burada bu fonksiyonların nasıl çalıştığı ve hangi argümanları alabileceği konusunda ayrıntılı bilgiye ulaşabilirsiniz. R’a ilk başlayanlar için dokümantasyonlar karmaşık gelebilir. Öncelikle anlamaya çalışın, eğer zorlanırsanız da Google kullanarak herhangi bir fonksiyon hakkında oldukça basit ve kullanışlı kaynaklara erişebilirsiniz. Birçok iyi yazılımcı ve R kullanıcısı, çok basit işlevleri bile unutup Google’den yardım alabiliyor. Hata yapmaktan ve yardım almaktan asla çekinmeyin. Hata yapmıyorsanız bir programlama dilini öğrenmiyorsunuz demektir. Tabi artık Google yerine ChatGPT gibi yapay dil modellerinden de faydalanabilirsiniz ama öğrenmenin ilk aşamalarında pek önermem.

Şimdi dokümantasyonda gördüğünüz n argümanını kullanarak kaç adet satır görüntülemek istediğinizi seçebilirsiniz.

head(penguins, n=10)

   species    island bill_len bill_dep flipper_len body_mass    sex year
1   Adelie Torgersen     39.1     18.7         181      3750   male 2007
2   Adelie Torgersen     39.5     17.4         186      3800 female 2007
3   Adelie Torgersen     40.3     18.0         195      3250 female 2007
4   Adelie Torgersen       NA       NA          NA        NA    2007
5   Adelie Torgersen     36.7     19.3         193      3450 female 2007
6   Adelie Torgersen     39.3     20.6         190      3650   male 2007
7   Adelie Torgersen     38.9     17.8         181      3625 female 2007
8   Adelie Torgersen     39.2     19.6         195      4675   male 2007
9   Adelie Torgersen     34.1     18.1         193      3475    2007
10  Adelie Torgersen     42.0     20.2         190      4250    2007

tail(penguins, n=10)

      species island bill_len bill_dep flipper_len body_mass    sex year
335 Chinstrap  Dream     50.2     18.8         202      3800   male 2009
336 Chinstrap  Dream     45.6     19.4         194      3525 female 2009
337 Chinstrap  Dream     51.9     19.5         206      3950   male 2009
338 Chinstrap  Dream     46.8     16.5         189      3650 female 2009
339 Chinstrap  Dream     45.7     17.0         195      3650 female 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
341 Chinstrap  Dream     43.5     18.1         202      3400 female 2009
342 Chinstrap  Dream     49.6     18.2         193      3775   male 2009
343 Chinstrap  Dream     50.8     19.0         210      4100   male 2009
344 Chinstrap  Dream     50.2     18.7         198      3775 female 2009

Gördüğünüz gibi ilk ve son 10 satırı görebildik. n argümanının ikinci argüman olması dolayısıyla bu fonksiyonları doğrudan, head(penguins, 10) şeklinde de kullanabilirsiniz.

Benzer bir işlemi kare parantez, yani indeksleme (slicing), kullanarak da yapabiliriz. Burada, görüntülemek istediğimiz satır ve sütunları manuel olarak seçeceğiz. Virgülden önceki değer her zaman ilk boyutu, yani satırları; sonraki değer ise ikinci boyutu, yani sütunları seçmek için kullanılıyor.

str() fonksiyonuyla zaten bilgi edinmiştik ama tekrardan verimizin uzunluğuna, boyutlarına bir bakalım.

length(penguins)

[1] 8

Vektörlerin uzunluğunu öğrenmek için kullandığımız length() fonksiyonu bize data.frame hakkında yeterince bilgi vermedi. Eğer bir vektör ya da matrix ile çalışsaydık tüm elemanların sayısını öğrenebilirdik ama data.frame bize yalnızca sütun (değişken) sayısını verdi. Neden? Çünkü biraz önce de belirttiğim gibi data.frame’ler özünde sütunlardan - vektörlerden oluşan birer list’tir! Ama aynı zamanda da matrix gibi 2 boyutlu bir veridir. Dolayısıyla dim() fonksiyonuyla tıpkı matrix’lerde olduğu gibi verinin boyutlarına ulaşabiliriz.

dim(penguins)

[1] 344   8

Gördüğünüz gibi verimiz 344 satır (gözlem) ve 8 sütundan (değişken) oluşuyor.

head() fonksiyonunun yaptığı gibi ilk altı satırı görmek istediğimizi düşünelim.

penguins[1:6, ]

  species    island bill_len bill_dep flipper_len body_mass    sex year
1  Adelie Torgersen     39.1     18.7         181      3750   male 2007
2  Adelie Torgersen     39.5     17.4         186      3800 female 2007
3  Adelie Torgersen     40.3     18.0         195      3250 female 2007
4  Adelie Torgersen       NA       NA          NA        NA    2007
5  Adelie Torgersen     36.7     19.3         193      3450 female 2007
6  Adelie Torgersen     39.3     20.6         190      3650   male 2007

Burada 1:6 ifadesi, 1’den 6’ya kadar sayılar üret demenin kolay yolu. seq() fonksiyonunun basitleştirilmiş hâli olarak düşünebilirsiniz.

1:6

[1] 1 2 3 4 5 6

Bakın 1’den 6’ya kadar olan sayılara bir vektör olarak eriştik. Bunu, yukarıdaki örnekteki gibi bir data.frame’in ilk 6 satırını görmek için kullanabiliriz.

Aynı vektörü c() ve seq() fonksiyonu ile de oluşturabiliriz. Ama bu örnek için daha uzun olacaktır.

penguins[c(1, 2, 3, 4, 5, 6), ]

  species    island bill_len bill_dep flipper_len body_mass    sex year
1  Adelie Torgersen     39.1     18.7         181      3750   male 2007
2  Adelie Torgersen     39.5     17.4         186      3800 female 2007
3  Adelie Torgersen     40.3     18.0         195      3250 female 2007
4  Adelie Torgersen       NA       NA          NA        NA    2007
5  Adelie Torgersen     36.7     19.3         193      3450 female 2007
6  Adelie Torgersen     39.3     20.6         190      3650   male 2007

penguins[seq(1, 6), ]

  species    island bill_len bill_dep flipper_len body_mass    sex year
1  Adelie Torgersen     39.1     18.7         181      3750   male 2007
2  Adelie Torgersen     39.5     17.4         186      3800 female 2007
3  Adelie Torgersen     40.3     18.0         195      3250 female 2007
4  Adelie Torgersen       NA       NA          NA        NA    2007
5  Adelie Torgersen     36.7     19.3         193      3450 female 2007
6  Adelie Torgersen     39.3     20.6         190      3650   male 2007

Sütun seçmek için kullandığımız indeksi önceden tanımladığımız bir vektör yardımıyla da yazabiliriz.

i <- 1:6
penguins[i, ]

  species    island bill_len bill_dep flipper_len body_mass    sex year
1  Adelie Torgersen     39.1     18.7         181      3750   male 2007
2  Adelie Torgersen     39.5     17.4         186      3800 female 2007
3  Adelie Torgersen     40.3     18.0         195      3250 female 2007
4  Adelie Torgersen       NA       NA          NA        NA    2007
5  Adelie Torgersen     36.7     19.3         193      3450 female 2007
6  Adelie Torgersen     39.3     20.6         190      3650   male 2007

i’ye 1’den 6’ya kadar sayılardan oluşan bir vektör atadım ve onu da satır seçmek için kullandım.

Şimdi de ilk iki sütunu ve ilk 10 satırı seçelim.

penguins[1:10, 1:2]

   species    island
1   Adelie Torgersen
2   Adelie Torgersen
3   Adelie Torgersen
4   Adelie Torgersen
5   Adelie Torgersen
6   Adelie Torgersen
7   Adelie Torgersen
8   Adelie Torgersen
9   Adelie Torgersen
10  Adelie Torgersen

Gördüğünüz gibi oldukça basit bir şekilde verimizin bir alt kümesini aldık.

Şimdi de aynı işlemleri indeks yerine sütun isimleri kullanarak yapalım.

penguins[1:10, c("species", "island")]

   species    island
1   Adelie Torgersen
2   Adelie Torgersen
3   Adelie Torgersen
4   Adelie Torgersen
5   Adelie Torgersen
6   Adelie Torgersen
7   Adelie Torgersen
8   Adelie Torgersen
9   Adelie Torgersen
10  Adelie Torgersen

Bu sefer de sütun indeksleri yerine sütun isimlerini kullandık. Sütun isimlerini " içerisinde, yani character olarak tanımladım ve birden fazla değer olduğu için c() (combine) fonksiyonuyla bir vektör oluşturdum. Başta karmaşık gelebilir ama mantığını öğrendikten, yeterli sayıda alıştırma yaptıktan sonra oldukça basitleşecektir.

Şimdi de verimizin özet istatistiklerine bir bakalım. Bunun için summary() fonksiyonunu kullanabiliriz.

summary(penguins)

      species          island       bill_len        bill_dep    
 Adelie   :152   Biscoe   :168   Min.   :32.10   Min.   :13.10  
 Chinstrap: 68   Dream    :124   1st Qu.:39.23   1st Qu.:15.60  
 Gentoo   :124   Torgersen: 52   Median :44.45   Median :17.30  
                                 Mean   :43.92   Mean   :17.15  
                                 3rd Qu.:48.50   3rd Qu.:18.70  
                                 Max.   :59.60   Max.   :21.50  
                                 NAs    :2       NAs    :2      
  flipper_len      body_mass        sex           year     
 Min.   :172.0   Min.   :2700   female:165   Min.   :2007  
 1st Qu.:190.0   1st Qu.:3550   male  :168   1st Qu.:2007  
 Median :197.0   Median :4050   NAs   : 11   Median :2008  
 Mean   :200.9   Mean   :4202                Mean   :2008  
 3rd Qu.:213.0   3rd Qu.:4750                3rd Qu.:2009  
 Max.   :231.0   Max.   :6300                Max.   :2009  
 NAs    :2       NAs    :2

summary() fonksiyonunu kullanarak her değer için özet istatistikleri görebiliyoruz. Eksik veri için kullanılan NA değerleri de dahil. Ayrıca factor değerlerimiz için bir frekans tablosu elde etmiş oluyoruz. Yani her bir kategoriden kaç adet olduğunu görebiliyoruz. Bunu yapmanın birden fazla yolu var ve bazıları daha kullanışlı. Bunlara da bir bakalım ancak öncelikle species değişkeni için kaç adet eşsiz (unique) değer olduğuna bakalım. Diğer kategorik değişkenler için de aynı yöntemi kullanabilirsiniz.

unique(penguins$species)

[1] Adelie    Gentoo    Chinstrap
Levels: Adelie Chinstrap Gentoo

Dikkat edin burada list ve özellikle de data.frame’lerde kullanılan yeni bir operatörle karşılaştık; $ operatörü. Bu operatörü data.frame’lerin sütunlarına doğrudan erişmek için kullanabiliriz. Bir sütuna erişmek ve onu vektöre çevirip işlem yapmak istediğimizde en kullanışlı yöntem bu.

penguins$species

  [1] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [11] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [21] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [31] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [41] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [51] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [61] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [71] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [81] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
 [91] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
[101] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
[111] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
[121] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
[131] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
[141] Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie Adelie
[151] Adelie Adelie Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo
[161] Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo
[171] Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo
[181] Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo
[191] Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo Gentoo
 [ reached 'max' / getOption("max.print") -- omitted 144 entries ]
Levels: Adelie Chinstrap Gentoo

Bakın species sütununu bir vektör olarak döndürdü.

Şimdi, biraz evvel dediğim gibi summary(), table() gibi fonksiyonlarla hem eşsiz değerlere hem de bu değerlerin sıklığına erişebiliriz. Ne gerek var unique() gibi fonksiyonlara diyebilirsiniz ancak çoğu zaman programatik olarak ihtiyaç duyabiliyoruz. Bu yüzden öğrenmekte fayda var.

Şimdi de bu eşsiz değerlerin sıklık tablosuna bakalım.

table(penguins$species)


   Adelie Chinstrap    Gentoo 
      152        68       124

table(penguins$island)


   Biscoe     Dream Torgersen 
      168       124        52

Tek tek faktör değişkenlerimizin sıklık tablosuna baktığımıza göre şimdi de, iki farklı değişken kullanarak bakabiliriz.

Hangi adada hangi türden kaç tane penguen mevcut?

table(penguins$species, penguins$island)

           
            Biscoe Dream Torgersen
  Adelie        44    56        52
  Chinstrap      0    68         0
  Gentoo       124     0         0

Gördüğünüz gibi iki değişkeni de kullanarak table() fonksiyonuyla bunu öğrenebiliyoruz.

2. VERİ CAMBAZLIĞI

Şu ana kadar bir data.frame üzerinden, R’da, vektörler, matrix’ler ve özellikle de data.frame’lerle yapabileceğimiz birçok temel işlemi gördük.

Şimdi bir veri analizi - veri bilimi iş akışının en mühim kısımlarından olan veri cambazlığını nasıl yapabileceğimize bakacağız. Bunun için Hadley Wickham’ın R for Data Science kitabında anlattığı şekliyle sütun, satır ve grup işlemlerini, base R kullanarak yapacağız. Gerçek dünya verileriyle uğraştığımızda bu kısım, bir veri bilimi iş akışının genellikle büyük çoğunluğunu oluşturuyor.

penguins_raw

   studyName Sample Number                             Species Region    Island
1    PAL0708             1 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
2    PAL0708             2 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
3    PAL0708             3 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
4    PAL0708             4 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
5    PAL0708             5 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
6    PAL0708             6 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
7    PAL0708             7 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
8    PAL0708             8 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
9    PAL0708             9 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
10   PAL0708            10 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
11   PAL0708            11 Adelie Penguin (Pygoscelis adeliae) Anvers Torgersen
                Stage Individual ID Clutch Completion   Date Egg
1  Adult, 1 Egg Stage          N1A1               Yes 2007-11-11
2  Adult, 1 Egg Stage          N1A2               Yes 2007-11-11
3  Adult, 1 Egg Stage          N2A1               Yes 2007-11-16
4  Adult, 1 Egg Stage          N2A2               Yes 2007-11-16
5  Adult, 1 Egg Stage          N3A1               Yes 2007-11-16
6  Adult, 1 Egg Stage          N3A2               Yes 2007-11-16
7  Adult, 1 Egg Stage          N4A1                No 2007-11-15
8  Adult, 1 Egg Stage          N4A2                No 2007-11-15
9  Adult, 1 Egg Stage          N5A1               Yes 2007-11-09
10 Adult, 1 Egg Stage          N5A2               Yes 2007-11-09
11 Adult, 1 Egg Stage          N6A1               Yes 2007-11-09
   Culmen Length (mm) Culmen Depth (mm) Flipper Length (mm) Body Mass (g)
1                39.1              18.7                 181          3750
2                39.5              17.4                 186          3800
3                40.3              18.0                 195          3250
4                  NA                NA                  NA            NA
5                36.7              19.3                 193          3450
6                39.3              20.6                 190          3650
7                38.9              17.8                 181          3625
8                39.2              19.6                 195          4675
9                34.1              18.1                 193          3475
10               42.0              20.2                 190          4250
11               37.8              17.1                 186          3300
      Sex Delta 15 N (o/oo) Delta 13 C (o/oo)
1    MALE                NA                NA
2  FEMALE           8.94956         -24.69454
3  FEMALE           8.36821         -25.33302
4                    NA                NA
5  FEMALE           8.76651         -25.32426
6    MALE           8.66496         -25.29805
7  FEMALE           9.18718         -25.21799
8    MALE           9.46060         -24.89958
9                    NA                NA
10              9.13362         -25.09368
11              8.63243         -25.21315
                                Comments
1         Not enough blood for isotopes.
2                                   
3                                   
4                     Adult not sampled.
5                                   
6                                   
7  Nest never observed with full clutch.
8  Nest never observed with full clutch.
9              No blood sample obtained.
10  No blood sample obtained for sexing.
11  No blood sample obtained for sexing.
 [ reached 'max' / getOption("max.print") -- omitted 333 rows ]

Şimdi veriye hızlıca göz atalım.

str(penguins_raw)

'data.frame':   344 obs. of  17 variables:
 $ studyName          : chr  "PAL0708" "PAL0708" "PAL0708" "PAL0708" ...
 $ Sample Number      : num  1 2 3 4 5 6 7 8 9 10 ...
 $ Species            : chr  "Adelie Penguin (Pygoscelis adeliae)" "Adelie Penguin (Pygoscelis adeliae)" "Adelie Penguin (Pygoscelis adeliae)" "Adelie Penguin (Pygoscelis adeliae)" ...
 $ Region             : chr  "Anvers" "Anvers" "Anvers" "Anvers" ...
 $ Island             : chr  "Torgersen" "Torgersen" "Torgersen" "Torgersen" ...
 $ Stage              : chr  "Adult, 1 Egg Stage" "Adult, 1 Egg Stage" "Adult, 1 Egg Stage" "Adult, 1 Egg Stage" ...
 $ Individual ID      : chr  "N1A1" "N1A2" "N2A1" "N2A2" ...
 $ Clutch Completion  : chr  "Yes" "Yes" "Yes" "Yes" ...
 $ Date Egg           : Date, format: "2007-11-11" "2007-11-11" ...
 $ Culmen Length (mm) : num  39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ Culmen Depth (mm)  : num  18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ Flipper Length (mm): num  181 186 195 NA 193 190 181 195 193 190 ...
 $ Body Mass (g)      : num  3750 3800 3250 NA 3450 ...
 $ Sex                : chr  "MALE" "FEMALE" "FEMALE" NA ...
 $ Delta 15 N (o/oo)  : num  NA 8.95 8.37 NA 8.77 ...
 $ Delta 13 C (o/oo)  : num  NA -24.7 -25.3 NA -25.3 ...
 $ Comments           : chr  "Not enough blood for isotopes." NA NA "Adult not sampled." ...

summary(penguins_raw)

     studyName   Sample Number         Species          Region   
 Length   :344   Min.   :  1.00   Length   :344   Length   :344  
 N.unique :  3   1st Qu.: 29.00   N.unique :  3   N.unique :  1  
 N.blank  :  0   Median : 58.00   N.blank  :  0   N.blank  :  0  
 Min.nchar:  7   Mean   : 63.15   Min.nchar: 33   Min.nchar:  6  
 Max.nchar:  7   3rd Qu.: 95.25   Max.nchar: 41   Max.nchar:  6  
                 Max.   :152.00                                  
                                                                 
       Island          Stage       Individual ID Clutch Completion
 Length   :344   Length   :344   Length   :344   Length   :344    
 N.unique :  3   N.unique :  1   N.unique :190   N.unique :  2    
 N.blank  :  0   N.blank  :  0   N.blank  :  0   N.blank  :  0    
 Min.nchar:  5   Min.nchar: 18   Min.nchar:  4   Min.nchar:  2    
 Max.nchar:  9   Max.nchar: 18   Max.nchar:  6   Max.nchar:  3    
                                                                  
                                                                  
    Date Egg          Culmen Length (mm) Culmen Depth (mm) Flipper Length (mm)
 Min.   :2007-11-09   Min.   :32.10      Min.   :13.10     Min.   :172.0      
 1st Qu.:2007-11-28   1st Qu.:39.23      1st Qu.:15.60     1st Qu.:190.0      
 Median :2008-11-09   Median :44.45      Median :17.30     Median :197.0      
 Mean   :2008-11-27   Mean   :43.92      Mean   :17.15     Mean   :200.9      
 3rd Qu.:2009-11-16   3rd Qu.:48.50      3rd Qu.:18.70     3rd Qu.:213.0      
 Max.   :2009-12-01   Max.   :59.60      Max.   :21.50     Max.   :231.0      
                      NAs    :2          NAs    :2         NAs    :2          
 Body Mass (g)         Sex      Delta 15 N (o/oo) Delta 13 C (o/oo)
 Min.   :2700   Length   :344   Min.   : 7.632    Min.   :-27.02   
 1st Qu.:3550   N.unique :  2   1st Qu.: 8.300    1st Qu.:-26.32   
 Median :4050   N.blank  :  0   Median : 8.652    Median :-25.83   
 Mean   :4202   Min.nchar:  4   Mean   : 8.733    Mean   :-25.69   
 3rd Qu.:4750   Max.nchar:  6   3rd Qu.: 9.172    3rd Qu.:-25.06   
 Max.   :6300   NAs      : 11   Max.   :10.025    Max.   :-23.79   
 NAs    :2                      NAs    :14        NAs    :13       
      Comments  
 Length   :344  
 N.unique : 10  
 N.blank  :  0  
 Min.nchar: 18  
 Max.nchar: 68  
 NAs      :290

Kaynak: Allison Horst

SÜTUN İŞLEMLERİ

penguins verisi 8 değişkenden oluşuyordu ancak penguins_raw verisi 17 değişkenden oluşuyor.

Öncelikle penguins’te olan değişkenlerin bizim için önemli olduğunu varsayalım ve onları seçelim. penguins ismiyle çatışma olmasın diye önce verinin farklı isimli bir kopyasını oluşturacağım, ardından sütunları seçeceğim.

Daha önce de gördüğümüz gibi sütunlarla ilgili bir işlem yapmak için 2. boyutu, yani virgülün sağını kullanıyoruz.

raw <- penguins_raw
head(raw[, 1:3])

  studyName Sample Number                             Species
1   PAL0708             1 Adelie Penguin (Pygoscelis adeliae)
2   PAL0708             2 Adelie Penguin (Pygoscelis adeliae)
3   PAL0708             3 Adelie Penguin (Pygoscelis adeliae)
4   PAL0708             4 Adelie Penguin (Pygoscelis adeliae)
5   PAL0708             5 Adelie Penguin (Pygoscelis adeliae)
6   PAL0708             6 Adelie Penguin (Pygoscelis adeliae)

Yukarıda gördüğünüz gibi istediğimiz sütunların indeksini bir vektör olarak yazarak seçim yapabiliyoruz.

Bunun için sütun isimlerini de tercih edebiliriz.

head(raw[, c("studyName", "Sample Number", "Species")])

  studyName Sample Number                             Species
1   PAL0708             1 Adelie Penguin (Pygoscelis adeliae)
2   PAL0708             2 Adelie Penguin (Pygoscelis adeliae)
3   PAL0708             3 Adelie Penguin (Pygoscelis adeliae)
4   PAL0708             4 Adelie Penguin (Pygoscelis adeliae)
5   PAL0708             5 Adelie Penguin (Pygoscelis adeliae)
6   PAL0708             6 Adelie Penguin (Pygoscelis adeliae)

Gördüğünüz gibi sonuç aynı.

Bu tür karmaşık verilerde indeksleri kullanıp seçim yapmak daha kolay olabiliyor ancak burada isimlere göre seçelim. Bu şekilde yaptığımız iş hataya daha az açık olacaktır.

nms <- c("Species", "Island", "Date Egg", "Culmen Length (mm)", 
         "Culmen Depth (mm)", "Flipper Length (mm)", 
         "Body Mass (g)", "Sex") 
dat <- raw[, nms]
head(dat)

                              Species    Island   Date Egg Culmen Length (mm)
1 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-11               39.1
2 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-11               39.5
3 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16               40.3
4 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16                 NA
5 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16               36.7
6 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16               39.3
  Culmen Depth (mm) Flipper Length (mm) Body Mass (g)    Sex
1              18.7                 181          3750   MALE
2              17.4                 186          3800 FEMALE
3              18.0                 195          3250 FEMALE
4                NA                  NA            NA   
5              19.3                 193          3450 FEMALE
6              20.6                 190          3650   MALE

str(dat)

'data.frame':   344 obs. of  8 variables:
 $ Species            : chr  "Adelie Penguin (Pygoscelis adeliae)" "Adelie Penguin (Pygoscelis adeliae)" "Adelie Penguin (Pygoscelis adeliae)" "Adelie Penguin (Pygoscelis adeliae)" ...
 $ Island             : chr  "Torgersen" "Torgersen" "Torgersen" "Torgersen" ...
 $ Date Egg           : Date, format: "2007-11-11" "2007-11-11" ...
 $ Culmen Length (mm) : num  39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ Culmen Depth (mm)  : num  18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ Flipper Length (mm): num  181 186 195 NA 193 190 181 195 193 190 ...
 $ Body Mass (g)      : num  3750 3800 3250 NA 3450 ...
 $ Sex                : chr  "MALE" "FEMALE" "FEMALE" NA ...

Şimdi de sütun isimlerini değiştirelim.

Camel case kullanılan isimler, büyük harfle başlayan isimler, birimler, boşluklar derken standart olmayan birçok şey var. Ben, zaman zaman tidy style guide’da belirtildiği gibi snake_case kullanmayı tercih ediyorum. Zaman zamansa camelCase. Burada, penguins verisiyle aynı olması için snake_case kullanacağız. Yani kelimelerin arasına _ koyacağız.

Sütun isimlerine -data.frame’de names() fonksiyonunu da colnames() fonksiyonunu da kullanabiliriz- değiştirmek istediğimiz isimleri atıyoruz.

names(dat) <- c("species", "island", "year", "bill_len", "bill_dep", 
                "flipper_len", "body_mass","sex")
head(dat)

                              species    island       year bill_len bill_dep
1 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-11     39.1     18.7
2 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-11     39.5     17.4
3 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16     40.3     18.0
4 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16       NA       NA
5 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16     36.7     19.3
6 Adelie Penguin (Pygoscelis adeliae) Torgersen 2007-11-16     39.3     20.6
  flipper_len body_mass    sex
1         181      3750   MALE
2         186      3800 FEMALE
3         195      3250 FEMALE
4          NA        NA   
5         193      3450 FEMALE
6         190      3650   MALE

Gördüğünüz gibi isimler penguins verisiyle aynı hâle geldi.

Şimdi de sütun yerlerini sıralayalım. Bunun için sütunları istediğimiz sırada, indeksleriyle seçeceğiz. penguins ile tek fark year değişkeninin yeri. Dolayısıyla year değişkeninin indeksini en sona koyuyoruz.

dat <- dat[, c(1, 2, 4, 5, 6, 7, 8, 3)]
head(dat)

                              species    island bill_len bill_dep flipper_len
1 Adelie Penguin (Pygoscelis adeliae) Torgersen     39.1     18.7         181
2 Adelie Penguin (Pygoscelis adeliae) Torgersen     39.5     17.4         186
3 Adelie Penguin (Pygoscelis adeliae) Torgersen     40.3     18.0         195
4 Adelie Penguin (Pygoscelis adeliae) Torgersen       NA       NA          NA
5 Adelie Penguin (Pygoscelis adeliae) Torgersen     36.7     19.3         193
6 Adelie Penguin (Pygoscelis adeliae) Torgersen     39.3     20.6         190
  body_mass    sex       year
1      3750   MALE 2007-11-11
2      3800 FEMALE 2007-11-11
3      3250 FEMALE 2007-11-16
4        NA    2007-11-16
5      3450 FEMALE 2007-11-16
6      3650   MALE 2007-11-16

Bu iş de tamamdır!

Şimdi de görevimizi biraz daha zorlaştıralım. Her sütunun içindeki değerleri düzenleyeceğiz. Dikkat ettiyseniz penguins verisinde çok daha düzenli bir hâldeydi.

İlk olarak yılla başlayalım. Tarihi yıla çevirmemiz lazım.

dat$year

  [1] "2007-11-11" "2007-11-11" "2007-11-16" "2007-11-16" "2007-11-16"
  [6] "2007-11-16" "2007-11-15" "2007-11-15" "2007-11-09" "2007-11-09"
 [11] "2007-11-09" "2007-11-09" "2007-11-15" "2007-11-15" "2007-11-16"
 [16] "2007-11-16" "2007-11-12" "2007-11-12" "2007-11-16" "2007-11-16"
 [21] "2007-11-12" "2007-11-12" "2007-11-12" "2007-11-12" "2007-11-10"
 [26] "2007-11-10" "2007-11-12" "2007-11-12" "2007-11-10" "2007-11-10"
 [31] "2007-11-09" "2007-11-09" "2007-11-09" "2007-11-09" "2007-11-16"
 [36] "2007-11-16" "2007-11-16" "2007-11-16" "2007-11-13" "2007-11-13"
 [41] "2007-11-16" "2007-11-16" "2007-11-19" "2007-11-19" "2007-11-16"
 [46] "2007-11-16" "2007-11-13" "2007-11-13" "2007-11-13" "2007-11-13"
 [51] "2008-11-06" "2008-11-06" "2008-11-09" "2008-11-09" "2008-11-09"
 [56] "2008-11-09" "2008-11-15" "2008-11-15" "2008-11-15" "2008-11-15"
 [61] "2008-11-13" "2008-11-13" "2008-11-13" "2008-11-13" "2008-11-13"
 [66] "2008-11-13" "2008-11-06" "2008-11-06" "2008-11-11" "2008-11-11"
 [71] "2008-11-14" "2008-11-14" "2008-11-11" "2008-11-11" "2008-11-08"
 [76] "2008-11-08" "2008-11-06" "2008-11-06" "2008-11-09" "2008-11-09"
 [81] "2008-11-02" "2008-11-02" "2008-11-07" "2008-11-07" "2008-11-17"
 [86] "2008-11-17" "2008-11-08" "2008-11-08" "2008-11-08" "2008-11-08"
 [91] "2008-11-14" "2008-11-14" "2008-11-05" "2008-11-05" "2008-11-17"
 [96] "2008-11-17" "2008-11-08" "2008-11-08" "2008-11-10" "2008-11-10"
[101] "2009-11-09" "2009-11-09" "2009-11-15" "2009-11-15" "2009-11-15"
[106] "2009-11-15" "2009-11-15" "2009-11-15" "2009-11-20" "2009-11-20"
[111] "2009-11-12" "2009-11-12" "2009-11-15" "2009-11-15" "2009-11-17"
[116] "2009-11-17" "2009-11-18" "2009-11-18" "2009-11-22" "2009-11-22"
[121] "2009-11-17" "2009-11-17" "2009-11-16" "2009-11-16" "2009-11-18"
[126] "2009-11-18" "2009-11-21" "2009-11-21" "2009-11-18" "2009-11-18"
[131] "2009-11-23" "2009-11-23" "2009-11-10" "2009-11-10" "2009-11-13"
[136] "2009-11-13" "2009-11-16" "2009-11-16" "2009-11-16" "2009-11-16"
[141] "2009-11-14" "2009-11-14" "2009-11-16" "2009-11-16" "2009-11-16"
[146] "2009-11-16" "2009-11-13" "2009-11-13" "2009-11-17" "2009-11-17"
[151] "2009-11-17" "2009-11-17" "2007-11-27" "2007-11-27" "2007-11-27"
[156] "2007-11-27" "2007-11-18" "2007-11-18" "2007-11-27" "2007-11-27"
[161] "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-29"
[166] "2007-11-29" "2007-12-03" "2007-12-03" "2007-11-27" "2007-11-27"
[171] "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27" "2007-11-27"
[176] "2007-11-27" "2007-11-29" "2007-11-29" "2007-11-29" "2007-11-29"
[181] "2007-11-29" "2007-11-29" "2007-11-29" "2007-11-29" "2007-12-03"
[186] "2007-12-03" "2008-11-13" "2008-11-13" "2008-11-02" "2008-11-02"
[191] "2008-11-09" "2008-11-09" "2008-11-04" "2008-11-04" "2008-11-04"
[196] "2008-11-04" "2008-11-03" "2008-11-03" "2008-11-09" "2008-11-09"
 [ reached 'max' / getOption("max.print") -- omitted 144 entries ]

dat$year <- format(dat$year, "%Y")
head(dat)

                              species    island bill_len bill_dep flipper_len
1 Adelie Penguin (Pygoscelis adeliae) Torgersen     39.1     18.7         181
2 Adelie Penguin (Pygoscelis adeliae) Torgersen     39.5     17.4         186
3 Adelie Penguin (Pygoscelis adeliae) Torgersen     40.3     18.0         195
4 Adelie Penguin (Pygoscelis adeliae) Torgersen       NA       NA          NA
5 Adelie Penguin (Pygoscelis adeliae) Torgersen     36.7     19.3         193
6 Adelie Penguin (Pygoscelis adeliae) Torgersen     39.3     20.6         190
  body_mass    sex year
1      3750   MALE 2007
2      3800 FEMALE 2007
3      3250 FEMALE 2007
4        NA    2007
5      3450 FEMALE 2007
6      3650   MALE 2007

Gördüğünüz gibi yıllar tamam! Sırada diğer değişkenler var.

İlk olarak tür isimlerini kısaltmamız lazım. En zor işlerden birisi bu! Özellikle de ilk başlayanlar için. sub() ve gsub fonksiyonu, karakter vektöründeki seçtiğimiz kısmı, istediğimiz karakterle değiştirir. sub() sadece ilk esleşmeyi değiştirdiği için onu kullanacağız. " .*" ile boşluk sonrasındaki tüm karakterleri seçiyoruz ve "" ile replace ediyoruz. Yani siliyoruz. Çünkü "" içinde hiçbir şey yok. Bu da bize tür isimlerinin boşluktan önceki kısmını veriyor tıpkı penguins verisinde olduğu gibi.

dat$species <- sub(" .*", "", dat$species)
dat$sex <- tolower(dat$sex) # sex degiskenini kucuk harfe ceviriyoruz 

head(dat)

  species    island bill_len bill_dep flipper_len body_mass    sex year
1  Adelie Torgersen     39.1     18.7         181      3750   male 2007
2  Adelie Torgersen     39.5     17.4         186      3800 female 2007
3  Adelie Torgersen     40.3     18.0         195      3250 female 2007
4  Adelie Torgersen       NA       NA          NA        NA    2007
5  Adelie Torgersen     36.7     19.3         193      3450 female 2007
6  Adelie Torgersen     39.3     20.6         190      3650   male 2007

Şu an penguins verisiyle aynı veriye sahibiz!

identical(penguins, dat)

[1] FALSE

Aaa! Değilmişiz! Fark ne acaba?

str(penguins)

'data.frame':   344 obs. of  8 variables:
 $ species    : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ island     : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
 $ bill_len   : num  39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ bill_dep   : num  18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ flipper_len: int  181 186 195 NA 193 190 181 195 193 190 ...
 $ body_mass  : int  3750 3800 3250 NA 3450 3650 3625 4675 3475 4250 ...
 $ sex        : Factor w/ 2 levels "female","male": 2 1 1 NA 1 2 1 2 NA NA ...
 $ year       : int  2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 ...

str(dat)

'data.frame':   344 obs. of  8 variables:
 $ species    : chr  "Adelie" "Adelie" "Adelie" "Adelie" ...
 $ island     : chr  "Torgersen" "Torgersen" "Torgersen" "Torgersen" ...
 $ bill_len   : num  39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ bill_dep   : num  18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ flipper_len: num  181 186 195 NA 193 190 181 195 193 190 ...
 $ body_mass  : num  3750 3800 3250 NA 3450 ...
 $ sex        : chr  "male" "female" "female" NA ...
 $ year       : chr  "2007" "2007" "2007" "2007" ...

Gördüğünüz gibi sütun tipleri birbirinden farklı. Onları da değiştirelim.

dat$species <- as.factor(dat$species)
dat$island <- as.factor(dat$island)
dat$flipper_len <- as.integer(dat$flipper_len)
dat$body_mass <- as.integer(dat$body_mass)
dat$sex <- as.factor(dat$sex)
dat$year <- as.integer(dat$year)

str(dat)

'data.frame':   344 obs. of  8 variables:
 $ species    : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ island     : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
 $ bill_len   : num  39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ bill_dep   : num  18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ flipper_len: int  181 186 195 NA 193 190 181 195 193 190 ...
 $ body_mass  : int  3750 3800 3250 NA 3450 3650 3625 4675 3475 4250 ...
 $ sex        : Factor w/ 2 levels "female","male": 2 1 1 NA 1 2 1 2 NA NA ...
 $ year       : int  2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 ...

Değişmesi gereken tüm sütunları tek tek değiştirdik.

identical(penguins, dat)

[1] TRUE

Gördüğünüz gibi artık verilerimiz eş! Hedefimize ulaştık, dağınık bir veriyi düzenli bir hâle getirdik.

SATIR İŞLEMLERİ

Şimdi yalnızca Biscoe adasındaki penguenleri incelediğimizi varsayalım. Verimizi Biscoe adasına göre filtreleyeceğiz. Filtreleme işlemi, R kullanmaya ilk başladığımda beni en çok zorlayan, kafamı en çok karıştıran şeylerden birisiydi. Anlamadığınızı düşündüğünüz yerde kodu parçalara bölüp, ne yaptığını anlamaya çalışın. Oldukça faydalı olacaktır.

dat[dat$island == "Biscoe", ]

   species island bill_len bill_dep flipper_len body_mass    sex year
21  Adelie Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie Biscoe     37.7     18.7         180      3600   male 2007
23  Adelie Biscoe     35.9     19.2         189      3800 female 2007
24  Adelie Biscoe     38.2     18.1         185      3950   male 2007
25  Adelie Biscoe     38.8     17.2         180      3800   male 2007
26  Adelie Biscoe     35.3     18.9         187      3800 female 2007
27  Adelie Biscoe     40.6     18.6         183      3550   male 2007
28  Adelie Biscoe     40.5     17.9         187      3200 female 2007
29  Adelie Biscoe     37.9     18.6         172      3150 female 2007
30  Adelie Biscoe     40.5     18.9         180      3950   male 2007
51  Adelie Biscoe     39.6     17.7         186      3500 female 2008
52  Adelie Biscoe     40.1     18.9         188      4300   male 2008
53  Adelie Biscoe     35.0     17.9         190      3450 female 2008
54  Adelie Biscoe     42.0     19.5         200      4050   male 2008
55  Adelie Biscoe     34.5     18.1         187      2900 female 2008
56  Adelie Biscoe     41.4     18.6         191      3700   male 2008
57  Adelie Biscoe     39.0     17.5         186      3550 female 2008
58  Adelie Biscoe     40.6     18.8         193      3800   male 2008
59  Adelie Biscoe     36.5     16.6         181      2850 female 2008
60  Adelie Biscoe     37.6     19.1         194      3750   male 2008
61  Adelie Biscoe     35.7     16.9         185      3150 female 2008
62  Adelie Biscoe     41.3     21.1         195      4400   male 2008
63  Adelie Biscoe     37.6     17.0         185      3600 female 2008
64  Adelie Biscoe     41.1     18.2         192      4050   male 2008
65  Adelie Biscoe     36.4     17.1         184      2850 female 2008
 [ reached 'max' / getOption("max.print") -- omitted 143 rows ]

Bakın sadece Biscoe adasındaki penguenleri seçmiş olduk. Peki burada ne yaptık?

Öncelikle island vektörü içindeki adalardan hangilerinin Biscoe olduğunu mantıksal olarak sınayacağız. Bunu == operatörüyle yapacağız. Bu, bize TRUE FALSE olarak dönecek.

dat$island == "Biscoe"

  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE
 [25]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE
 [37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [49] FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
 [61]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE
 [73] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [97] FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[109]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE
[121] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[133] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[145] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE
[157]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[169]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[181]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
[193]  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
 [ reached 'max' / getOption("max.print") -- omitted 144 entries ]

Buradan TRUE olanları seçmemiz gerekiyor. dat verimizin satır indeksi yerine bu mantıksal sonucu koyduğumuzda, TRUE olan satırları seçecektir.

datBiscoe <- dat[dat$island == "Biscoe", ]
head(datBiscoe)

   species island bill_len bill_dep flipper_len body_mass    sex year
21  Adelie Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie Biscoe     37.7     18.7         180      3600   male 2007
23  Adelie Biscoe     35.9     19.2         189      3800 female 2007
24  Adelie Biscoe     38.2     18.1         185      3950   male 2007
25  Adelie Biscoe     38.8     17.2         180      3800   male 2007
26  Adelie Biscoe     35.3     18.9         187      3800 female 2007

Gördüğünüz gibi Biscoe adasındaki penguenleri seçtik ve datBiscoe isimli bir nesneye atadık.

summary(datBiscoe)

      species          island       bill_len        bill_dep    
 Adelie   : 44   Biscoe   :168   Min.   :34.50   Min.   :13.10  
 Chinstrap:  0   Dream    :  0   1st Qu.:42.00   1st Qu.:14.50  
 Gentoo   :124   Torgersen:  0   Median :45.80   Median :15.50  
                                 Mean   :45.26   Mean   :15.87  
                                 3rd Qu.:48.70   3rd Qu.:17.00  
                                 Max.   :59.60   Max.   :21.10  
                                 NAs    :1       NAs    :1      
  flipper_len      body_mass        sex          year     
 Min.   :172.0   Min.   :2850   female:80   Min.   :2007  
 1st Qu.:199.5   1st Qu.:4200   male  :83   1st Qu.:2007  
 Median :214.0   Median :4775   NAs   : 5   Median :2008  
 Mean   :209.7   Mean   :4716               Mean   :2008  
 3rd Qu.:220.0   3rd Qu.:5325               3rd Qu.:2009  
 Max.   :231.0   Max.   :6300               Max.   :2009  
 NAs    :1       NAs    :1

Öncelikle en fazla NA değerine sahip sex değişkenindeki NA’lara bir bakalım. Bunun için is.na() isimli bir fonksiyonumuz var.

is.na(datBiscoe$sex)

  [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [49] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [61] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE
 [73] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
 [97] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[109] FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[121] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[133] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[145] FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[157] FALSE FALSE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE

Gördüğünüz gibi yine mantıksal bir sonuç döndü. Şimdi bu sonuca göre bir filtreleme yapalım.

datBiscoe[is.na(datBiscoe$sex), ]

    species island bill_len bill_dep flipper_len body_mass  sex year
179  Gentoo Biscoe     44.5     14.3         216      4100  2007
219  Gentoo Biscoe     46.2     14.4         214      4650  2008
257  Gentoo Biscoe     47.3     13.8         216      4725  2009
269  Gentoo Biscoe     44.5     15.7         217      4875  2009
272  Gentoo Biscoe       NA       NA          NA        NA  2009

NA değerleri seçmiş olduk ancak biz NA değerleri seçmek değil, silmek istiyorduk. Burada ! operatörünü kullanacağız. Bu operatörümüz, bize “o” olmayan sonucu döndürecek.

datBiscoe <- datBiscoe[!is.na(datBiscoe$sex), ]
head(datBiscoe)

   species island bill_len bill_dep flipper_len body_mass    sex year
21  Adelie Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie Biscoe     37.7     18.7         180      3600   male 2007
23  Adelie Biscoe     35.9     19.2         189      3800 female 2007
24  Adelie Biscoe     38.2     18.1         185      3950   male 2007
25  Adelie Biscoe     38.8     17.2         180      3800   male 2007
26  Adelie Biscoe     35.3     18.9         187      3800 female 2007

Evet şu an NA değerlere sahip olmayan sex değişkenine göre bir filtreleme yaptık.

Veriye tekrardan göz atalım.

summary(datBiscoe)

      species          island       bill_len        bill_dep    
 Adelie   : 44   Biscoe   :163   Min.   :34.50   Min.   :13.10  
 Chinstrap:  0   Dream    :  0   1st Qu.:41.85   1st Qu.:14.50  
 Gentoo   :119   Torgersen:  0   Median :45.80   Median :15.60  
                                 Mean   :45.25   Mean   :15.91  
                                 3rd Qu.:48.75   3rd Qu.:17.00  
                                 Max.   :59.60   Max.   :21.10  
  flipper_len      body_mass        sex          year     
 Min.   :172.0   Min.   :2850   female:80   Min.   :2007  
 1st Qu.:198.5   1st Qu.:4200   male  :83   1st Qu.:2007  
 Median :213.0   Median :4800               Median :2008  
 Mean   :209.6   Mean   :4719               Mean   :2008  
 3rd Qu.:220.0   3rd Qu.:5350               3rd Qu.:2009  
 Max.   :231.0   Max.   :6300               Max.   :2009

hs <- datBiscoe[datBiscoe$bill_len < 48 & datBiscoe$body_mass > 5000, ] # hs: heavy-short penguenler
hs

    species island bill_len bill_dep flipper_len body_mass    sex year
157  Gentoo Biscoe     47.6     14.5         215      5400   male 2007
160  Gentoo Biscoe     46.7     15.3         219      5200   male 2007
162  Gentoo Biscoe     46.8     15.4         215      5150   male 2007
176  Gentoo Biscoe     46.3     15.8         215      5050   male 2007
178  Gentoo Biscoe     46.1     15.1         215      5100   male 2007
180  Gentoo Biscoe     47.8     15.0         215      5650   male 2007
183  Gentoo Biscoe     47.3     15.3         222      5250   male 2007
185  Gentoo Biscoe     45.1     14.5         207      5050 female 2007
190  Gentoo Biscoe     44.4     17.3         219      5250   male 2008
201  Gentoo Biscoe     44.9     13.3         213      5100 female 2008
202  Gentoo Biscoe     45.2     15.8         215      5300   male 2008
208  Gentoo Biscoe     45.0     15.4         220      5050   male 2008
214  Gentoo Biscoe     46.2     14.9         221      5300   male 2008
226  Gentoo Biscoe     46.5     14.8         217      5200 female 2008
232  Gentoo Biscoe     45.2     16.4         223      5950   male 2008
258  Gentoo Biscoe     46.8     16.1         215      5500   male 2009
275  Gentoo Biscoe     45.2     14.8         212      5200 female 2009

Gördüğünüz gibi filtreledik. Yalnızca Biscoe adasındaki Gentoo türü penguenlerin bir kısmı bu boyutlara sahipmiş.

Filtrelediğimiz veriyi bir grafikte görelim.

par(mfrow=c(2, 1), mar=c(4, 4, 2, 1)) # mfrow ile grafigi 2 satira bolduk, mar ile margin ayarladik
plot(
    datBiscoe$bill_len,
    datBiscoe$body_mass,
    xlab="Bill Length [mm]",                      # x ekseni basligi
    ylab="Body Mass [g]",                         # y ekseni basligi
    pch=20                                        # pch (plot characters) nokta sekli icin
)
rect(                                             # filtreledigimiz degerleri kirmizi bir diktortgen ile belirttik
    xleft=min(hs$bill_len) - 0.2 ,                # minimum x ekseni degeri - 0.2
    ybottom=min(hs$body_mass) - 20,               # minimum y ekseni degeri - 20
    xright=max(hs$bill_len) + 0.2,                # maksimum x ekseni degeri + 0.2
    ytop=max(hs$body_mass) + 50,                  # maksimum y ekseni degeri + 50
    border="red",                                 # kirmizi rengi 
    lwd=2                                         # lwd (linewidth) cizgi kalinligi
)
plot(
    hs$bill_len, 
    hs$body_mass,
    xlab="Bill Length [mm]",
    ylab="Body Mass [g]",
    pch=20
)

Grafik, filtrelediğimiz değerleri daha iyi görmenizi sağlamıştır diye düşünüyorum.

Şimdi de tekrardan datBiscoe verisini kullanarak 2008 ve 2009 yıllarındaki verileri filtreleyelim. Bunun için yine birden fazla yol var ancak biz bu sefer %in% operatörünü kullanacağız. R’da %in% operatörü, birden fazla değerle filtreleme yapıldığında kullanılıyor.

datBiscoe[datBiscoe$year %in% c(2008, 2009), ]

    species island bill_len bill_dep flipper_len body_mass    sex year
51   Adelie Biscoe     39.6     17.7         186      3500 female 2008
52   Adelie Biscoe     40.1     18.9         188      4300   male 2008
53   Adelie Biscoe     35.0     17.9         190      3450 female 2008
54   Adelie Biscoe     42.0     19.5         200      4050   male 2008
55   Adelie Biscoe     34.5     18.1         187      2900 female 2008
56   Adelie Biscoe     41.4     18.6         191      3700   male 2008
57   Adelie Biscoe     39.0     17.5         186      3550 female 2008
58   Adelie Biscoe     40.6     18.8         193      3800   male 2008
59   Adelie Biscoe     36.5     16.6         181      2850 female 2008
60   Adelie Biscoe     37.6     19.1         194      3750   male 2008
61   Adelie Biscoe     35.7     16.9         185      3150 female 2008
62   Adelie Biscoe     41.3     21.1         195      4400   male 2008
63   Adelie Biscoe     37.6     17.0         185      3600 female 2008
64   Adelie Biscoe     41.1     18.2         192      4050   male 2008
65   Adelie Biscoe     36.4     17.1         184      2850 female 2008
66   Adelie Biscoe     41.6     18.0         192      3950   male 2008
67   Adelie Biscoe     35.5     16.2         195      3350 female 2008
68   Adelie Biscoe     41.1     19.1         188      4100   male 2008
101  Adelie Biscoe     35.0     17.9         192      3725 female 2009
102  Adelie Biscoe     41.0     20.0         203      4725   male 2009
103  Adelie Biscoe     37.7     16.0         183      3075 female 2009
104  Adelie Biscoe     37.8     20.0         190      4250   male 2009
105  Adelie Biscoe     37.9     18.6         193      2925 female 2009
106  Adelie Biscoe     39.7     18.9         184      3550   male 2009
107  Adelie Biscoe     38.6     17.2         199      3750 female 2009
 [ reached 'max' / getOption("max.print") -- omitted 95 rows ]

Bu iş de tamam!

Sırada bir başka satır işlemi olan sıralama var. Sıralamayı base R ile yaparken order() fonksiyonunu kullanıyoruz. Bir de base R’a native pipe - |> geldikten sonra çıkan sort_by() fonksiyonu var. İkisine de bakacağız.

order() fonksiyonu bir vektörün sıralanmış indekslerini veriyor. Biz de bu indeksleri satır indeksi yerine kullanarak sıralama yapabiliyoruz.

Mesela filtrelemeden önceki verimiz olan dat verisinin bill_len sütunuyla order() fonksiyonunu kullanalım.

order(dat$bill_len)

  [1] 143  99  71  93   9  19  55  15  81  53 101  84 125  26  67  75 137  61
 [19]  91 119  23  69  43  49 149 151  79  95 121  87  35  65  41  59  16 148
 [37]   5  83 133  88  45 139  32  78  85 118 145  48 134  39  60  63  22 103
 [55] 122  11  12  21 104 150  29 105  97 109 111 135  24 108  89 131  14 107
 [73] 117  17  25  37 127   7  90  57 129 146   1   8  36 147   6   2  31  33
 [91]  46  51  73  94 115  72 106 113 140  40  52 123 138 141   3  98  28  30
[109]  27  58 126 142 144  42  96  34  77 163 307 102  13  47  64  68  92 120
[127] 136  62  86  56 124 128 152  66 259  70  10  54 169  80  38 114  50 297
[145]  18 309 331 189 116 193  76 184  82 177 132 100 110 211 299 161 261 239
[163] 221 265 341 198 209 191  44 130 190 179 247 269 201 237 208 174 185 205
[181] 202 231 232 275 282 333 195 213 159 280 165 199 210 245 320 112 336 215
[199] 329 339
 [ reached 'max' / getOption("max.print") -- omitted 144 entries ]

Gördüğünüz gibi bize bir indeks verdi. Bu indeksle sıralama yapalım.

dat[order(dat$bill_len), ]

    species    island bill_len bill_dep flipper_len body_mass    sex year
143  Adelie     Dream     32.1     15.5         188      3050 female 2009
99   Adelie     Dream     33.1     16.1         178      2900 female 2008
71   Adelie Torgersen     33.5     19.0         190      3600 female 2008
93   Adelie     Dream     34.0     17.1         185      3400 female 2008
9    Adelie Torgersen     34.1     18.1         193      3475    2007
19   Adelie Torgersen     34.4     18.4         184      3325 female 2007
55   Adelie    Biscoe     34.5     18.1         187      2900 female 2008
15   Adelie Torgersen     34.6     21.1         198      4400   male 2007
81   Adelie Torgersen     34.6     17.2         189      3200 female 2008
53   Adelie    Biscoe     35.0     17.9         190      3450 female 2008
101  Adelie    Biscoe     35.0     17.9         192      3725 female 2009
84   Adelie Torgersen     35.1     19.4         193      4200   male 2008
125  Adelie Torgersen     35.2     15.9         186      3050 female 2009
26   Adelie    Biscoe     35.3     18.9         187      3800 female 2007
67   Adelie    Biscoe     35.5     16.2         195      3350 female 2008
75   Adelie Torgersen     35.5     17.5         190      3700 female 2008
137  Adelie     Dream     35.6     17.5         191      3175 female 2009
61   Adelie    Biscoe     35.7     16.9         185      3150 female 2008
91   Adelie     Dream     35.7     18.0         202      3550 female 2008
119  Adelie Torgersen     35.7     17.0         189      3350 female 2009
23   Adelie    Biscoe     35.9     19.2         189      3800 female 2007
69   Adelie Torgersen     35.9     16.6         190      3050 female 2008
43   Adelie     Dream     36.0     18.5         186      3100 female 2007
49   Adelie     Dream     36.0     17.9         190      3450 female 2007
149  Adelie     Dream     36.0     17.8         195      3450 female 2009
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Ve verimiz sıralandı.

sort_by() ise daha fonksiyonel bir yaklaşımdan geliyor. Şimdi de onu deneyelim.

sort_by(dat, dat$bill_len)

    species    island bill_len bill_dep flipper_len body_mass    sex year
143  Adelie     Dream     32.1     15.5         188      3050 female 2009
99   Adelie     Dream     33.1     16.1         178      2900 female 2008
71   Adelie Torgersen     33.5     19.0         190      3600 female 2008
93   Adelie     Dream     34.0     17.1         185      3400 female 2008
9    Adelie Torgersen     34.1     18.1         193      3475    2007
19   Adelie Torgersen     34.4     18.4         184      3325 female 2007
55   Adelie    Biscoe     34.5     18.1         187      2900 female 2008
15   Adelie Torgersen     34.6     21.1         198      4400   male 2007
81   Adelie Torgersen     34.6     17.2         189      3200 female 2008
53   Adelie    Biscoe     35.0     17.9         190      3450 female 2008
101  Adelie    Biscoe     35.0     17.9         192      3725 female 2009
84   Adelie Torgersen     35.1     19.4         193      4200   male 2008
125  Adelie Torgersen     35.2     15.9         186      3050 female 2009
26   Adelie    Biscoe     35.3     18.9         187      3800 female 2007
67   Adelie    Biscoe     35.5     16.2         195      3350 female 2008
75   Adelie Torgersen     35.5     17.5         190      3700 female 2008
137  Adelie     Dream     35.6     17.5         191      3175 female 2009
61   Adelie    Biscoe     35.7     16.9         185      3150 female 2008
91   Adelie     Dream     35.7     18.0         202      3550 female 2008
119  Adelie Torgersen     35.7     17.0         189      3350 female 2009
23   Adelie    Biscoe     35.9     19.2         189      3800 female 2007
69   Adelie Torgersen     35.9     16.6         190      3050 female 2008
43   Adelie     Dream     36.0     18.5         186      3100 female 2007
49   Adelie     Dream     36.0     17.9         190      3450 female 2007
149  Adelie     Dream     36.0     17.8         195      3450 female 2009
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Eğer azalan bir sıralama istiyorsak decreasing argümanına TRUE değerini vermeli ya da değişkenin başına - eklemeliyiz.

dat[order(dat$bill_len, decreasing=TRUE), ]

      species island bill_len bill_dep flipper_len body_mass    sex year
186    Gentoo Biscoe     59.6     17.0         230      6050   male 2007
294 Chinstrap  Dream     58.0     17.8         181      3700 female 2007
254    Gentoo Biscoe     55.9     17.0         228      5600   male 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
268    Gentoo Biscoe     55.1     16.0         230      5850   male 2009
216    Gentoo Biscoe     54.3     15.7         231      5650   male 2008
308 Chinstrap  Dream     54.2     20.8         201      4300   male 2008
316 Chinstrap  Dream     53.5     19.9         205      4500   male 2008
260    Gentoo Biscoe     53.4     15.8         219      5500   male 2009
306 Chinstrap  Dream     52.8     20.0         205      4550   male 2008
281 Chinstrap  Dream     52.7     19.8         197      3725   male 2007
234    Gentoo Biscoe     52.5     15.6         221      5450   male 2009
244    Gentoo Biscoe     52.2     17.1         228      5400   male 2009
332 Chinstrap  Dream     52.2     18.8         197      3450   male 2009
242    Gentoo Biscoe     52.1     17.0         230      5550   male 2009
290 Chinstrap  Dream     52.0     18.1         201      4050   male 2007
302 Chinstrap  Dream     52.0     19.0         197      4150   male 2007
314 Chinstrap  Dream     52.0     20.7         210      4800   male 2008
337 Chinstrap  Dream     51.9     19.5         206      3950   male 2009
288 Chinstrap  Dream     51.7     20.3         194      3775   male 2007
266    Gentoo Biscoe     51.5     16.3         230      5500   male 2009
325 Chinstrap  Dream     51.5     18.7         187      3250   male 2009
328 Chinstrap  Dream     51.4     19.0         201      3950   male 2009
240    Gentoo Biscoe     51.3     14.2         218      5300   male 2009
279 Chinstrap  Dream     51.3     19.2         193      3650   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

dat[order(-dat$bill_len), ]

      species island bill_len bill_dep flipper_len body_mass    sex year
186    Gentoo Biscoe     59.6     17.0         230      6050   male 2007
294 Chinstrap  Dream     58.0     17.8         181      3700 female 2007
254    Gentoo Biscoe     55.9     17.0         228      5600   male 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
268    Gentoo Biscoe     55.1     16.0         230      5850   male 2009
216    Gentoo Biscoe     54.3     15.7         231      5650   male 2008
308 Chinstrap  Dream     54.2     20.8         201      4300   male 2008
316 Chinstrap  Dream     53.5     19.9         205      4500   male 2008
260    Gentoo Biscoe     53.4     15.8         219      5500   male 2009
306 Chinstrap  Dream     52.8     20.0         205      4550   male 2008
281 Chinstrap  Dream     52.7     19.8         197      3725   male 2007
234    Gentoo Biscoe     52.5     15.6         221      5450   male 2009
244    Gentoo Biscoe     52.2     17.1         228      5400   male 2009
332 Chinstrap  Dream     52.2     18.8         197      3450   male 2009
242    Gentoo Biscoe     52.1     17.0         230      5550   male 2009
290 Chinstrap  Dream     52.0     18.1         201      4050   male 2007
302 Chinstrap  Dream     52.0     19.0         197      4150   male 2007
314 Chinstrap  Dream     52.0     20.7         210      4800   male 2008
337 Chinstrap  Dream     51.9     19.5         206      3950   male 2009
288 Chinstrap  Dream     51.7     20.3         194      3775   male 2007
266    Gentoo Biscoe     51.5     16.3         230      5500   male 2009
325 Chinstrap  Dream     51.5     18.7         187      3250   male 2009
328 Chinstrap  Dream     51.4     19.0         201      3950   male 2009
240    Gentoo Biscoe     51.3     14.2         218      5300   male 2009
279 Chinstrap  Dream     51.3     19.2         193      3650   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Gördüğünüz gibi büyükten küçüğe bir şekilde sıraladık.

sort_by() ile de aynı şekilde, değişkenin başına - ekleyerek azalan bir biçimde sıralayabiliriz.

sort_by(dat, -dat$bill_len)

      species island bill_len bill_dep flipper_len body_mass    sex year
186    Gentoo Biscoe     59.6     17.0         230      6050   male 2007
294 Chinstrap  Dream     58.0     17.8         181      3700 female 2007
254    Gentoo Biscoe     55.9     17.0         228      5600   male 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
268    Gentoo Biscoe     55.1     16.0         230      5850   male 2009
216    Gentoo Biscoe     54.3     15.7         231      5650   male 2008
308 Chinstrap  Dream     54.2     20.8         201      4300   male 2008
316 Chinstrap  Dream     53.5     19.9         205      4500   male 2008
260    Gentoo Biscoe     53.4     15.8         219      5500   male 2009
306 Chinstrap  Dream     52.8     20.0         205      4550   male 2008
281 Chinstrap  Dream     52.7     19.8         197      3725   male 2007
234    Gentoo Biscoe     52.5     15.6         221      5450   male 2009
244    Gentoo Biscoe     52.2     17.1         228      5400   male 2009
332 Chinstrap  Dream     52.2     18.8         197      3450   male 2009
242    Gentoo Biscoe     52.1     17.0         230      5550   male 2009
290 Chinstrap  Dream     52.0     18.1         201      4050   male 2007
302 Chinstrap  Dream     52.0     19.0         197      4150   male 2007
314 Chinstrap  Dream     52.0     20.7         210      4800   male 2008
337 Chinstrap  Dream     51.9     19.5         206      3950   male 2009
288 Chinstrap  Dream     51.7     20.3         194      3775   male 2007
266    Gentoo Biscoe     51.5     16.3         230      5500   male 2009
325 Chinstrap  Dream     51.5     18.7         187      3250   male 2009
328 Chinstrap  Dream     51.4     19.0         201      3950   male 2009
240    Gentoo Biscoe     51.3     14.2         218      5300   male 2009
279 Chinstrap  Dream     51.3     19.2         193      3650   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Çoğu zaman sıralamaları birden fazla değişkenle yapmak isteyebiliriz. Bu durumda da order() fonksiyonuna diğer değişken isimlerini eklememiz gerekiyor.

Öncelikle yıla göre, sonrasında da gaga uzunluğuna göre büyükten küçüğe sıralayalım.

dat[order(-dat$year, -dat$bill_len), ]

      species island bill_len bill_dep flipper_len body_mass    sex year
254    Gentoo Biscoe     55.9     17.0         228      5600   male 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
268    Gentoo Biscoe     55.1     16.0         230      5850   male 2009
260    Gentoo Biscoe     53.4     15.8         219      5500   male 2009
234    Gentoo Biscoe     52.5     15.6         221      5450   male 2009
244    Gentoo Biscoe     52.2     17.1         228      5400   male 2009
332 Chinstrap  Dream     52.2     18.8         197      3450   male 2009
242    Gentoo Biscoe     52.1     17.0         230      5550   male 2009
337 Chinstrap  Dream     51.9     19.5         206      3950   male 2009
266    Gentoo Biscoe     51.5     16.3         230      5500   male 2009
325 Chinstrap  Dream     51.5     18.7         187      3250   male 2009
328 Chinstrap  Dream     51.4     19.0         201      3950   male 2009
240    Gentoo Biscoe     51.3     14.2         218      5300   male 2009
252    Gentoo Biscoe     51.1     16.5         225      5250   male 2009
321 Chinstrap  Dream     50.9     17.9         196      3675 female 2009
238    Gentoo Biscoe     50.8     17.3         228      5600   male 2009
248    Gentoo Biscoe     50.8     15.7         226      5200   male 2009
322 Chinstrap  Dream     50.8     18.5         201      4450   male 2009
343 Chinstrap  Dream     50.8     19.0         210      4100   male 2009
330 Chinstrap  Dream     50.7     19.7         203      4050   male 2009
263    Gentoo Biscoe     50.5     15.2         216      5000 female 2009
274    Gentoo Biscoe     50.4     15.7         222      5750   male 2009
335 Chinstrap  Dream     50.2     18.8         202      3800   male 2009
344 Chinstrap  Dream     50.2     18.7         198      3775 female 2009
323 Chinstrap  Dream     50.1     17.9         190      3400 female 2009
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

sort_by fonksiyonuyla da aşağıdaki şekilde sıralayabilirsiniz.

sort_by(dat, list(-dat$year, -dat$bill_len))

      species island bill_len bill_dep flipper_len body_mass    sex year
254    Gentoo Biscoe     55.9     17.0         228      5600   male 2009
340 Chinstrap  Dream     55.8     19.8         207      4000   male 2009
268    Gentoo Biscoe     55.1     16.0         230      5850   male 2009
260    Gentoo Biscoe     53.4     15.8         219      5500   male 2009
234    Gentoo Biscoe     52.5     15.6         221      5450   male 2009
244    Gentoo Biscoe     52.2     17.1         228      5400   male 2009
332 Chinstrap  Dream     52.2     18.8         197      3450   male 2009
242    Gentoo Biscoe     52.1     17.0         230      5550   male 2009
337 Chinstrap  Dream     51.9     19.5         206      3950   male 2009
266    Gentoo Biscoe     51.5     16.3         230      5500   male 2009
325 Chinstrap  Dream     51.5     18.7         187      3250   male 2009
328 Chinstrap  Dream     51.4     19.0         201      3950   male 2009
240    Gentoo Biscoe     51.3     14.2         218      5300   male 2009
252    Gentoo Biscoe     51.1     16.5         225      5250   male 2009
321 Chinstrap  Dream     50.9     17.9         196      3675 female 2009
238    Gentoo Biscoe     50.8     17.3         228      5600   male 2009
248    Gentoo Biscoe     50.8     15.7         226      5200   male 2009
322 Chinstrap  Dream     50.8     18.5         201      4450   male 2009
343 Chinstrap  Dream     50.8     19.0         210      4100   male 2009
330 Chinstrap  Dream     50.7     19.7         203      4050   male 2009
263    Gentoo Biscoe     50.5     15.2         216      5000 female 2009
274    Gentoo Biscoe     50.4     15.7         222      5750   male 2009
335 Chinstrap  Dream     50.2     18.8         202      3800   male 2009
344 Chinstrap  Dream     50.2     18.7         198      3775 female 2009
323 Chinstrap  Dream     50.1     17.9         190      3400 female 2009
 [ reached 'max' / getOption("max.print") -- omitted 319 rows ]

Mesela verimizi (data.frame), yalnızca eşsiz olan vücut kütlesi değerleri döndürmek istiyorsak aşağıdaki gibi filtreleyebiliriz.

dat[!duplicated(dat$body_mass), ]

   species    island bill_len bill_dep flipper_len body_mass    sex year
1   Adelie Torgersen     39.1     18.7         181      3750   male 2007
2   Adelie Torgersen     39.5     17.4         186      3800 female 2007
3   Adelie Torgersen     40.3     18.0         195      3250 female 2007
4   Adelie Torgersen       NA       NA          NA        NA    2007
5   Adelie Torgersen     36.7     19.3         193      3450 female 2007
6   Adelie Torgersen     39.3     20.6         190      3650   male 2007
7   Adelie Torgersen     38.9     17.8         181      3625 female 2007
8   Adelie Torgersen     39.2     19.6         195      4675   male 2007
9   Adelie Torgersen     34.1     18.1         193      3475    2007
10  Adelie Torgersen     42.0     20.2         190      4250    2007
11  Adelie Torgersen     37.8     17.1         186      3300    2007
12  Adelie Torgersen     37.8     17.3         180      3700    2007
13  Adelie Torgersen     41.1     17.6         182      3200 female 2007
15  Adelie Torgersen     34.6     21.1         198      4400   male 2007
18  Adelie Torgersen     42.5     20.7         197      4500   male 2007
19  Adelie Torgersen     34.4     18.4         184      3325 female 2007
20  Adelie Torgersen     46.0     21.5         194      4200   male 2007
21  Adelie    Biscoe     37.8     18.3         174      3400 female 2007
22  Adelie    Biscoe     37.7     18.7         180      3600   male 2007
24  Adelie    Biscoe     38.2     18.1         185      3950   male 2007
27  Adelie    Biscoe     40.6     18.6         183      3550   male 2007
29  Adelie    Biscoe     37.9     18.6         172      3150 female 2007
32  Adelie     Dream     37.2     18.1         178      3900   male 2007
36  Adelie     Dream     39.2     21.1         196      4150   male 2007
40  Adelie     Dream     39.8     19.1         184      4650   male 2007
 [ reached 'max' / getOption("max.print") -- omitted 70 rows ]

Tekrar eden değerleri döndürmek istediğimizde de ! operatörü kullanmadan yapabiliriz.

dat[duplicated(dat$body_mass), ]

   species    island bill_len bill_dep flipper_len body_mass    sex year
14  Adelie Torgersen     38.6     21.2         191      3800   male 2007
16  Adelie Torgersen     36.6     17.8         185      3700 female 2007
17  Adelie Torgersen     38.7     19.0         195      3450 female 2007
23  Adelie    Biscoe     35.9     19.2         189      3800 female 2007
25  Adelie    Biscoe     38.8     17.2         180      3800   male 2007
26  Adelie    Biscoe     35.3     18.9         187      3800 female 2007
28  Adelie    Biscoe     40.5     17.9         187      3200 female 2007
30  Adelie    Biscoe     40.5     18.9         180      3950   male 2007
31  Adelie     Dream     39.5     16.7         178      3250 female 2007
33  Adelie     Dream     39.5     17.8         188      3300 female 2007
34  Adelie     Dream     40.9     18.9         184      3900   male 2007
35  Adelie     Dream     36.4     17.0         195      3325 female 2007
37  Adelie     Dream     38.8     20.0         190      3950   male 2007
38  Adelie     Dream     42.2     18.5         180      3550 female 2007
39  Adelie     Dream     37.6     19.3         181      3300 female 2007
41  Adelie     Dream     36.5     18.0         182      3150 female 2007
42  Adelie     Dream     40.8     18.4         195      3900   male 2007
44  Adelie     Dream     44.1     19.7         196      4400   male 2007
49  Adelie     Dream     36.0     17.9         190      3450 female 2007
50  Adelie     Dream     42.3     21.2         191      4150   male 2007
53  Adelie    Biscoe     35.0     17.9         190      3450 female 2008
56  Adelie    Biscoe     41.4     18.6         191      3700   male 2008
57  Adelie    Biscoe     39.0     17.5         186      3550 female 2008
58  Adelie    Biscoe     40.6     18.8         193      3800   male 2008
60  Adelie    Biscoe     37.6     19.1         194      3750   male 2008
 [ reached 'max' / getOption("max.print") -- omitted 224 rows ]

GRUP İŞLEMLERİ

Eğer dplyr fonksiyonlarına aşinaysanız group_by() |> summarise() ikilisini mutlaka biliyorsunuzdur. Özet istatistik tabloları oluşturmak için oldukça kullanışlı bir yöntem. base R’da da bunu tapply(), aggregate() ya da by() fonksiyonuyla yapabilirsiniz. Eğer dplyr’deki group_by() |> mutate() ikilisini base R ile yapmak istiyorsanız da ave() fonsiyonu güzel bir alternatif olabilir. base R basit gruplama + özetleme işlemleri için dplyr’a göre daha sezgisel, daha kolay ancak birden fazla fonksiyon kullanarak yapacağımız ve bir data.frame dönmesini istediğimiz işlerde dplyr’ı daha kullanışlı buluyorum. Neyse bu yazının konusu base R - tidyverse karşılaştırması değil. Bu konuda dplyr ve base R’a eşit oranda aşina olmayanlar için Excel’deki (kendilerini hiç sevmem :)) pivot table’a oldukça benzediğini söyleyebilirim. Özetle bir gruba göre özet istatistik tablosu oluşturacaksak yukarıda bahsettiğim fonksiyonlar tam da bu iş için.

Basit bir örnekle başlayalım. Diyelim ki ortalama bill_len’i hesaplamak istiyoruz.

mean(dat$bill_len, na.rm=TRUE) # na.rm = TRUE kullanarak ortalama hesaplarken NA degerleri yok sayiyoruz.

[1] 43.92193

Bunun için mean() fonksiyonunu kullanmamız yeterli.

Ancak her bir grubun ortalamasını hesaplamak istiyorsak bunun için en iyi yöntem tapply() fonksiyonunu kullanmaktır. Son derece sezgisel, kolay bir fonksiyon. Daha önce lapply(), sapply() ya da apply() fonksiyonunu duymuş olabilirsiniz. R’da fonksiyonel programlama yaklaşımıyla, loop yazmadan tekrarlayan işleri yapmamıza yarayan apply ailesi fonksiyonları bunlar. tapply()’de bunlardan birisi.

Her bir tür için ortamala gaga uzunluğunu öğrenmek istediğimizi varsayalım. İlk argüman olarak özetlemeyi istediğimiz değişkeni yazıyoruz. İkinci argüman olarak grupladığımız değişkeni ve üçüncü olarak da fonksiyonu.

tapply(dat$bill_len, dat$species, mean, na.rm=TRUE)

   Adelie Chinstrap    Gentoo 
 38.79139  48.83382  47.50488

Burada na.rm argümanı kafanızı karıştırmasın diye aşağıdaki şekillerde de yazabiliriz bu fonksiyonu. Son argümanı fonksiyon içinde gösteriyoruz. Bu da daha okunaklı oluyor.

tapply(dat$bill_len, dat$species, function(x) mean(x, na.rm=TRUE))

   Adelie Chinstrap    Gentoo 
 38.79139  48.83382  47.50488

tapply(dat$bill_len, dat$species, \(x) mean(x, na.rm=TRUE))

   Adelie Chinstrap    Gentoo 
 38.79139  48.83382  47.50488

\() anonymous function diye geçen bir fonksiyon. Daha önce görmemiş olabilirsiniz. R’ın 4.1.0 versiyonuyla beraber, native pipe (|>) ile birlikte gelen bir özellik. Tek satırlık bir fonksiyonunuz varsa function(x) yerine \(x) kullanabilirsiniz. Aynı işlevi görüyor.

Diyelim ki hem ada hem de türler için ortalama hesaplamak istiyoruz. O zaman grup değişkenlerini bir list() ile vermemiz gerekiyor.

tapply(dat$bill_len, list(dat$species, dat$island), \(x) mean(x, na.rm=TRUE))

            Biscoe    Dream Torgersen
Adelie    38.97500 38.50179  38.95098
Chinstrap       NA 48.83382        NA
Gentoo    47.50488       NA        NA

Eğer tek bir gruba ve birden çok fonksiyona göre özet istatistik çıkartacaksanız aşağıdaki gibi bir data.frame içerisinde tanımlayabilirsiniz.

tapply(dat$bill_len, dat$species,
       \(x) data.frame(mean=mean(x, na.rm=TRUE), 
                       median=median(x, na.rm=TRUE)))

$Adelie
      mean median
1 38.79139   38.8

$Chinstrap
      mean median
1 48.83382  49.55

$Gentoo
      mean median
1 47.50488   47.3

Ancak birden fazla grup için birden fazla özet istatistik hesaplamak istiyorsanız aggregate() ya da by() fonksiyonunu kullanmanızı öneririm. tapply() bu durumda karmaşık hâle gelebilir. Ya da en azından ben basit yolunu bulamamışımdır. Basit bir yolunu bilen varsa yorumlarda belirtsin lütfen. :)

aggregate(dat$bill_len, list(dat$species, dat$island), function(x) {
    c(mean=mean(x, na.rm=TRUE), median=median(x, na.rm=TRUE))
})

    Group.1   Group.2   x.mean x.median
1    Adelie    Biscoe 38.97500 38.70000
2    Gentoo    Biscoe 47.50488 47.30000
3    Adelie     Dream 38.50179 38.55000
4 Chinstrap     Dream 48.83382 49.55000
5    Adelie Torgersen 38.95098 38.90000

Ya da karmaşık işlerde en kullanışlı olan by() fonksiyonu. Aslında her üç fonksiyonun da argüman sırası benzer. Bu açıdan çok avantajlı. Sadece kullanımda bazı farklılıklar var. by() kullanırken eğer özet tabloda grup değerlerini de görmek istiyorsak -ki bence önemli- aşağıdaki gibi x$species[1] şeklinde göstermeliyiz. Bu, her bir tekrarda yalnızca ilk değeri alacaktır. Ardından da list() benzeri bir veri döndürecektir. Eğer bu veriyi data.frame’e döndürmek istiyorsak do.call() fonksiyonu içinde rbind() kullanmamız gerekiyor. Biliyorum başta oldukça karmaşık geliyor ama zamanla o kadar da zor olmadığı anlaşılıyor. Bir fonksiyonu, argümanlarını list’ten alacak şekilde çağırmak istediğimiz her zaman do.call() kullanmak zorundayız. :) lapply() fonksiyonunu kullandığınızda -R’daki en önemli fonksiyonlardan birisi kesinlikle- do.call() fonksiyonunu da bolca kullanacaksınız. Zamanla oturacaktır.

dat_by <- by(dat, list(dat$species, dat$island), 
             \(x) data.frame(species=x$species[1], # sadece essiz degerleri almasi icin 
                             island=x$island[1],   # sadece essiz degerleri almasi icin 
                             mean=mean(x$bill_len, na.rm = TRUE), 
                             median=median(x$bill_len, na.rm = TRUE))) 
peng_summ <- do.call(rbind, dat_by)
peng_summ

    species    island     mean median
1    Adelie    Biscoe 38.97500  38.70
2    Gentoo    Biscoe 47.50488  47.30
3    Adelie     Dream 38.50179  38.55
4 Chinstrap     Dream 48.83382  49.55
5    Adelie Torgersen 38.95098  38.90

Temiz iş akışı, temiz sonuç! dplyr paketindeki group_by() |> summarise() ikilisine oldukça güçlü bir alternatif. Hem de base R sağlamlığıyla.

Son söz olarak tek fonksiyonlu özetler için tapply() ve aggregate(), çok fonksiyonlular için ise yine aggregate() ve özellikle de by() oldukça güçlü fonksiyonlar.

3. BİRAZ DA GRAFİK

Bu yazıda yalnızca base R ile gelen plot() fonksiyonu ve onun kardeşlerini kullanacağız. Basit grafikler çizmek için çok kolay ve hızlı bir yol. İleride ggplot2 gibi bir kütüphane kullansanız bile analiz esnasında veriyi hızlıca görmek için kullanabileceğiniz bir fonksiyon. Aslında birçok modern R kullanıcısı base R grafiklerini küçümseme eğiliminde çünkü ggplot2 muhteşem bir paket ve karmaşık grafikler yapmak için eşsiz bir araç sunuyor ancak base R da düşünüldüğü gibi basit olmayan, aslında daha esnek ve istenildiği zaman çok farklı ve kompleks grafikler çizmeye olanak sağlayabiliyor. Meraklıları şu bağlantıları ziyaret edebilir:

Biz tabi burada daha basit grafikler çizeceğiz. :)

Öncelikle plot() fonksiyonu ile bir data.frame’i direkt çizmek istersek tüm sütunları ve birbirleriyle ilişkisini çizecektir. Bu da 8x8’lik bir matrix demek.

plot(penguins)

Oldukça karmaşık görünüyor değil mi? Bu gibi grafikleri kullandığımız zamanlar olabiliyor ama şu an hiç mi hiç gerek yok.

Öncelikle çizmek istediğimiz sütunları seçerek başlayalım, ilk sıraya x ekseninde istediğimiz değişkeni, ikinci sırada da y ekseninde istediğimiz değişkeni yazacağız.

plot(penguins$flipper_len, penguins$bill_len)

Şimdi de pch = 16 ile nokta şeklini belirleyelim. Şuradan şekil kodlarına ilişkin daha fazla bilgi edinebilirsiniz.

plot(penguins$flipper_len, penguins$bill_len, pch=16)

Eksen başlıklarını değiştirelim.

plot(penguins$flipper_len, penguins$bill_len, pch=16, 
     xlab="Flipper Length [mm]", ylab="Bill Length [mm]")

Noktaların rengini kırmızı yapalım.

plot(penguins$flipper_len, penguins$bill_len, col="red", pch=16,
     xlab="Flipper Length [mm]", ylab="Bill Length [mm]")

Şimdi de renkleri species değişkenine göre belirleyelim.

plot(penguins$flipper_len, penguins$bill_len, col=penguins$species, pch=16, 
     xlab="Flipper Length [mm]", ylab="Bill Length [mm]")

Bir de lejant ekleyelim. Base R plot fonksiyonunun en büyük dezavantajlarından birisi lejantı manuel olarak çizmeniz gerekmesi. Bu konuda tinyplot paketine bakabilirsiniz. tinyplot, base graphics üzerine otomatik lejant gibi birçok kullanışlı özellik ekleyen, daha modern, daha basit ve sıfır bağımlılıklı bir paket. Bakmanızı mutlaka öneririm.

plot(penguins$flipper_len, penguins$bill_len, col=penguins$species, pch = 16, 
     xlab="Flipper Length [mm]", ylab="Bill Length [mm]")
legend("topright", legend=levels(penguins$species), col=1:3, pch=16, 
       title="Species")

Burada da nokta şekillerini de species değişkenine göre değiştiriyoruz.

plot(penguins$flipper_len, penguins$bill_len, col=penguins$species, 
     pch=as.integer(penguins$species), xlab="Flipper Length [mm]", 
     ylab="Bill Length [mm]")
legend("topright", legend=levels(penguins$species), col=1:3, 
       pch=1:nlevels(penguins$species), title="Species")

Son olarak da basit bir histogram çizip, verimizin dağılımına bakalım.

hist(penguins$bill_dep)

hist(penguins$bill_dep, xlab="Bill Depth [mm]", main="Histogram of Bill Depth")

Fazlasıyla uzun bir yazı oldu. Umarım okucuyular için faydalı olur. En ufak bir sorunuz bile olsa lütfen sormaktan çekinmeyin.

Bilimle ve huzurla kalınız!

R İLE TOPOGRAFİK VERİ İNDİRME 2 - DEM VERİSİ İNDİRME VE GÖRSELLEŞTİRME

Mehmet Göktuğ ÖZTÜRK — Sun, 09 Mar 2025 21:00:00 GMT

Geçtiğimiz hafta, üzerinden uzunca bir zaman geçtikten sonra, blogun üçüncü yazısını yayımlamıştım. geodata paketini kullanarak SRTM verisi indirmiş ve görselleştirmiştim. SRTM, orijinal olarak 30 metre çözünürlüklü bir veri ancak geodata paketi bu veriyi, maksimum 30 arc second (yaklaşık 1 km) çözünürlüklü olarak sağlıyor. Bu çözünürlük, çoğu görselleştirme ve ekolojik modelleme çalışması için oldukça yeterli, özellikle de Türkiye gibi büyük coğrafyalarda çalıştığımız zaman. Ancak çalışmamızın konusu, amacı ya da çalışma alanının boyutuna göre, topografyayı daha iyi temsil edecek, daha yüksek çözünürlüklü verilere ihtiyaç duyabiliriz. Geçtiğimiz yazının devamı niteliğindeki bu yazıda, R kullanarak yüksek çözünürlüklü SRTM verilerine nasıl erişebileceğimizi anlatacağım. Yüksek çözünürlü veri indireceğimiz için Türkiye ölçeğinde veri indirmek ve o veriyi işlemek daha fazla zaman alacaktır. Bu sebeple bu yazı İzmir ölçeğinde olacak.

1. PAKETLERİN YÜKLENMESİ

Bu yazı için 4 paket kullanacağız. Mekânsal vektör veriler için sf, raster veriler için terra, mülki idare sınırları için yine rgeoboundaries ve interaktif görselleştirme için de mapview paketini kullanacağız. Bu yazıdaki yeni paketimiz elevatr. DEM verilerine erişmek için oldukça pratik bir paket.

library(sf)
library(terra)
library(elevatr)
library(rgeoboundaries)
library(mapview)

2. DEM VERİSİNİN İNDİRİLMESİ

elevatr paketini kullanarak birden fazla kaynaktan (SRTM, ALOS 3D, Amazon) veri indirmek mümkün. Yukarıda da bahsettiğim gibi bu yazıda SRTM verisi indireceğiz. Bunun için ilk olarak Türkiye mülki idare sınırı verisini indirelim.

tr_il <- gb_adm1("TUR")
tr_il

Simple feature collection with 81 features and 6 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 25.66545 ymin: 35.80768 xmax: 44.81766 ymax: 42.1048
Geodetic CRS:  WGS 84
First 10 features:
   shapeGroup shapeType      shapeName shapeISO                 shapeID
1         TUR      ADM1          Adana    TR-01 25984515B95172477822815
2         TUR      ADM1       Adıyaman    TR-02 25984515B90872828599679
3         TUR      ADM1 Afyonkarahisar    TR-03 25984515B26209284550223
4         TUR      ADM1           Ağrı    TR-04 25984515B39003465173278
5         TUR      ADM1         Amasya    TR-05 25984515B32583172380009
6         TUR      ADM1        Antalya    TR-07 25984515B97476213604692
7         TUR      ADM1         Artvin    TR-08  25984515B1602304411378
8         TUR      ADM1          Aydın    TR-09 25984515B63739470532168
9         TUR      ADM1      Balıkesir    TR-10 25984515B55384476443375
10        TUR      ADM1         Ankara    TR-06 25984515B47806653651907
   shapeCanonical                       geometry
1        province MULTIPOLYGON (((35.38791 36...
2        province MULTIPOLYGON (((37.861 37.4...
3        province MULTIPOLYGON (((30.48061 38...
4        province MULTIPOLYGON (((43.77542 39...
5        province MULTIPOLYGON (((36.3878 40....
6        province MULTIPOLYGON (((30.42781 36...
7        province MULTIPOLYGON (((41.87016 40...
8        province MULTIPOLYGON (((27.33197 37...
9        province MULTIPOLYGON (((26.7224 39....
10       province MULTIPOLYGON (((31.96673 38...

plot(st_geometry(tr_il))

Şekil 1: Türkiye mülki idare sınırları.

Şimdi de İzmir sınırlarını çekelim.

izm <- tr_il[tr_il$shapeName == "İzmir", ]
izm

Simple feature collection with 1 feature and 6 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 26.19417 ymin: 37.81523 xmax: 28.49308 ymax: 39.38549
Geodetic CRS:  WGS 84
   shapeGroup shapeType shapeName shapeISO                 shapeID
41        TUR      ADM1     İzmir    TR-35 25984515B59477790330217
   shapeCanonical                       geometry
41       province MULTIPOLYGON (((28.48507 38...

plot(st_geometry(izm))

Şekil 2: İzmir mülki idare sınırları.

Bir de interaktif olarak kontrol edelim.

mapview(izm)

Şekil 3: İzmir mülki idare sınırları.

İzmir sınırları hazır olduğuna göre DEM verisini indirebiliriz.

elevatr paketi, “aws” hariç diğer kaynaklardan veri indirmek için OpenTopography API’sini kullanıyor. Bunun için siteye üye olmalı ve API Key oluşturmalısınız. Bu, işlem ücretsiz ve oldukça basit. Sonrasında set_opentopo_key() fonksiyonunu kullanarak key’inizi girmelisiniz. Ardından R oturumunu yeniden başlattığınızda verilere erişebilirsiniz.

İzmir sınırlarını kullanarak DEM verisini indirmek için get_elev_raster() fonksiyonunu kullanacağız. İzmir DEM verisini indirmek için locations = izm, yüksek çözünürlüklü SRTM verisi için src = "gl1" ve veriyi İzmir sınırlarına göre kırpmak için de clip = "locations" argümanını kullanacağız.

dem <- get_elev_raster(izm, src = "gl1", clip = "locations")

dem

class      : RasterLayer 
dimensions : 5653, 8276, 46784228  (nrow, ncol, ncell)
resolution : 0.0002777778, 0.0002777778  (x, y)
extent     : 26.19431, 28.49319, 37.81514, 39.38542  (xmin, xmax, ymin, ymax)
crs        : +proj=longlat +datum=WGS84 +no_defs 
source     : memory
names      : filec04e3e67e54a 
values     : -25, 2148  (min, max)

plot(dem)

Şekil 4: İzmir topografya haritası, raster paketinin varsayılan plot() fonksiyonu.

Yüksek çözünürlüklü DEM verisini indirdik. Gördüğünüz gibi veri RasterLayer sınıfında. Bunun sebebi elevatr paketinin hâlen raster paketini kullanması. Veriyi terra’nın SpatRaster sınıfına çeviriyorum. Ardından da bir önceki yazıdaki gibi reclassify edip, 0’dan küçük olan tüm değerleri 0’a eşitleyeceğim. Bunu terra paketi içindeki classify() fonksiyonu ile yapabiliriz.

dem <- rast(dem)
dem <- classify(
  dem, 
  rcl = matrix(c(-Inf, 0, 0), ncol = 3, byrow = TRUE)
)
dem

class       : SpatRaster
size        : 5653, 8276, 1  (nrow, ncol, nlyr)
resolution  : 0.0002777778, 0.0002777778  (x, y)
extent      : 26.19431, 28.49319, 37.81514, 39.38542  (xmin, xmax, ymin, ymax)
coord. ref. : +proj=longlat +datum=WGS84 +no_defs
source(s)   : memory
name        : filec04e3e67e54a
min value   :                0
max value   :             2148

plot(dem)

Şekil 5: İzmir topografya haritası, terra paketinin varsayılan plot() fonksiyonu.

Şimdi de görselleştirmeye geçebiliriz.

3. VERİNİN GÖRSELLEŞTİRİLMESİ

Veriyi görselleştirmek için yine base R kullanacağım. Bu sefer daha iyi bir renk paleti seçiyor ve kuzey oku ile ölçek ekliyorum.

breaks <- seq(0, 2150, 10)                                                    # kirilimlari onceden belirliyoruz

par(family = "Montserrat", cex = 1.4)                                         # font ailesi ve boyutu
plot(
  dem,                                                                        # raster veri 
  breaks = breaks,                                                            # kirilimlar
  type = "continuous",                                                        # kirilimlari manuel belirledigimiz icin lejanti manuel olarak cont. yapmamiz gerekiyor
  col = tidyterra::hypso.colors(                                              # tidyterra paketiyle palet seciyorum  
    length(breaks) - 1,                                                       # renk sayisinin kırilim boyutundan bir az olmasi icin
    palette = "wiki-schwarzwald-cont"
  ), 
  las = 1,                                                                    # y eksenindeki yaziların yatay olmasi icin
  maxcell = prod(dim(dem)),                                                   # maksimum cozunurlukte cizmek icin
  plg = list(at = seq(0, 2100, 250), tic = "out"),                            # lejant ayarlari
  mar = c(0.5, 1.5, 0, 4)                                                     # marjin 
)
plot(st_geometry(izm), add = TRUE)                                            # izmir sinirlari
north(c(26.35, 39.2), type = 1, label = expression(bold("KUZEY")), lwd = 1.2) # kuzey oku
sbar(10, "bottomleft", below = "km", adj = c(0.5, -1), lonlat = TRUE)         # olcek
mtext("Veri: SRTM", side = 1, adj = 0.99, line = 1.7)                         # kaynak eklemek icin

Şekil 6: İzmir topografya haritası, terra ve base plot ile topografya haritası.

Geçenki yazıdaki histogramı şimdi de İzmir için çizelim, rakımın İzmir’deki dağılımına bir bakalım.

breaks <- seq(0, 2150, 50)

par(
  mar = c(5, 5.2, 1, 1),
  mgp = c(3.6, 0.7, 0),                                                     # etiket uzakligini ayarliyoruz
  las = 1, 
  family = "Montserrat", 
  bty = "l",                                                                # box'ın tipini L seklinde yapmak icin
  cex.lab = 1.2,
  xpd = NA                                                                  # etiketi grafik sinirlari disina tasimaya izin verir
)
hist(dem, xlab = "Rakım [m]", ylab = "Sıklık", main = "", breaks = breaks)  # histogram
axis(side = 1, at = breaks, tck = -0.030 / 4, labels = FALSE)               # x eksenindeki kucuk tikler
box()                                                                       # eksenlere kutu cizmek icin

Şekil 7: İzmir’de rakımın dağılımı.

Grafik, sergilediği sağa çarpık dağılımla İzmir’in bir kıyı kenti olduğunu oldukça net bir şekilde gösteriyor.

Bir sonraki yazıda görüşürüz.

Bilimle ve huzurla kalınız!

R İLE TOPOGRAFIK VERİ İNDİRME - DEM VERİSİ İNDİRME VE GÖRSELLEŞTİRME

Mehmet Göktuğ ÖZTÜRK — Sun, 02 Mar 2025 21:00:00 GMT

Merhabalar, blogun üçüncü yazısına hoş geldiniz. Takıldığınız ve anlamadığınız yerler olursa lütfen yorum yapmaya çekinmeyiniz. Ayrıca katkılarınızı ve eleştirilerinizi de bekliyorum. Keyifli okumalar.

Blogdaki son yazımın üzerinden neredeyse 15 ay geçti. Bu “kısacık” zamana nişan, evlilik ve tezi -özellikle de tezi- sıkıştırınca başımı kaşıyacak vakit bile bulamadım. Ardından da esiri olduğum mükemmelliyetçilik eklenince bu yazının çıkışı bugünü buldu. Yani anlayacağınız yine bahanelerim var. :)

Bir önceki yazıyı okuyanlar hatırlayacaktır; DEM verisinden eğim ve bakı hesaplamış, kara akbaba gözlem noktalarındaki değerleri çekmiş ve görselleştirmiştik. Bu yazıda ise R kullanarak DEM verisini nasıl indirebileceğimizi göreceğiz. Ardından da base R kullanarak görselleştirmeler yapacağız.

Bu yazı, öncekilerden daha kısa ve öz olacak.

1. PAKETLERİN YÜKLENMESİ

Hangi paketleri kullanacağımıza geçmeden önce size R programlama konusunda geçirdiğim zihinsel değişimden bahsetmek istiyorum. R öğrenmeye başladığımda -olması gerektiği gibi- ilk olarak R programlamanın temellerini öğrenmiş, ardından R ile veri analizine geçmiştim. Sonrasında arkadaşım ve saygıdeğer hocam İsmail’in (kendisi benim ilk R hocam ve yardımcı tez danışmanım oluyor) önerileriyle tidyverse kullanmaya başladım. tidyverse, daha önceki yazılarda da bahsettiğim gibi, veri işlerini standartlaştıran bir paket koleksiyonu. İçerisinde düzenli veri - tidy data prensiplerine dayanan, R ile veri işlemeyi standart ve daha kolay bir hâle getiren ggplot2, dplyr, readr, tidyr, tibble gibi çok sayıda paket bulunuyor. O günden bugüne işlerimin büyük bir kısmında bu paketleri kullandım. Bu süreç, veri analizi konusunda bana çok şey öğretti; düzenli veri prensiplerini, onları uygulamayı ve R’ın en popüler paketlerinden tidyverse’yi öğrendim. Geçtiğimiz ocak ayında ise programlama konusundaki fikirlerimde bazı değişiklikler oldu ve büyük oranda base R kullanmaya başladım. Bu kararı, tidyverse’nin kötü, yetersiz bir paket olduğunu düşündüğüm için almadım. Kendileri veri işlemede büyük kolaylıklar sağlayan, işlevsel bir paket. Mesela ggplot2’nin yeri kolay kolay doldurulamaz. Ancak R, hâlihazırda veri analizi ve istatistik için geliştirilmiş bir dil ve bu işler için yerli olan çok sayıda araç barındırıyor. base R kullanarak hiçbir bağımlılık, hiçbir yeni paket gerekmeden birçok işinizi kolaylıkla görebilirsiniz. Ağırlıkla C ve Fortran gibi dillerle yazılmış olan base R fonksiyonları doğru kullanıldığında ışık hızında çalışabiliyor. Ta ki tekrarlanan işler için döngüler ya da apply() gibi fonksiyonlar kullanana kadar. Ben de olabildiğince daha az bağımlıkla çalışmak, R’ın yerli gücünden yararlanmak ve analizin yanı sıra programlamaya da ağırlık vermek amacıyla çoğunlukla base R kullanmaya başladım. Yanlış anlaşılmasın, paket kullanmaya ya da tidyverse’ye karşı değilim. Sadece base R ile kolaylıkla yapabileceğim şeyler için neden paket kullanayım? Eğer base R yeterince etkili bir seçenek değilse diğer paketlerden yararlanırım.

Neyse sözü fazla uzattım. Şimdi bu iş için kullanacağımız paketleri yükleyebiliriz. Eğer bilgisayarınızda yüklü olmayan bir paket varsa install.packages() fonksiyonunu kullanarak yükleyebilirsiniz. Bu yazı için toplamda iki paket kullanacağız: terra ve geodata. Ben mekânsal vektör işlerinde genellikle sf paktini kullanıyorum ancak bu sefer hem vektör hem de raster veriler için terra paketini kullanacağız. Mülki idare sınırları ve sayısal yükseklik modellerine erişmek için de geodata paketini kullanacağız. Bu paket de raster, terra, dismo gibi birçok önemli R paketini yazan Robert Hijmans’ın yazdığı bir paket.

# paketleri R'a yukle
libs <- c(
  "terra",  # mekansal raster ve vektor verileri islemek icin, {raster}'in halefi
  "geodata" # bazi mekansal verilere erismek icin 
)
sapply(libs, require, character.only = TRUE)

  terra geodata 
   TRUE    TRUE

2. DEM VERİSİNİN İNDİRİLMESİ

DEM verisinden önceki yazıda kısaca bahsetmiştim. Tekrardan hatırlamakta fayda var. DEM (Digital Elevation Model), kısaca, yeryüzünün yükseklik bilgisini sayısal olarak temsil eden modele verilen isim. Her bir grid için, sahip olduğu yükseklik verisini barındıran bu veri, topografik ve hidrolojik birçok analizde sıklıkla kullanılıyor.

Bu yazıda SRTM verisini, geodata paketini kullanarak indireceğiz. Bu paket ile, GADM, SRTM, Worldclim, OSM gibi birçok farklı veriyi kolaylıkla indirebiliriz.

Öncelikle paketin içerdiği fonksiyonlara bir bakalım.

ls("package:geodata")

 [1] "bio_oracle"          "cmip6_tile"          "cmip6_world"        
 [4] "country_codes"       "crop_calendar_sacks" "crop_monfreda"      
 [7] "crop_spam"           "cropland"            "elevation_30s"      
[10] "elevation_3s"        "elevation_global"    "footprint"          
[13] "gadm"                "geodata_path"        "landcover"          
[16] "monfredaCrops"       "osm"                 "population"         
[19] "rice_calendar"       "sacksCrops"          "soil_af"            
[22] "soil_af_elements"    "soil_af_isda"        "soil_af_isda_vsi"   
[25] "soil_af_water"       "soil_world"          "soil_world_vsi"     
[28] "sp_genus"            "sp_occurrence"       "sp_occurrence_split"
[31] "spamCrops"           "travel_time"         "world"              
[34] "worldclim_country"   "worldclim_global"    "worldclim_tile"

Bizim işimize yarayacak fonkiyon elevation_30s(). Ülke kodu için country argümanını, DEM verisinin Türkiye sınırlarına göre maskelemek için mask argümanını ve veriyi kaydeceğimiz yer için ise path argümanını kullanıyoruz. Ben tempfile() fonksiyonu ile geçici bir dosya oluşturdum. Dilerseniz yereldeki herhangi bir dizine de kaydedebilirsiniz.

dem <- elevation_30s(country = "TUR", mask = TRUE, path = tempfile())

Cached as: /tmp/RtmpnvpDWJ/filebf3145b4f450/elevation/TUR_elv_msk.zip

dem

class       : SpatRaster
size        : 792, 2340, 1  (nrow, ncol, nlyr)
resolution  : 0.008333333, 0.008333333  (x, y)
extent      : 25.5, 45, 35.7, 42.3  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
source      : TUR_elv_msk.tif
name        : TUR_elv_msk
min value   :         -42
max value   :        4972

nrow(dem) * ncol(dem)

[1] 1853280

Verinin çıktısında birçok temel bilgiye erişebiliriz. Gördüğünüz gibi veri SpatRaster sınıfında; satır sayısı 792, sütun sayısı 2340 olan, toplamda 1853280 hücreden oluşuyor. Çözünürlüğü 0.008333333 derece, yani yaklaşık 1 km diyebiliriz. Verinin extent’i Türkiye sınırlarını kapsıyor. Minimum değer -42 m, iken maksimum değer 4972 m. Yaklaşık 1 km çözünürlüğe sahip olduğunu düşündüğümüzde neredeyse Ağrı Dağı’nın 5137 metrelik rakımını yakalıyormuş. Gayet iyi.

Verinin minimum değeri -42 metreden başladığı için reclassify etmek istiyorum. 0’dan küçük olan tüm değerleri 0’a eşitleyeceğim. Bunu terra paketi içindeki classify() fonksiyonu ile yapabiliriz.

dem <- classify(
  dem, 
  rcl = matrix(c(-Inf, 0, 0), ncol = 3, byrow = TRUE)
)
dem

class       : SpatRaster
size        : 792, 2340, 1  (nrow, ncol, nlyr)
resolution  : 0.008333333, 0.008333333  (x, y)
extent      : 25.5, 45, 35.7, 42.3  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
source(s)   : memory
varname     : TUR_elv_msk
name        : TUR_elv_msk
min value   :           0
max value   :        4972

Gördüğünüz gibi minimum değer artık 0’dan başlıyor.

Şimdi basitçe görselleştirelim.

plot(dem)

Bu hâliyle bile çok güzel görünüyor.

Şimdi de eğim, bakı ve hillshade’i hesaplıyoruz.

slp <- terrain(dem, "slope", unit = "radian")
asp <- terrain(dem, "aspect", unit = "radian")
hillshade <- shade(
  slp,
  asp,
  angle = 45,
  direction = 300,
  normalize = TRUE
)

Bir bakalım nasıl görünüyorlar. Çoğu durumda plot(data) yeterince iyi sonuç veriyor ancak daha yüksek çözünürlüklü bir görüntü için maxcell argümanını değiştireceğim. İşlem biraz yavaşlayabilir.

plot(slp, maxcell = prod(dim(slp))) # sutun ve satir sayisini carpip hucre sayisini hesapliyorum

plot(asp, maxcell = prod(dim(asp)))

plot(hillshade, maxcell = prod(dim(hillshade)), col = grey(0:100/100))

Şimdi de mülki idare sınırları için GADM verilerini çekelim. GADM, Türkiye için sınır çözünürlüğü yüksek olan bir veri değil ancak yüksek sınır doğruluğu gerekmeyen işler için gayet kullanışlı. Tüm dünya verisini çekip, Türkiye’nin ve komşuların bir kısmının extent’inin koordinatlarına göre kırpıyoruz.

adm <- world(resolution = 1, path = tempfile())

Cached as: /tmp/RtmpnvpDWJ/filebf315d59e8/gadm/gadm36_adm0_r1_pk.rds

ext <- vect(ext(c(25.7, 45.3, 35.5, 42.5)), crs = "EPSG:4326")
adm <- crop(adm, ext)
adm

class       : SpatVector
geometry    : polygons
dimensions  : 10, 2  (geometries, attributes)
extent      : 25.7, 45.3, 35.5, 42.5  (xmin, xmax, ymin, ymax)
coord. ref. : +proj=longlat +datum=WGS84 +no_defs
names       : GID_0     NAME_0
type        :       
values      :   ARM    Armenia
                AZE Azerbaijan
                BGR   Bulgaria
              ...

plot(adm)

3. VERİNİN GÖRSELLEŞTİRİLMESİ

Şimdi güzel bir harita oluşturalım. Yazının en karmaşık kısmı nuhtemelen burası olacak. Daha önceki yazılarda, R’da grafikler için oldukça standart bir iş akışı sağlayan ggplot2 paketini kullanarak haritalar çizmiştik. Bu sefer ise base R kullanacağız. base R ile grafik çizdiğimiz zaman ilkin gözümüze yeterince iyi gelmeyebilir ancak biraz tecrübe kazandığımızda ne kadar esnek ve işlevsel olduğunu görebiliriz. ggplot2 kadar standart, karmaşık grafiklerde onun kadar kolay bir iş akışı sunmuyor ancak düşünüldüğü kadar zor değil ve çok daha esnek bir yapıya sahip. Neredeyse dilediğimiz hemen her şeyi çizebiliriz. Bazen çok az satırla bile süper işler çıkabiliyor. Bu aşamada yanlış ya da eksik yaptığım şeyler olursa yorum yapmaktan çekinmeyin lütfen.

Öncelikle Türkiye ve çevre ülkelerin sınırlarının olduğu bir altlık harita çizelim.

plot(
  adm,                       # veri
  lwd = 0.8,                 # cizgi kalinligi
  xlim = c(26.1, 44.9),      # x eksinin sinirladigimiz aralik
  ylim = c(35.7, 42.3),      # y eksinin sinirladigimiz aralik
  border = "grey",           # poligon sinirlarinin rengi
  background = "lightblue",  # deniz alanlarinin rengi
  col = "white",             # kara alanlarinin rengi
  axes = TRUE,               # eksenleri cizmek icin
  mar = c(2, 1, 0, 1),       # plot'un marginlerini belirtiyor (alt, sol, ust, sag)
  las = 1                    # en cok gozden kacan nokta, y eksenininin etiketlerini yatay yapiyor
)

Şimdi de kabartmasıyla ve konturlarıyla beraber topografik haritamızı çizelim.

plot(
  hillshade,
  col = grey(0:100 / 100),
  mar = c(5, 1, 0, 1),
  maxcell = prod(dim(hillshade)),
  legend = FALSE # rakimin lejantini cizmek icin burada cizmiyoruz
)
plot(
  dem,
  col = terrain.colors(255),
  alpha = 0.5,
  maxcell = prod(dim(dem)),
  add = TRUE,               # ilk plot'un uzerine cizebilmek icin
  legend = TRUE,
  plg = list(               # terra::plot'ta lejant ayarlari icin
    x = "bottom",         # lejanti asagiya ciz
    size = c(0.6, 0.7),     # lejant boyutu
    cex = 0.8,              # yazi boyutu
    at = seq(0, 4500, 500), # lejant etiketleri
    tic = "out",            # lejanttaki cizgilerin pozisyonu
    title = "m",            # baslik
    title.cex = 0.8         # baslik boyutu
  )
)
contour(
  dem, 
  lwd = 0.35, 
  labcex = 0.38, # label boyutu
  col = scales::alpha("grey40", 0.7), 
  add = TRUE
)

Şimdi de iki haritayı birleştirelim. Ancak bu sefer konturu çizmeyeceğim.

plot.new() # yeni bir plot baslatmak icin
par(family = "OpenSans") # font 
plot(
  adm,
  lwd = 0.8,
  xlim = c(26.1, 44.9),
  ylim = c(35.7, 42.3),
  border = "grey",
  background = "lightblue",
  col = "white",
  mar = c(5, 1, 0, 1),
  axes = TRUE,
  las = 1
)
plot(
  hillshade,
  col = grey(0:100/100),
  maxcell = prod(dim(hillshade)),
  legend = FALSE,
  add = TRUE
)
plot(
  dem,
  col = terrain.colors(255),
  alpha = 0.5,
  maxcell = prod(dim(dem)),
  add = TRUE,
  legend = TRUE,
  plg = list(
    x = "bottom",
    size = c(0.6, 0.7),
    cex = 0.8,
    at = seq(0, 4500, 500),
    tic = "out",
    title = "Rakım [m]",
    title.cex = 0.8
  )
)
plot(adm, border = "grey", lwd = 0.8, add = TRUE) # sinirlari vurgulu cizmek icin tekrar ekledim

Fena olmadı. :) Biraz daha uğraşla daha iyi haritalar elde edilebilir. Özellikle de göl ve nehir katmanları eklenirse güzel olacaktır.

Şimdi de Türkiye rakımının dağılımına bir bakalım. Bunun için histogram çizeceğim.

plot.new()
par(
  mar = c(5, 5, 1, 1),
  mgp = c(3.6, 1, 0),         # etiket uzakligini ayarliyoruz
  las = 1, 
  family = "OpenSans", 
  bty = "l",                  # box'ın tipini L seklinde yapmak icin
  cex.lab = 1.3,
  xpd = NA                    # etiketi grafik sinirlari disina tasimaya izin verir
)
hist(
  dem,
  xlab = "Rakım [m]",         # x ekseninin etiketi
  ylab = "Sıklık",            # y ekseninin etiketi
  main = "",                  # baslik icin. "" bos yaparak basligi cizmiyorum
  col = "orange",
  breaks = seq(0, 4972, 100), # grafigin kirilimlari
  density = 50                # kutularin icindeki tarama cizgisinin yogunlugu
)
axis(                         # x eksenindeki kucuk tikleri cizmek icin
  side = 1,                   # alttaki x eksenine cizmek icin
  at = seq(0, 4972, 100),     # kirilimlar
  tck = -0.030 / 4,           # tik boyutu kucuk olsun
  labels = FALSE              # etiket olmamasi icin
) 
box()                         # eksenlere kutu cizmek icin

Grafik, sağa çarpık bir dağılım sergiliyor. Ortalama rakımın 1132 metre olduğu Türkiye’yi iyi temsil eden bir grafik oldu.

Bir sonraki yazıda görüşürüz.

Bilimle ve huzurla kalınız!

R VE KUŞLAR - eBird VERİLERİNİN R İLE ANALİZİ II

Mehmet Göktuğ ÖZTÜRK — Sat, 09 Dec 2023 21:00:00 GMT

Merhabalar, blogun ikinci yazısına hoş geldiniz. Takıldığınız ve anlamadığınız yerler olursa lütfen yorum yapmaya çekinmeyiniz. Ayrıca katkılarınızı ve eleştirilerinizi de bekliyorum. Keyifli okumalar.

Blogun ilk yazısını yazarken, ikincisi de birkaç haftaya çıkar, nasıl olsa kodlar hazır diye düşünüyordum ancak tezdir, iştir derken uzadı. Yoğunluk yetmiyormuş gibi bilgisayarın format ihtiyacı ve NTFS dosya sistemine sahip harici diskin linux ile uyumsuzluğu da eklenince yazının taslağı ve kodlarını kaybettim. Sonuç olarak -birbirinden güzel bahanelerimi özetleyecek olursam- gecikmiş, kaybedilmiş ve sıfırdan yazılmış bir yazıyla karşınızdayım.

Bu blog yazısı, bir öncekinin devamı niteliğinde sayılabilir. R ile eBird verilerini işlemeye devam edeceğiz. İlk yazıda birinci soru üzerine odaklanmıştık, bunda ise ikinci soruya odaklanacağız:

Bilindiği gibi Kızılcahamam, Türkiye’deki en önemli kara akbaba - Aegypius monachus popülasyonlarından birisini barındırıyor. Bu türün, Kızılcahamam ilçe sınırları içerisinde nasıl bir dağılımı vardır? Türün dağılımıyla çevresel faktörler arasındaki ilişki kabaca nasıldır?

Temel R ve GIS bilgisine sahip olmanız yazıdaki birçok yeri anlamanız için yeterli olacaktır. Ancak bu alanlarda yeniyseniz de endişelenmeyin. Anlamadığınız her şeyi yorum olarak sorabilirsiniz. Blogun da ana amaçlarından birisi bu zaten. Ayrıca kuşlara ilginiz olmasa bile, bu yazının bazı temel mekânsal analizleri öğrenmek için faydalı olacağını düşünüyorum.

1. PAKETLERİN YÜKLENMESİ

Paket	Açıklama
tidyverse	Çoğunlukla veri manipülasyonu ve görselleştirme üzerine paketler içeren bir paket koleksiyonu
sf	Simple Features: Mekânsal vektör verileri işlemek için
terra	Raster verileri işlemek için
tidyterra	terra paketi için tidyverse metotları sağlayan bir paket
mapview	İnteraktif haritalar için
rgeoboundaries	Mülki idare sınırlarını indirmek için

Bu paketler kurulu değilse aşağıdaki kod bloğu ile kurabilirsiniz. Bu kod bloğu, paketi R’a yüklemeye çalışacak, eğer yükleyemezse kuracaktır. Paketler kuruluysa, library() fonksiyonu ile yükleyebiliriz.

# eger paketler yuklu degilse onlari kur
if (!require("tidyverse")) install.packages("tidyverse")
if (!require("sf")) install.packages("sf")
if (!require("terra")) install.packages("terra")
if (!require("tidyterra")) install.packages("tidyterra")
if (!require("mapview")) install.packages("mapview")
if (!require("rgeoboundaries")) remotes::install_github("wmgeolab/rgeoboundaries")

# paketleri R'a yukle
library(tidyverse) # bircok veri isini kolaylastirmak için
library(sf) # r'da mekansal vektor verileri islemek icin
library(terra) # r'da mekansal raster verileri islemek icin
library(tidyterra) # terra ile tidyverse metotlari kullanmak icin
library(mapview) # interaktif haritalar cizmek icin
library(rgeoboundaries) # tr ilce sinirlarina erismek icin

2. İLÇE VERİSİNİN İŞLERİ

İkinci soruya cevap verebilmek için kuş, ilçe sınırları ve dijital yükseklik modeline (DEM) ihtiyacımız var. İlk ilçeden başlayalım. Kuş ve DEM verisini işlemek için ilçeye ihtiyaç duyacağız ne de olsa.

İlk yazıda olduğu gibi bu sefer de geoBoundaries verisini kullanacağız. Şimdi ilçe verilerini indirip, içinden Kızılcahamam’ı çıkartalım.

tr_ilce <- gb_adm2(country = "Turkey", type = "SSCGS") # type = "SSCGS" argumaniyla basitlestirilmiş versiyonunu indiriyoruz
khamam <- tr_ilce[tr_ilce$shapeName == "Kızılcahamam", ]
khamam

Simple feature collection with 1 feature and 6 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 32.27539 ymin: 40.21093 xmax: 32.91882 ymax: 40.75389
Geodetic CRS:  WGS 84
    shapeGroup shapeType    shapeName shapeISO                shapeID
388        TUR      ADM2 Kızılcahamam      54988432B2925959455693
    shapeCanonical                       geometry
388      Districts MULTIPOLYGON (((32.51627 40...

Kızılcahamam’ı doğru bir şekilde aldık gibi görünüyor. Verimizi {mapview} paketini kullanarak görselleştirelim, bir kontrol edelim. Bu paket, interaktif haritalar yapmak için oldukça işlevsel.

mapview(khamam)

Gördüğünüz gibi her şey yolunda. :)

3. KUŞ VERİSİNİN İŞLERİ

Kara akbaba. Kaynak: Johann Andreas Naumann’s … Naturgeschichte der Vögel Deutschlands… | Leipzig, G. Fleischer, 1820-1860

Kara akbaba - Aegypius monachus, Avrasya’da geniş dağılıma sahip bir yırtıcı türü. 3 metreye varan kanat açıklığıyla en büyük kuşlardan birisi ve azalan bir popülasyona sahip. Türkiye, türün en önemli yaşam alanlarından birisi. Tür, özellikle Kuzey Anadolu’da, orman - bozkır geçişindeki yaşlı ormanları tercih ediyor. Bu alanlardan birisi de bu yazıda incelediğimiz yer olan Kızılcahamam. Kızılcahamam’ın yaşlı karaçam - Pinus nigra ormanları, türün üremesi için oldukça elverişli.

Türle alakalı kısa bir bilgi verdikten sonra verilere tekrardan dönebiliriz. Kuş verisini nasıl elde ettiğimize ilk yazıda değinmiştik. Tekrardan uzun uzun anlatmaya gerek yok.

Öncelikle kuş verimizi R’a yükleyelim:

ebird <- read_delim("./ebird/ebd_TR_relApr-2023.txt")

print(ebird)

# A tibble: 2,403,720 × 50
   `GLOBAL UNIQUE IDENTIFIER`     `LAST EDITED DATE`  `TAXONOMIC ORDER` CATEGORY
                                                           
 1 URN:CornellLabOfOrnithology:E… 2021-04-15 12:59:44             10043 species 
 2 URN:CornellLabOfOrnithology:E… 2021-04-15 12:58:56              5625 species 
 3 URN:CornellLabOfOrnithology:E… 2021-04-15 13:04:32              1361 species 
 4 URN:CornellLabOfOrnithology:E… 2021-04-14 00:03:13             22215 species 
 5 URN:CornellLabOfOrnithology:E… 2021-04-05 11:01:32              5787 species 
 6 URN:CornellLabOfOrnithology:E… 2021-04-21 02:26:13             29239 species 
 7 URN:CornellLabOfOrnithology:E… 2021-04-14 00:03:35             22156 species 
 8 URN:CornellLabOfOrnithology:E… 2021-04-05 11:01:32               291 species 
 9 URN:CornellLabOfOrnithology:E… 2018-09-20 02:46:53              5945 species 
10 URN:CornellLabOfOrnithology:E… 2018-09-20 02:46:53              5945 species 
# ℹ 2,403,710 more rows
# ℹ 46 more variables: `TAXON CONCEPT ID` , `COMMON NAME` ,
#   `SCIENTIFIC NAME` , `SUBSPECIES COMMON NAME` ,
#   `SUBSPECIES SCIENTIFIC NAME` , `EXOTIC CODE` ,
#   `OBSERVATION COUNT` , `BREEDING CODE` ,
#   `BREEDING CATEGORY` , `BEHAVIOR CODE` , `AGE/SEX` ,
#   COUNTRY , `COUNTRY CODE` , STATE , `STATE CODE` , …

Gördüğünüz gibi 2,403,720 gözlem (satır) ve 50 değişkene (sütun) sahip bir veri tablomuz var. Bu verilerin çoğuna ihtiyaç duymuyoruz. Dolayısıyla işimize yaramayanlardan kurtulmamız işimizi çokça kolaylaştıracaktır. Sadece işimize yarayan sütunları seçip, kara akbaba türüne ait gözlemleri içerecek şekilde filtreleyelim.

karaakbaba <- ebird |>
  select(6, 7, 11, 12, 29, 30) |>  # burada indeks kullanarak sectik, sutun isimleriyle de secebiliriz
  filter(`SCIENTIFIC NAME` == "Aegypius monachus")
karaakbaba

# A tibble: 1,910 × 6
   `COMMON NAME`  `SCIENTIFIC NAME` `OBSERVATION COUNT` `BREEDING CODE` LATITUDE
                                                       
 1 Cinereous Vul… Aegypius monachus 1                                   40.5
 2 Cinereous Vul… Aegypius monachus 5                                   40.5
 3 Cinereous Vul… Aegypius monachus 1                                   40.0
 4 Cinereous Vul… Aegypius monachus 3                                   40.5
 5 Cinereous Vul… Aegypius monachus 1                                   40.5
 6 Cinereous Vul… Aegypius monachus 1                                   40.5
 7 Cinereous Vul… Aegypius monachus 2                                   40.5
 8 Cinereous Vul… Aegypius monachus 2                                   40.5
 9 Cinereous Vul… Aegypius monachus 1                                   40.5
10 Cinereous Vul… Aegypius monachus 2                                   40.5
# ℹ 1,900 more rows
# ℹ 1 more variable: LONGITUDE

Şimdi değişken sayımız 6’ya, gözlem sayımız ise 1910’a düştü. Veri, çok daha yönetilebilir bir hâlde. Bu etkiyi, değişken isimlerini değiştirerek daha da artırabiliriz. Daha kısa, tamamı küçük harflerden oluşan, latinize ve boşluklar yerine alt çizgi kullandığımız isimler daha kullanışlı olacaktır. Herhangi bir hatayla karşılaşma riskimiz düşecektir. Bunun için ilk olarak karaakbaba data frame’inin değişken (sütun) isimlerine bakalım. names() ya da colnames() fonksiyonunu kullanabiliriz.

names(karaakbaba)

[1] "COMMON NAME"       "SCIENTIFIC NAME"   "OBSERVATION COUNT"
[4] "BREEDING CODE"     "LATITUDE"          "LONGITUDE"

Şimdi de yeni isimlerden oluşan bir karakter vektörü oluşturalım ve bunu karaakbaba data frame’inin değişken isimlerine atayalım.

names(karaakbaba) <- c(
  "eng_name", "sci_name", "obs_count", "breeding_code", "y", "x"
)
names(karaakbaba)

[1] "eng_name"      "sci_name"      "obs_count"     "breeding_code"
[5] "y"             "x"

Gördüğünüz gibi değişken isimlerini istediğimiz gibi değiştirdik.

Artık ilk yüklediğimiz eBird verisini R’dan silebiliriz. Bu veri, 2 milyondan fazla gözlemden oluştuğu için RAM’in şişmesine ve R’ın çökmesine yol açabilir. Ardından da çöp toplayıcıyı (garbage collector) çalıştırmak faydalı olacaktır. R, bu işi genelde otomatik yapıyor ancak büyük veriler silindiği zaman gc()’nin çalıştırılması öneriliyor.

rm(ebird)
gc()

          used  (Mb) gc trigger  (Mb)  max used   (Mb)
Ncells 4050547 216.4   10094729 539.2   7749069  413.9
Vcells 8613294  65.8  125769708 959.6 145660402 1111.4

Şimdi de mekânsallaştırmaya geçebiliriz. Verimiz şu anda bir data frame. Dolayısıyla onunla mekânsal işler yapmak için verimizi mekânsallaştırmamız gerekiyor. Bunun için {sf} paketini kullanacağız. Bu paket, mekânsal vektör veriler işlemek için geliştirmiş, OGC (Open Geospatial Consortium) standardı bir paket. Ben de işlerimin büyük bir kısmında onu tercih ediyorum.

Koordinatların olduğu sütunları ve koordinat sistemini tanımlayarak verimizi sf objesine dönüştürelim.

karaakbaba_sf <- st_as_sf(
  karaakbaba, coords = c("x", "y"), crs = "EPSG:4326"
)
karaakbaba_sf

Simple feature collection with 1910 features and 4 fields
Geometry type: POINT
Dimension:     XY
Bounding box:  xmin: 26.50652 ymin: 36.02635 xmax: 44.5648 ymax: 42.0362
Geodetic CRS:  WGS 84
# A tibble: 1,910 × 5
   eng_name          sci_name  obs_count breeding_code            geometry
 *                                         
 1 Cinereous Vulture Aegypius… 1                   (32.62995 40.46758)
 2 Cinereous Vulture Aegypius… 5                   (32.62995 40.46758)
 3 Cinereous Vulture Aegypius… 1                   (34.61423 40.01914)
 4 Cinereous Vulture Aegypius… 3                   (32.62995 40.46758)
 5 Cinereous Vulture Aegypius… 1                    (32.6622 40.48013)
 6 Cinereous Vulture Aegypius… 1                    (32.62403 40.4557)
 7 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
 8 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
 9 Cinereous Vulture Aegypius… 1                    (32.62403 40.4557)
10 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
# ℹ 1,900 more rows

Kara akbaba verisi artık mekânsal bir formatta. Geometri tipi, koordinat sistemi gibi öznitelikler barındırıyor.

Veriyi daha iyi tanımak için ilk görselleştirmeleri yapalım. Acaba kara akbabalar Türkiye’de nasıl dağılıyor? Bunun için tekrardan mapview() fonksiyonunu kullanıyoruz.

mapview(karaakbaba_sf)

Bu işlem de tamam. Gördüğünüz gibi ülkemizin kuzeyinde yoğunlaşan bir popülasyon mevcut.

Sıra geldi kuş verimizin Kızılcahamam’a göre alt kümesini almaya.

karaakbaba_subset <- karaakbaba_sf[khamam, ]
karaakbaba_subset

Simple feature collection with 139 features and 4 fields
Geometry type: POINT
Dimension:     XY
Bounding box:  xmin: 32.29039 ymin: 40.24768 xmax: 32.8661 ymax: 40.64056
Geodetic CRS:  WGS 84
# A tibble: 139 × 5
   eng_name          sci_name  obs_count breeding_code            geometry
                                           
 1 Cinereous Vulture Aegypius… 1                   (32.62995 40.46758)
 2 Cinereous Vulture Aegypius… 5                   (32.62995 40.46758)
 3 Cinereous Vulture Aegypius… 3                   (32.62995 40.46758)
 4 Cinereous Vulture Aegypius… 1                    (32.6622 40.48013)
 5 Cinereous Vulture Aegypius… 1                    (32.62403 40.4557)
 6 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
 7 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
 8 Cinereous Vulture Aegypius… 1                    (32.62403 40.4557)
 9 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
10 Cinereous Vulture Aegypius… 2                    (32.62403 40.4557)
# ℹ 129 more rows

Kızılcahamam’da, eBird veritabanında kayıtlı 139 tane kara akbaba kaydı varmış. Bunlara bir göz atıp DEM verisiyle ilgilenmeye başlayalım. Kara akbaba dağılımıyla alakalı asıl haritayı en son yapacağız.

plot(
  st_geometry(khamam), 
  main = "Kızılcahamam'da Kara Akbaba Dağılımı", 
  lwd = 2, 
  border = "grey30", 
  axes = TRUE, 
  reset = FALSE
) 
plot(
  st_geometry(karaakbaba_subset), 
  cex = 1, 
  pch = 3, 
  lwd = 1.5, 
  add = TRUE
)

Hemen hızlıca mapview ile de bakalım.

mapview(khamam, lwd = 3, alpha.regions = 0) + mapview(karaakbaba_subset)

4. DEM VERİSİNİN İŞLERİ

Kara akbabanın Kızılcahamam’daki dağılımını ortaya çıkarttık. Şimdi de bazı çevresel değişkenlerle ilişkisi nasılmış, -kabaca- ona bakalım. Ben, topografik değişkenlerle olan ilişkisini merak ettim ve bu sebeple DEM verisine bakacağız.

DEM (Digital Elevation Model), kısaca, yeryüzünün yükseklik bilgisini sayısal olarak temsil eden modele verilen isim. Her bir grid için, sahip olduğu yükseklik verisini barındırır. Topografik ve hidrolojik birçok analizde sıklıkla kullanılıyor. Rakımın biyolojik sistemlerdeki önemi nedeniyle, ekoloji ve biyocoğrafyada da yaygın bir kullanımı var.

Burada COP-DEM (Copernicus DEM) kullandım. Veriye şu bağlantıdan ulaşabilirsiniz. Belki daha sonra bu verinin nereden, nasıl indirilebileceğiyle alakalı bir başka yazı yazarım.

Raster veri tipi. Kaynak: Geocomputation with R

DEM verisi, raster formatında bir veri. Raster veriyi, bir tür resim ya da bir tür matris olarak düşünebilirsiniz. Bu veri, hücrelerden - gridlerden oluşur ve her bir grid için bir değer içerir. Genellikle, yükseklik, eğim, sıcaklık, yağış gibi sürekli veriler bu formattadır.

Biz bu veri için {terra} paketini kullanacağız. Oldukça hızlı ve işlevsel bir paket.

# dem verisini yukleyelim
dem <- rast("./dem_4326.tif")
dem

class       : SpatRaster
size        : 7556, 22983, 1  (nrow, ncol, nlyr)
resolution  : 0.0008333333, 0.0008333333  (x, y)
extent      : 25.66542, 44.81792, 35.80792, 42.10458  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
source      : dem_4326.tif
name        : Copernicus_DSM_COG_30_N35_00_E025_00_DEM
min value   :                               -86.018166
max value   :                              5107.413574

Veriyi yazdırdığımızda, çözünürlüğünden, dört köşesinin koordinatına ve koordinat sistemine kadar birçok detayı görebiliyoruz.

plot(dem)

Kolayca haritasını da çizebiliyoruz. Gördüğünüz gibi Türkiye topografik haritası.

Şimdi verimizi Kızılcahamam ilçe sınırlarına göre maskeleyelim. khamam, sf formatında olduğu için vect() ile {terra}’nın kendi vektör veri tipi olan SpatVector’e dönüştürüyoruz.

dem_subset <- crop(dem, vect(khamam), mask = TRUE)
dem_subset

class       : SpatRaster
size        : 651, 772, 1  (nrow, ncol, nlyr)
resolution  : 0.0008333333, 0.0008333333  (x, y)
extent      : 32.27542, 32.91875, 40.21125, 40.75375  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
source(s)   : memory
varname     : dem_4326
name        : Copernicus_DSM_COG_30_N35_00_E025_00_DEM
min value   :                               749.530457
max value   :                               2069.56958

plot(dem_subset)

5. TOPOGRAFİK HESAPLAMALAR

terrain() ile eğim ve bakıyı hesaplayalım.

slp <- terrain(dem_subset, "slope")
asp <- terrain(dem_subset, "aspect")

par(mfrow = c(1, 2))
plot(slp, main = "Kızılcahamam Eğim Haritası")
plot(asp, main = "Kızılcahamam Bakı Haritası")

Şimdi de her bir kara akbaba gözlem noktasının sahip olduğu çevresel değişkenleri çıkartalım ve ardından karaakbaba verisiyle birleştirelim.

karaakbaba_subset$ID <- 1:nrow(karaakbaba_subset)

ext_dem <- extract(dem, vect(karaakbaba_subset))
ext_slp <- extract(slp, vect(karaakbaba_subset))
ext_asp <- extract(asp, vect(karaakbaba_subset))

ext_dem <- left_join(karaakbaba_subset, ext_dem, by = "ID")
ext_slp <- left_join(ext_dem, ext_slp, by = "ID")
ext_asp <- left_join(ext_slp, ext_asp, by = "ID")

karaakbaba_ext <- ext_asp
names(karaakbaba_ext)[7] <- "altitude"
glimpse(karaakbaba_ext)

Rows: 139
Columns: 9
$ eng_name       "Cinereous Vulture", "Cinereous Vulture", "Cinereous Vul…
$ sci_name       "Aegypius monachus", "Aegypius monachus", "Aegypius mona…
$ obs_count      "1", "5", "3", "1", "1", "2", "2", "1", "2", "2", "2", "…
$ breeding_code  NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
$ geometry       POINT (32.62995 40.46758), POINT (32.62995 40.4675…
$ ID             1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 1…
$ altitude       1058.8070, 1058.8070, 1058.8070, 1045.1802, 1136.2458, 1…
$ slope          11.188035, 11.188035, 11.188035, 22.408733, 11.157285, 1…
$ aspect         309.599090, 309.599090, 309.599090, 242.915925, 7.856463…

Gördüğünüz gibi kara akbaba verimizin içinde artık her bir nokta için rakım, eğim ve bakı bilgisi mevcut. Bu aşamadan sonra modellerle çalışabiliriz ancak bu, bu yazının konusu değil. Ayrıca elimizdeki veri bunun için ne kadar yeterli, ayrı bir tartışma konusu. Şimdi çıkarttığımız topografik verilere bir göz atıp asıl haritamızı yapmaya geçebiliriz.

karaakbaba_ext |>
  st_drop_geometry() |>
  pivot_longer(cols = c("altitude", "slope", "aspect")) |> 
  ggplot(aes(x = value, fill = name, colour = "name")) +
  geom_histogram(alpha = .6) +
  scale_fill_viridis_d() +
  scale_color_viridis_d() +
  theme_minimal() +    
  theme(
    legend.position="none",
  ) + 
  facet_wrap(~name, scales = "free_x")

6. VERİNİN GÖRSELLEŞTİRİLMESİ

Uzun bir yazı oldu yine ancak sonuna geldik. Şimdi Kızılcahamam’daki kara akbaba gözlemlerinin dağılımını, DEM ile birlikte görselleştirmeye çalışalım.

ggplot() +              # grafigi baslatiyor
  geom_spatraster(      # dem verisini ekliyoruz
    data = dem_subset,
    na.rm = TRUE
  ) +
  geom_sf(              # kizilcahamam ilce sinirlarini ekliyoruz
    data = khamam,
    fill = NA
  ) +
  geom_sf(              # kara akbaba gozlem verisini ekliyoruz
    data = karaakbaba_subset,
    aes()
  ) +
  scale_fill_wiki_c() + # dem verisi icin renk paleti ekliyoruz
  labs(                 # etiketleri yaziyoruz
    title = "Kara Akbaba Dağılım Haritası",
    subtitle = "Kızılcahamam'daki kara akbaba gözlemlerinin dağılımı",
    fill = "Yükseklik (m)",
    caption = "Veri: eBird | COP-DEM"
  ) +
  theme_minimal() +     # tema seciyoruz
  theme(                # temanin ozelliklerini belirliyoruz
    plot.background = element_rect("white", colour = "white"),
    text = element_text(family = "ubuntu mono")
  )

Güzel oldu sanki. :)

Bilimle ve huzurla kalınız.