Shi no Shigoto

Category: R

  • วิธีใช้ plot() เพื่อสร้างกราฟง่าย ๆ ในภาษา R — ตัวอย่างจาก trees dataset

    วิธีใช้ plot() เพื่อสร้างกราฟง่าย ๆ ในภาษา R — ตัวอย่างจาก trees dataset

    Data visualisation เป็นเครื่องมือที่สำคัญในการวิเคราะห์ข้อมูล เพราะช่วยให้เราทำความเข้าใจและสื่อสารเกี่ยวกับข้อมูลได้ง่าย

    plot() สำหรับสร้างกราฟอย่างง่ายในภาษา R

    ในบทความนี้ เราจะมาดูวิธีใช้ plot() เบื้องต้นกัน

    บทความนี้แบ่งเป็น 3 ส่วน:

    1. Syntax: วิธีเขียน plot()
    2. Basics: พื้นฐานการใช้ plot()
    3. Decoration: การตกแต่งกราฟ
    4. Add-on: การเพิ่มข้อมูลในกราฟ

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    🌲 Example Dataset: trees

    เราจะมาลองใช้ trees dataset ซึ่งมีข้อมูลต้น black cheery เป็นต้นอย่างกัน:

    # Load dataset
    data(trees)
    # View structure
    str(trees)

    ผลลัพธ์:

    'data.frame':	31 obs. of  3 variables:
     $ Girth : num  8.3 8.6 8.8 10.5 10.7 10.8 11 11 11.1 11.2 ...
     $ Height: num  70 65 63 72 81 83 66 75 80 75 ...
     $ Volume: num  10.3 10.3 10.2 16.4 18.8 19.7 15.6 18.2 22.6 19.9 ...

    💻 Syntax

    วิธีใช้ plot():

    plot(x, y, ...)
    func()
    • x = ข้อมูลแกน x
    • y = ข้อมูลแกน y
    • ... = argument อื่น ๆ สำหรับปรับแต่งกราฟ
    • func() = function อื่น ๆ สำหรับปรับแต่งกราฟ

    ☝️ Basics

    เราเริ่มใช้งาน plot() ได้ด้วย:

    1. x และ y: ใส่ข้อมูลในกราฟ
    2. type: เปลี่ยนประเภทกราฟ

    .

    🔢 x, y

    เราสร้างกราฟได้ง่าย ๆ ด้วยการเรียกใส่ข้อมูลแกน x และ y

    เช่น สร้างกราฟความสัมพันธ์ระหว่างขนาดลำต้น (Girth) และปริมาณ (Volume):

    # x, y
    plot(
      x = trees$Girth,
      y = trees$Volume
    )

    ผลลัพธ์:

    .

    📖 Plot Type

    ถ้าต้องการเปลี่ยนประเภทกราฟ ให้เราใช้ type:

    ArgumentPlot
    "p"Points
    "l"Line
    "b"Points + line
    "h"Vertical lines
    "n"Empty plot

    เช่น เปลี่ยน scatter plot เป็น line plot:

    # Plot type
    plot(
      x = trees$Girth,
      y = trees$Volume,
      type = "l"
    )

    ผลลัพธ์:

    🎁 Decoration

    เราตกแต่งกราฟได้ 2 แบบ:

    1. Text: ปรับแต่งข้อความ เช่น ชื่อกราฟ ชื่อแกน x, y
    2. Visual: ปรับแต่งหน้าตา เช่น สี รูปทรง ขนาด

    .

    🏷️ Text

    เราปรับแต่งข้อความได้ 3 ส่วน:

    1. xlab = ชื่อแกน x
    2. ylab = ชื่อแกน y
    3. main = ชื่อกราฟ

    เช่น:

    # Labels: xlab, ylab, main
    plot(
      x = trees$Girth,
      y = trees$Volume,
      xlab = "Girth (Inches)",
      ylab = "Volume (Cubic Feet)",
      main = "Tree Girth and Volume"
    )

    ผลลัพธ์:

    .

    🎨 Visual

    เราปรับแต่งหน้าตาได้ 3 ส่วน:

    1. col = สีข้อมูล
    2. pch = รูปทรง
    3. cex = ขนาดข้อมูล

    เช่น:

    # Colour, shape, and size
    plot(
      x = trees$Girth,
      y = trees$Volume,
      xlab = "Girth (Inches)",
      ylab = "Volume (Cubic Feet)",
      main = "Tree Girth and Volume",
      col = "darkgreen",
      pch = 5,
      cex = 1.5
    )

    ผลลัพธ์:

    🚀 Add-On

    เราสามารถเพิ่มข้อมูลลงในกราฟได้ด้วย function อื่น ๆ ในภาษา R

    เช่น abline() สำหรับเพิ่มเส้นตรง อย่างเส้น regression:

    # Regression line
    plot(
      x = trees$Girth,
      y = trees$Volume,
      xlab = "Girth (Inches)",
      ylab = "Volume (Cubic Feet)",
      main = "Tree Girth and Volume",
      col = "darkgreen",
      pch = 5,
      cex = 1.5
    )
    abline(
      lm(Volume ~ Girth, data = trees),
      col = "red",
      lwd = 2
    )

    ผลลัพธ์:

    💪 Summary

    ในบทความนี้ เราได้เรียนรู้วิธีใช้ plot() เพื่อสร้างกราฟอย่างง่ายในภาษา R:

    • x, y = ข้อมูลสำหรับแกน x และ y
    • type = เปลี่ยนรูปแบบการแสดงผลของกราฟ
    • xlab, ylab = ชื่อแกน x และ y
    • main = ชื่อกราฟ
    • col = สีของจุดหรือเส้นในกราฟ
    • pch = รูปทรงของจุดข้อมูล
    • cex = ขนาดของจุดข้อมูล
    • abline() = เพิ่มเส้นตรง เช่น เส้น regression

    😺 GitHub

    ดูตัวอย่าง code ทั้งหมดได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • 3 วิธีโหลด flat file ในภาษา R: แนะนำการใช้ utils, readr, และ data.table packages เพื่อโหลดข้อมูลจาก flat files — ตัวอย่างการทำงานกับ Fast Food Joint Nutrition

    3 วิธีโหลด flat file ในภาษา R: แนะนำการใช้ utils, readr, และ data.table packages เพื่อโหลดข้อมูลจาก flat files — ตัวอย่างการทำงานกับ Fast Food Joint Nutrition

    ในบทความนี้ เราจะมาดูวิธีใช้ 3 packages สำหรับโหลด flat file ในภาษา R กัน

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    📁 Flat File คืออะไร?

    Flat file คือ ไฟล์ plain text ที่เก็บข้อมูลแบบตาราง (tabular data)

    Flat file ที่พบได้บ่อย เช่น:

    • CSV (comma-separated values)
    • TSV (tab-separated values)

    ตัวอย่าง flat file (CSV):

    Fast Food Joint Nutrition Values Dataset จาก Kaggle ซึ่งมีข้อมูลโภชนาการอาหารจาก restaurant chains อย่าง Pizza Hut, McDonald’s, และ Starbucks:

    Company,Category,Product,Per Serve Size,Energy (kCal),Carbohydrates (g),Protein (g),Fiber (g),Sugar (g),Total Fat (g),Saturated Fat (g),Trans Fat (g),Cholesterol (mg),Sodium (mg)
    Pizza Hut,All Meals,Corn n Cheese (Personal),143.5 g,432.6,65.64,17.91,3.85,0.0,10.93,5.14,0.16,16.19,499.72
    Pizza Hut,All Meals,Country Feast (Personal),178 g,407.6,67.11,16.73,7.19,0.0,8.03,3.24,0.11,66.8,818.0
    Pizza Hut,All Meals,Double Cheese (Personal),143 g,423.33,59.97,18.26,3.49,0.0,12.27,5.23,0.18,19.75,638.22
    Pizza Hut,All Meals,Double Paneer Supreme (Personal),174.5 g,474.03,52.86,20.07,3.79,0.0,20.26,9.25,0.33,71.72,1128.11
    Pizza Hut,All Meals,Farmer`s Pick (Personal),177 g,408.16,53.93,19.91,2.46,0.0,12.53,4.9,0.14,48.09,942.67

    📦 3 Packages

    ในภาษา R เรามี 3 packages สำหรับโหลด flat file ได้แก่:

    1. utils
    2. readr
    3. data.table

    เราไปดูวิธีใช้แต่ละ package กัน

    1️⃣ Package #1: utils

    utils เป็น package จาก base R ทำให้เราใช้งานได้โดยไม่ต้องโหลด package เพิ่มเติม

    utils มี 3 functions หลักสำหรับโหลด flat file ดังนี้:

    FunctionFor
    read.csv()โหลด CSV
    read.delim()โหลด TSV
    read.table()โหลด flat file ทั่วไป เช่น CSV, TSV, และอื่น ๆ

    ตัวอย่างการใช้งาน:

    โหลด Fast Food Joint Nutrition Values Dataset แบบ CSV:

    # Import with read.csv()
nutrition.csv <- read.csv("Nutrition_Value_Dataset.csv")

    โหลด Fast Food Joint Nutrition Values Dataset แบบ TSV:

    # Import with read.delim()
nutrition.delim <- read.delim("Nutrition_Value_Dataset.tsv")

    โหลด flat file อื่น ๆ เช่น flat file ซึ่งใช้ “/” แบ่งข้อมูล:

    nutrition.table <- read.table("Nutrition_Value_Dataset.txt",
                              header = TRUE,
                              sep = "/")

    ตัวอย่างผลลัพธ์:

    Company,Category,Product,Per Serve Size,Energy (kCal),Carbohydrates (g),Protein (g),Fiber (g),Sugar (g),Total Fat (g),Saturated Fat (g),Trans Fat (g),Cholesterol (mg),Sodium (mg)
    Pizza Hut,All Meals,Corn n Cheese (Personal),143.5 g,432.6,65.64,17.91,3.85,0.0,10.93,5.14,0.16,16.19,499.72
    Pizza Hut,All Meals,Country Feast (Personal),178 g,407.6,67.11,16.73,7.19,0.0,8.03,3.24,0.11,66.8,818.0
    Pizza Hut,All Meals,Double Cheese (Personal),143 g,423.33,59.97,18.26,3.49,0.0,12.27,5.23,0.18,19.75,638.22
    Pizza Hut,All Meals,Double Paneer Supreme (Personal),174.5 g,474.03,52.86,20.07,3.79,0.0,20.26,9.25,0.33,71.72,1128.11
    Pizza Hut,All Meals,Farmer`s Pick (Personal),177 g,408.16,53.93,19.91,2.46,0.0,12.53,4.9,0.14,48.09,942.67

    Note:

    read.csv() และ read.tsv() เป็น wrapper function ของ read.table() หรือ function ที่ทำให้เราใช้งาน read.table() ได้ง่ายขึ้น

    นั่นหมายความว่า ทุกครั้งที่เราเรียกใช้ read.csv() และ read.delim() เรากำลังเรียกใช้ read.table() แบบนี้:

    Wrapper Functionread.table()
    read.csv()read.table(file, header = TRUE, sep = ",")
    read.tsv()read.table(file, header = TRUE, sep = "\\t")

    2️⃣ Package #2: readr

    readr เป็น package ที่ทำงานคล้ายกับ utils แต่แทนที่โหลด flat file เป็น data frame, readr โหลดข้อมูลเป็น tibble ซึ่งเป็น data frame เว่อร์ชั่นที่มีประสิทธิภาพมากขึ้น

    readr มี 3 functions หลักสำหรับโหลด flat file ซึ่งเทียบได้กับ utils ดังนี้:

    utilsreadrFor
    read.csv()read_csv()โหลด CSV
    read.delim()read_tsv()โหลด TSV
    read.table()read_delim()โหลด flat file ทั่วไป เช่น CSV, TSV, และอื่น ๆ

    ตัวอย่างการใช้งาน:

    ก่อนเริ่มใช้งาน เราต้องติดตั้งและโหลด readr ก่อน:

    # Install
install.packages("readr")

# Load
library(readr)

    จากนั้น เราสามารถเรียกใช้งาน functions ของ readr ได้เลย:

    โหลด Fast Food Joint Nutrition Values Dataset แบบ CSV:

    # Import with read_csv()
nutrition_csv <- read_csv("Nutrition_Value_Dataset.csv")

    โหลด Fast Food Joint Nutrition Values Dataset แบบ TSV:

    # Import with read_tsv()
nutrition_tsv <- read_tsv("Nutrition_Value_Dataset.tsv")

    โหลด flat file อื่น ๆ เช่น flat file ซึ่งใช้ “/” แบ่งข้อมูล:

    # Import with read_delim()
nutrition_delim <- read_delim("Nutrition_Value_Dataset.txt",
                              delim = "/")

    ตัวอย่างผลลัพธ์:

    # A tibble: 6 × 14
      Company   Category  Product      `Per Serve Size` `Energy (kCal)` `Carbohydrates (g)` `Protein (g)` `Fiber (g)` `Sugar (g)` `Total Fat (g)` `Saturated Fat (g)`
      <chr>     <chr>     <chr>        <chr>                      <dbl>               <dbl>         <dbl>       <dbl>       <dbl>           <dbl>               <dbl>
    1 Pizza Hut All Meals Corn n Chee… 143.5 g                     433.                65.6          17.9        3.85           0           10.9                 5.14
    2 Pizza Hut All Meals Country Fea… 178 g                       408.                67.1          16.7        7.19           0            8.03                3.24
    3 Pizza Hut All Meals Double Chee… 143 g                       423.                60.0          18.3        3.49           0           12.3                 5.23
    4 Pizza Hut All Meals Double Pane… 174.5 g                     474.                52.9          20.1        3.79           0           20.3                 9.25
    5 Pizza Hut All Meals Farmer`s Pi… 177 g                       408.                53.9          19.9        2.46           0           12.5                 4.9 
    6 Pizza Hut All Meals Margherita … 130.5 g                     362.                50.7          15.9        4.08           0           10.6                 3.86
    # ℹ 3 more variables: `Trans Fat (g)` <dbl>, `Cholesterol (mg)` <dbl>, `Sodium (mg)` <dbl>

    Note:

    เช่นเดียวกับ utils, read_csv() และ read_tsv() เป็น wrapper function ของ read_delim()

    3️⃣ Package #3: data.table

    สุดท้าย data.table เป็น data manipulation package ที่เน้นความเร็วในการประมวลผล

    data.table มี function สำหรับโหลด flat file ที่ใช้ง่ายและรวดเร็วกว่า read.table() และ read_delim() ได้แก่ fread() (ย่อมาจาก fast read)

    ข้อมูลที่โหลดด้วย fread() จะอยู่ในรูป data.table ซึ่งเป็นประเภท data frame ที่ทรงพลังกว่า

    ตัวอย่างการใช้งาน:

    เช่นเดียวกับ readr เราต้องติดตั้งและโหลด data.table ก่อนเริ่มใช้งาน:

    # Install
install.packages("data.table")

# Load
library(data.table)

    จากนั้น เราสามารถเรียกใช้งาน fread() เพื่อโหลดไฟล์ได้:

    โหลด Fast Food Joint Nutrition Values Dataset แบบ CSV:

    # Import CSV with fread()
nutrition_fread_csv <- fread("Nutrition_Value_Dataset.csv")

    โหลด Fast Food Joint Nutrition Values Dataset แบบ TSV:

    # Import TSV with fread()
nutrition_fread_tsv <- fread("Nutrition_Value_Dataset.tsv")

    โหลด flat file อื่น ๆ เช่น flat file ซึ่งใช้ “/” แบ่งข้อมูล:

    # Import TXT with "/" separator with fread()
nutrition_fread_txt <- fread("Nutrition_Value_Dataset.txt",
                             sep = "/")

    ตัวอย่างผลลัพธ์:

         Company  Category                          Product Per Serve Size Energy (kCal) Carbohydrates (g) Protein (g) Fiber (g) Sugar (g) Total Fat (g) Saturated Fat (g) Trans Fat (g) Cholesterol (mg) Sodium (mg)
      <char>    <char>                           <char>         <char>         <num>             <num>       <num>     <num>     <num>         <num>             <num>         <num>            <num>       <num>
1: Pizza Hut All Meals         Corn n Cheese (Personal)        143.5 g        432.60             65.64       17.91      3.85         0         10.93              5.14          0.16            16.19      499.72
2: Pizza Hut All Meals         Country Feast (Personal)          178 g        407.60             67.11       16.73      7.19         0          8.03              3.24          0.11            66.80      818.00
3: Pizza Hut All Meals         Double Cheese (Personal)          143 g        423.33             59.97       18.26      3.49         0         12.27              5.23          0.18            19.75      638.22
4: Pizza Hut All Meals Double Paneer Supreme (Personal)        174.5 g        474.03             52.86       20.07      3.79         0         20.26              9.25          0.33            71.72     1128.11
5: Pizza Hut All Meals         Farmer`s Pick (Personal)          177 g        408.16             53.93       19.91      2.46         0         12.53              4.90          0.14            48.09      942.67
6: Pizza Hut All Meals            Margherita (Personal)        130.5 g        361.73             50.69       15.93      4.08         0         10.58              3.86          0.12            26.47      713.82

    💪 Summary

    ในบทความนี้ เราได้ทำความรู้จักกับ 3 packages สำหรับโหลด flat file ในภาษา R:

    Package #1. utils:

    • read.csv()
    • read.delim()
    • read.table()

    Package #2. readr:

    • read_csv()
    • read_tsv()
    • read_delim()

    Package 3. data.table:

    • fread()

    📚 Further Reading

    สำหรับคนที่ต้องการศึกษาเพิ่มเติม สามารถอ่านคู่มือการใช้ functions ในบทความนี้ได้ดังนี้:

    😺 GitHub

    ดู code ทั้งหมดในบทความนี้ได้ที่ GitHub:

    📃 References

  • httr2: 3 ขั้นตอนในการทำงานกับข้อมูลบนเว็บด้วยภาษา R — ตัวอย่างการทำงานกับ Fake Store API

    httr2: 3 ขั้นตอนในการทำงานกับข้อมูลบนเว็บด้วยภาษา R — ตัวอย่างการทำงานกับ Fake Store API

    httr2 (อ่านว่า “hitter 2”) เป็น API (application programming interface) package ในภาษา R เพื่อทำงานกับข้อมูลที่อยู่บนอินเทอร์เน็ต อย่างข้อมูลบนหน้าเว็บไซต์ต่าง ๆ เป็นต้น

    ในบทความนี้ เราจะมาลองดูวิธีใช้ httr2 ผ่านการทำงานกับ Fake Store API ซึ่งมีข้อมูลจำลองของร้านค้าออนไลน์กัน

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    🏪 Install & Load httr2

    ในการใช้งาน httr2 เราจะต้องไม่ลืมติดตั้งและโหลด package ก่อนแบบนี้:

    # Install httr2
install.packages("httr2")

# Library httr2
library(httr2)

    💻 Working With API in 3 Steps

    การใช้งาน httr2 มีอยู่ 3 ขั้นตอน ได้แก่:

    1. Build request: สร้าง request ที่จะส่ง
    2. Send request: ส่ง request ไปยังปลายทาง
    3. Interact with response: ทำงานกับข้อมูลที่ได้รับ

    เราลองไปดูทั้ง 3 ขั้นตอนจากตัวอย่างการดึงข้อมูล products (GET) จาก Fake Store API กัน

    ✍️ Step 1. Build Request

    ในขั้นแรก เราจะสร้าง request ที่เราจะส่งให้กับ Fake Store API:

    1. กำหนด base URL ของ Fake Store API
    2. สร้าง request ด้วย request()
    3. เพิ่ม endpoint ใน URL ด้วย req_url_path_append()
    # Define base URL
base_url <- "<https://fakestoreapi.com>"

# Build a request
get_req <- request(base_url) |>
  
  # Add endpoint
  req_url_path_append("products")

    ในขั้นนี้ request จะยังไม่ถูกส่งออกไป และเราสามารถทดสอบ request ได้ด้วย req_dry_run():

    # Dry run the request
get_req |> req_dry_run()

    ผลลัพธ์:

    GET /products HTTP/1.1
accept: */*
accept-encoding: deflate, gzip
host: fakestoreapi.com
user-agent: httr2/1.1.2 r-curl/6.4.0 libcurl/8.14.1

    📨 Step 2. Send Request

    เมื่อเราพอใจกับผลทดสอบ เราสามารถส่ง request ออกไปได้ด้วย req_perform():

    # Perform the request
get_resp <- get_req |> req_perform()

    เราสามารถเช็กสถานะของ response ได้ด้วย resp_status():

    # View response status
get_resp |> resp_status()

    ผลลัพธ์:

    200

    ซึ่งแสดงให้เห็นว่า request ของเราส่ง response กลับมาได้สำเร็จ

    🧑‍💻 Step 3. Interact With Response

    ในขั้นสุดท้าย เราจะสำรวจ response ที่ได้กลับมากัน:

    1. Check content type: เช็กประเภทข้อมูล
    2. Get body: ดึงข้อมูลจาก response
    3. View data: ดูตัวอย่างข้อมูล

    .

    📋 Check Content Type

    เราสามารถเช็กประเภทข้อมูลใน response ได้ด้วย resp_content_type():

    # Check the response content type
get_resp |> resp_content_type()

    ผลลัพธ์:

    "application/json"

    ซึ่งแสดงให้เห็นว่า สิ่งที่ได้รับกลับมาอยู่ในรูปแบบ JSON

    .

    📥 Get Body

    จากนั้น เราสามารถดึงข้อมูลจาก response ได้ด้วย resp_body_*() เช่น:

    • resp_body_html(): ดึงข้อมูลที่เป็น HTML
    • resp_body_xml(): ดึงข้อมูลที่เป็น XML
    • resp_body_json(): ดึงข้อมูลที่เป็น JSON

    อย่างในตัวอย่าง เราจะดึงข้อมูลด้วย resp_body_json() เพราะข้อมูลของเราเป็น JSON:

    # Extract the content
products <- get_resp |> resp_body_json()

    .

    👀 View Data

    สุดท้าย เราสามารถดูตัวอย่างข้อมูลได้ด้วย head():

    # View the first entry
head(products, n = 1)

    ผลลัพธ์:

    [[1]]
[[1]]$id
[1] 1

[[1]]$title
[1] "Fjallraven - Foldsack No. 1 Backpack, Fits 15 Laptops"

[[1]]$price
[1] 109.95

[[1]]$description
[1] "Your perfect pack for everyday use and walks in the forest. Stash your laptop (up to 15 inches) in the padded sleeve, your everyday"

[[1]]$category
[1] "men's clothing"

[[1]]$image
[1] "<https://fakestoreapi.com/img/81fPKd-2AYL._AC_SL1500_.jpg>"

[[1]]$rating
[[1]]$rating$rate
[1] 3.9

[[1]]$rating$count
[1] 120

    📬 POST, PATCH, DELETE

    จากตัวอย่าง เราจะเห็นได้ว่า functions ของ httr2 แบ่งเป็น 2 กลุ่ม ได้แก่:

    1. req_*() ซึ่งใช้กับ request
    2. resp_*() ซึ่งใช้กับ response

    นอกจาก functions ที่เราได้เห็นก่อนหน้านี้ httr2 ยังมี functions อื่นที่ให้เรียกใช้งานได้ เช่น:

    • req_method(): เปลี่ยน method ของ request
    • req_body_json(): เปลี่ยน body ของ request

    ยกตัวอย่างเช่น เราต้องการเปลี่ยน method เป็น POST เพื่อสร้าง product ใหม่บนหน้าเว็บ เราสามารถใช้ req_method() และ req_body_json() ได้แบบนี้:

    # Build a request
post_req <- request(base_url) |>
  
  # Add endpoint
  req_url_path_append("products") |>
  
  # Change method to POST
  req_method("POST") |>
  
  # Add body
  req_body_json(list(
    title = "Summer Sunglasses",
    price = 29.99,
    description = "One pair for all summers.",
    image = "<https://unsplash.com/photos/sunglasses-beside-a-purse-LJqRUWr9V0w>",
    category = "Accessory"
    ))

    หรือ PATCH เพื่ออัปเดตข้อมูล product:

    # Build a request
patch_req <- request(base_url) |>
  
  # Add endpoint
  req_url_path_append("products/1001") |>
  
  # Change method to PATCH
  req_method("PATCH") |>
  
  # Add body
  req_body_json(list(
    price = 59.99,
    description = "Limited edition: One pair for all summers."
  ))

    หรือ DELETE เพื่อลบ product ออก:

    # Build a request
delete_req <- request(base_url) |>
  
  # Add endpoint
  req_url_path_append("products/1001") |>
  
  # Change method to DELETE
  req_method("DELETE")

    เป็นต้น

    สำหรับคนที่สนใจ สามารถศึกษา functions อื่น ๆ ของ httr2 เพิ่มเติมได้ที่ บทความ official ของ httr2

    😺 GitHub

    ดูตัวอย่าง code ทั้งหมดได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • วิธีใช้ jsonlite เพื่อทำงานกับ JSON ในภาษา R: fromJSON(), toJSON(), read_json(), และ write_json() — ตัวอย่างการทำงานกับข้อมูลขนม

    วิธีใช้ jsonlite เพื่อทำงานกับ JSON ในภาษา R: fromJSON(), toJSON(), read_json(), และ write_json() — ตัวอย่างการทำงานกับข้อมูลขนม

    ในบทความนี้ เราจะไปดูวิธีการใช้ 4 functions จาก jsonlite package สำหรับทำงานกับ JSON (JavaScript Object Notation) ในภาษา R กัน:

    1. fromJSON()
    2. toJSON()
    3. read_json()
    4. write_json()

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    🤔 What Is JSON?

    JSON เป็นโครงสร้างข้อมูลที่พบได้บ่อยในระบบคอมพิวเตอร์และแอปพลิเคชันต่าง ๆ เพราะเป็นรูปแบบข้อมูลที่อ่านได้ง่ายทั้งคนและคอมพิวเตอร์

    ตัวอย่าง JSON ที่เก็บข้อมูลขนม:

    [
  {
    "snack_name": "Corn Chips",
    "brand": "Nibble & Dip",
    "price_usd": 2.99,
    "is_vegan": true
  },
  {
    "snack_name": "Pita Chips",
    "brand": "DipMates",
    "price_usd": 4.25,
    "is_vegan": false
  },
  {
    "snack_name": "Tortilla Chips",
    "brand": "Casa Crunch",
    "price_usd": 3.49,
    "is_vegan": true
  }
]

    Note: อ่านเพิ่มเติมเกี่ยวกับ JSON ได้ที่ What is JSON?

    📦 What Is jsonlite?

    jsonlite เป็น package ขนาดเบาสำหรับทำงานกับ JSON ในภาษา R และมี 4 functions หลักให้เรียกใช้งาน ได้แก่:

    1. fromJSON(): โหลด JSON string (character ที่มีข้อมูลแบบ JSON) เป็น R object (เช่น data frame)
    2. toJSON(): เปลี่ยน R object เป็น JSON string
    3. read_json(): โหลดไฟล์ JSON เป็น R object
    4. write_json(): เปลี่ยน R object เป็นไฟล์ JSON

    เราไปดูวิธีใช้ jsonlite และ 4 functions นี้กัน

    🏁 Getting Started

    ก่อนเริ่มใช้งาน jsonlite เราจะต้องทำ 2 อย่าง ได้แก่:

    1. ติดตั้ง package ด้วย install.packages() (ทำครั้งแรกครั้งเดียว)
    2. โหลด package ด้วย library() (ทำทุกครั้งที่เปิด session ใหม่)
    # Install jsonlite
install.packages("jsonlite")

# Load jsonlite
library(jsonlite)

    ⬇️ Function 1. fromJSON()

    fromJSON() ใช้เปลี่ยน JSON ที่เป็นอยู่ใน character (JSON string) ให้เป็น R object เช่น list และ data frame

    เช่น เราสามารถเปลี่ยน JSON string แบบนี้:

    # Create a JSON string
snacks_json_string <- '
[
  {
    "snack_name": "Corn Chips",
    "brand": "Nibble & Dip",
    "price_usd": 2.99,
    "is_vegan": true
  },
  {
    "snack_name": "Pita Chips",
    "brand": "DipMates",
    "price_usd": 4.25,
    "is_vegan": false
  },
  {
    "snack_name": "Tortilla Chips",
    "brand": "Casa Crunch",
    "price_usd": 3.49,
    "is_vegan": true
  }
]
'

    ให้เป็น R object ได้แบบนี้:

    # Convert to R object
snacks_r_obj <- fromJSON(snacks_json_string)

# View the df
snacks_r_obj

    ผลลัพธ์:

          snack_name        brand price_usd is_vegan
1     Corn Chips Nibble & Dip      2.99     TRUE
2     Pita Chips     DipMates      4.25    FALSE
3 Tortilla Chips  Casa Crunch      3.49     TRUE

    Note: fromJSON() จะเลือกประเภท R object ให้โดยอัตโนมัติ เช่น ถ้า JSON มีโครงสร้างคล้าย data frame (มีข้อมูลซ้ำ ๆ ที่ดูเหมือน rows และ columns) fromJSON() จะเปลี่ยน JSON string ให้เป็น data frame

    ⬆️ Function 2. toJSON()

    toJSON() ใช้เปลี่ยน R object ให้เป็น JSON string

    เช่น เปลี่ยน data frame นี้:

    # Create a data frame
snacks_df <- data.frame(
  snack_name = c("Seaweed Thins", "Chickpea Puffs", "BBQ Potato Crisps"),
  brand      = c("OceanBite", "LegumeLab", "Spud & Spark"),
  price_usd  = c(2.45, 3.35, 3.10),
  is_vegan   = c(TRUE, TRUE, FALSE),
  stringsAsFactors = FALSE
)

    ให้เป็น JSON string:

    # Convert to JSON string
snacks_json_string <- toJSON(snacks_df)

# View the JSON string
snacks_json_string

    ผลลัพธ์:

    [{"snack_name":"Seaweed Thins","brand":"OceanBite","price_usd":2.45,"is_vegan":true},{"snack_name":"Chickpea Puffs","brand":"LegumeLab","price_usd":3.35,"is_vegan":true},{"snack_name":"BBQ Potato Crisps","brand":"Spud & Spark","price_usd":3.1,"is_vegan":false}]

    สังเกตว่า ผลลัพธ์ที่ได้มาอ่านยาก เพราะข้อมูลอยู่ในบรรทัดเดียวกันหมด

    ทั้งนี้ เราเปลี่ยนให้ผลลัพธ์อ่านง่ายขึ้นได้ โดยใช้ pretty argument แบบนี้:

    # Convert to JSON string (pretty)
    snacks_json_string_pretty <- toJSON(snacks_df,
                                        pretty = TRUE)
    # View the JSON string (pretty)
    snacks_json_string_pretty

    ผลลัพธ์:

    [
  {
    "snack_name": "Seaweed Thins",
    "brand": "OceanBite",
    "price_usd": 2.45,
    "is_vegan": true
  },
  {
    "snack_name": "Chickpea Puffs",
    "brand": "LegumeLab",
    "price_usd": 3.35,
    "is_vegan": true
  },
  {
    "snack_name": "BBQ Potato Crisps",
    "brand": "Spud & Spark",
    "price_usd": 3.1,
    "is_vegan": false
  }
]

    จะเห็นว่า ตอนนี้ JSON string อ่านง่ายกว่าก่อนหน้านี้มาก

    📖 Function 3. read_json()

    read_json() ใช้โหลดไฟล์ JSON เข้ามาใน R

    เช่น เรามีไฟล์ชื่อ snacks.json ที่มีข้อมูลแบบนี้:

    [
  {
    "snack_name": "Plantain Chips",
    "brand": "TropiBite",
    "price_usd": 3.15,
    "is_vegan": true
  },
  {
    "snack_name": "Rice Crackers",
    "brand": "ZenMunch",
    "price_usd": 2.25,
    "is_vegan": true
  },
  {
    "snack_name": "Pretzel Sticks",
    "brand": "Twist & Dip",
    "price_usd": 3.75,
    "is_vegan": true
  }
]

    เราสามารถโหลดเข้ามาใน R ด้วย read_json() ได้แบบนี้:

    # Read the JSON file
snacks_from_json_file <- read_json("snacks.json")

# View the result
snacks_from_json_file

    ผลลัพธ์:

    [[1]]
[[1]]$snack_name
[1] "Plantain Chips"

[[1]]$brand
[1] "TropiBite"

[[1]]$price_usd
[1] 3.15

[[1]]$is_vegan
[1] TRUE

[[2]]
[[2]]$snack_name
[1] "Rice Crackers"

[[2]]$brand
[1] "ZenMunch"

[[2]]$price_usd
[1] 2.25

[[2]]$is_vegan
[1] TRUE

[[3]]
[[3]]$snack_name
[1] "Pretzel Sticks"

[[3]]$brand
[1] "Twist & Dip"

[[3]]$price_usd
[1] 3.75

[[3]]$is_vegan
[1] TRUE

    ทั้งนี้ read_json() มี simplifyVector argument ที่ช่วยโหลดข้อมูลที่เหมือน data frame ให้เป็น data frame (แทน list) ได้แบบนี้:

    # Read the JSON file (simplified)
snacks_from_json_file_simplified <- read_json("snacks.json",
                                              simplifyVector = TRUE)

# View the result (simplified)
snacks_from_json_file_simplified

    ผลลัพธ์:

          snack_name       brand price_usd is_vegan
1 Plantain Chips   TropiBite      3.15     TRUE
2  Rice Crackers    ZenMunch      2.25     TRUE
3 Pretzel Sticks Twist & Dip      3.75     TRUE

    ✍️ Function 4. write_json()

    write_json() ใช้เปลี่ยน R object ให้เป็นไฟล์ JSON

    เช่น เปลี่ยน data frame นี้:

    # Create a list
snacks_df <- data.frame(
  snack_name = c("Cassava Chips", "Lentil Crisps", "Cheese Puffs"),
  brand      = c("RootRush", "Pulse & Crunch", "CheezyPop"),
  price_usd  = c(2.85, 2.65, 3.99),
  is_vegan   = c(TRUE, TRUE, FALSE),
  stringsAsFactors = FALSE
)

    ให้เป็นไฟล์ JSON แบบนี้:

    # Write to JSON
write_json(snacks_df,
           "snacks_df.json")

    ผลลัพธ์:

    [{"snack_name":"Cassava Chips","brand":"RootRush","price_usd":2.85,"is_vegan":true},{"snack_name":"Lentil Crisps","brand":"Pulse & Crunch","price_usd":2.65,"is_vegan":true},{"snack_name":"Cheese Puffs","brand":"CheezyPop","price_usd":3.99,"is_vegan":false}]

    เช่นเดียวกับ toJSON(), write_json() มี pretty argument ที่ทำให้ผลลัพธ์อ่านง่ายขึ้นได้:

    # Write to JSON (pretty)
write_json(snacks_df,
           "snacks_df_pretty.json", 
           pretty = TRUE)

    ผลลัพธ์:

    [
  {
    "snack_name": "Cassava Chips",
    "brand": "RootRush",
    "price_usd": 2.85,
    "is_vegan": true
  },
  {
    "snack_name": "Lentil Crisps",
    "brand": "Pulse & Crunch",
    "price_usd": 2.65,
    "is_vegan": true
  },
  {
    "snack_name": "Cheese Puffs",
    "brand": "CheezyPop",
    "price_usd": 3.99,
    "is_vegan": false
  }
]

    💪 Summary

    ในบทความนี้ เราได้ไปทำความรู้จักกับ 4 functions จาก jsonlite ซึ่งเป็น package สำหรับทำงานกับ JSON ในภาษา R:

    1. fromJSON(): JSON string → R object
    2. toJSON(): R object → JSON string
    3. read_json(): ไฟล์ JSON → R object
    4. write_json(): R object → JSON

    😺 GitHub

    ดูตัวอย่าง code และไฟล์ JSON ทั้งหมดในบทความนี้ได้ที่ GitHub

    📃 References

  • Function in R: ความหมาย, ส่วนประกอบ, และประเภท function ในภาษา R สำหรับผู้เริ่มต้น พร้อมตัวอย่าง

    Function in R: ความหมาย, ส่วนประกอบ, และประเภท function ในภาษา R สำหรับผู้เริ่มต้น พร้อมตัวอย่าง

    Function เป็น 1 ใน 2 องค์ประกอบหลักในภาษา R เคียงข้างกับ object

    ในขณะที่ object คือ สิ่งที่มีอยู่ในภาษา R, function คือ สิ่งที่เกิดขึ้นในภาษา R

    ภาษา R จะทำงานไม่ได้ ถ้าขาดทั้ง 2 อย่างไป

    ในบทความนี้ เราจะมีวิธีใช้งาน function ในภาษา R กัน:

    1. Function คืออะไร?
    2. ส่วนประกอบของ function
    3. ประเภทของ function
    4. การดูรายละเอียดของ function

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    🤔 What Is a Function?

    Function คือ code ที่เราเรียกใช้งานซ้ำ ๆ ได้ ซึ่งช่วยให้เราเขียน code ได้ง่ายขึ้น

    เช่น แทนที่เราจะหาผลรวมของ 1–5 โดยพิมพ์ตัวเลขทีละตัว:

    1 + 2 + 3 + 4 + 5

    เราสามารถใช้ function ช่วยได้แบบนี้:

    sum(1:5)

    และถ้าเราต้องการหาผลลัพธ์ของเลขชุดอื่น (เช่น 15–20) เราสามารถใช้ function เดียวกันได้:

    sum(15:20)

    จะเห็นได้ว่า function ทำให้เราเขียน code ได้ง่ายและสะดวกขึ้นมาก

    🧠 Anatomy of Function

    Function ประกอบด้วย 2 ส่วน:

    1. Name หรือ ชื่อของ function (เช่น round)
    2. Argument หรือ input สำหรับ function (เช่น 1:5 และ 15:20)

    โดย argument แบ่งได้เป็น 2 ประเภท:

    1. Positional argument หรือ input ตามตำแหน่งใน function
    2. Keyword argument หรือ input ตาม keywords

    ยกตัวอย่าง เช่น sample() ซึ่งเป็น function สุ่มตัวอย่าง และมี 2 arguments:

    1. ชุดข้อมูล (เช่น 1:10)
    2. จำนวนที่ต้องการสุ่ม (เช่น 3)

    เราสามารถเขียนแบบ positional และ keyword argument ได้แบบนี้:

    # Positional arguments
sample(1:10, 3)

# Keyword arguments
sample(x = 1:10, size = 3)

    จากตัวอย่าง จะเห็นว่า positional argument เขียนง่ายกว่า แต่ keyword argument ช่วยให้อ่าน code ได้ง่ายกว่า

    เราควรใช้ positional argument เมื่อใช้ function ที่ไม่ซับซ้อน เช่น sum() ที่ต้องการแค่ 1 argument

    และควรใช้ keyword argument กับ function ที่มีหลาย arguments

    🗃️ Types of Functions

    Function แบ่งได้เป็น 3 ประเภท ได้แก่:

    1. Base R function
    2. Package function
    3. Custom function

    .

    📦 Base R Function

    Base R function เป็น function ที่มาพร้อมกับภาษา R และเรียกใช้งานได้โดยไม่ต้องติดตั้ง package เพิ่มเติม เช่น:

    • mean()
    • sum()
    • length()
    • round()
    • seq()

    .

    📥 Package Function

    Package function เป็น function ที่คนอื่นสร้างไว้และเราสามารถโหลดมาใช้ได้

    ในการเรียกใช้งาน เราจะต้องทำ 2 อย่างก่อน:

    1. ติดตั้ง package ด้วย install.packages() (ทำครั้งแรกครั้งเดียว)
    2. โหลด package ทุกครั้งที่เริ่มต้น session ด้วย library()

    ถ้าข้าม 2 ขั้นตอนนี้ไป เราจะไม่สามารถใช้งาน function ได้

    เช่น เรียกใช้ sample_n() เพื่อสุ่มข้อมูลจาก data frame (ตารางข้อมูล):

    # Data frame of my friends
friends <- data.frame(
  name = c("Alice", "Bob", "Charlie", "David", "Eve", "Frank", "Grace", "Heidi"),
  age = c(28, 32, 25, 30, 29, 35, 27, 31)
)

# friends data frame:
#       name age
#  1   Alice  28
#  2     Bob  32
#  3 Charlie  25
#  4   David  30
#  5     Eve  29
#  6   Frank  35
#  7   Grace  27
#  8   Heidi  31

# Sample 3 of my friends
sample_n(friends, 3)

    ผลลัพธ์:

    Error in sample_n(friends, 3) : could not find function "sample_n"

    จะเห็นได้ว่า R ส่ง error กลับมา ซึ่งเราแก้ได้โดยติดตั้งและโหลด package ก่อนเรียกใช้งาน sample_n():

    # Install package
install.packages("dplyr")

# Load package
library(dplyr)

    ซึ่งจะทำให้เราใช้งาน function ได้สำเร็จ:

    # Sample 3 of my friends
sample_n(friends, 3)

    ผลลัพธ์:

       name age
1   Bob  32
2 Heidi  31
3 Grace  27

    .

    🎁 Custom Function

    Custom function เป็น function ที่เราเขียนขึ้นเอง เพื่อตอบโจทย์ที่ function อื่นไม่สามารถทำได้

    เราสามารถสร้าง custom function ได้ด้วย function() {} เช่น สร้าง function เพื่อคำนวณพื้นที่วงกลม:

    # Custome function to find circle area
circle_area <- function(radius) {

	# Calculate area
  area <- pi * (radius^2)
  
  # Return area
  print(area)
}

    ในตัวอย่าง function จะคำนวณพื้นที่วงกลมโดยใช้ 1 argument 1 คือ radius และ print ค่าใน console

    หลังจากสร้าง function แล้ว เราสามารถเรียกใช้งาน function ได้เหมือน function อื่น ๆ:

    # Calculate circle area where radius is 14
circle_area(14)

    ผลลัพธ์:

    [1] 615.7522

    ❓ Get Help

    สุดท้าย เราสามารถดูรายละเอียดของ function ได้ 2 วิธี:

    1. ?: ดูคู่มือการใช้ function
    2. args(): ดู argument ของ function

    เช่น ดูคู่มือของ round() ซึ่งเป็น function สำหรับปัดจุดทศนิยม:

    # Read round() documentation
?round

    เราจะเห็นคู่มือการใช้งาน round() ในหน้าต่างของเรา:

    หรือดู arguments ของ round():

    # Learn about round() arguments
args(round)

    ผลลัพธ์:

    function (x, digits = 0, ...) 
NULL

    💪 Summary

    ในบทความนี้ เราได้ทำความรู้จักกับ function ซึ่งเป็น 1 ใน 2 องค์ประกอบที่สำคัญในภาษา R กัน:

    1. Function คือ code ที่สามารถเรียกใช้งานซ้ำได้
    2. Function ประกอบด้วย 2 ส่วน: name และ argument
    3. Argument มี 2 ประเภท: positional และ keyword argument
    4. Function มี 3 ประเภท:
      1. Base R function ที่มาพร้อมภาษา R
      2. Package function ที่มากับ packages
      3. Custom function ที่เราสร้างเอง
    5. ดูรายละเอียดของ function ได้ด้วย ? และ args()

    😺 GitHub

    ดูตัวอย่าง code ทั้งหมดในบทความได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • Basic R—รวบรวม 13 บทความสอนทำงานกับ data ในภาษา R: Intro to R, Importing Data, Data Manipulation, และ Data Visualisation

    Basic R—รวบรวม 13 บทความสอนทำงานกับ data ในภาษา R: Intro to R, Importing Data, Data Manipulation, และ Data Visualisation

    ในปีนี้ ผมเริ่มหันมาฝึกใช้ภาษา R อย่างจริงจังมากขึ้น หลังจากเรียนคอร์สออนไลน์จาก DataRockie และ DataCamp มา

    และเพื่อช่วยให้ผมเข้าใจภาษา R มากขึ้น ผมได้เขียนสรุปการใช้งานภาษา R เบื้องต้นไว้ ทั้งหมด 13 บทความ ซึ่งผมได้รวบรวมไว้เป็น 4 กลุ่ม ดังนี้:

    1. Introduction to R: แนะนำภาษา R และการทำงานกับ R เบื้องต้น
    2. Importing data: การนำเข้าข้อมูลในภาษา R
    3. Data manipulation: การแปลงข้อมูลดิบให้พร้อมสำหรับการวิเคราะห์
    4. Data visualisation: การแสดงข้อมูลในรูปแบบกราฟ

    .

    Group 1. Introduction to R (3 บทความ):

    1. R foundation: แนะนำภาษา R—ความแตกต่างระหว่าง R และ Python, data types, และ data structures ในภาษา R
    2. R control flow: สอนใช้ if, for, while เพื่อควบคุมการทำงานของภาษา R
    3. R functions: สอนสร้างและใช้งาน functions ในภาษา R

    .

    Group 2. Importing data (5 บทความ):

    1. Working with data frame: แนะนำ 10 วิธีในการทำงานกับ data frame ซึ่งเป็น data structure ที่พบบ่อยที่สุดในภาษา R
    2. Working with data frame using SQL: สอนการทำงานกับ data frame ด้วย SQL
    3. Working with flat files: แนะนำการใช้ 3 packages สำหรับ import ข้อมูลจาก flat files
    4. Working with Excel: แนะนำ 2 packages สำหรับทำงานกับ Excel
    5. Working with database: แนะนำวิธีทำงานกับ database ผ่าน DBI package

    .

    Group 3. Data manipulation (4 บทความ):

    1. dplyr package: แนะนำ 5 functions ยอดนิยมสำหรับ data manipulation
    2. dbplyr package: แนะนำการใช้ dplyr functions เพื่อทำงานกับ database
    3. dtplyr package: แนะนำการใช้ dplyr functions เพื่อทำงานกับข้อมูลขนาดใหญ่
    4. data.table package: แนะนำ package ยอดนิยมสำหรับทำงานกับข้อมูลขนาดใหญ่

    .

    Group 4. Data visualisation (1 บทความ):

    1. ggplot2 package: แนะนำวิธีใช้ package เพื่อสร้าง data viz แบบองค์กรระดับโลก

    👉 Tie-In: Machine Learning in R

    สำหรับคนที่สนใจ machine learning ในภาษา R สามารถดู 13 บทความการทำ machine learning ในรูปแบบต่าง ๆ ได้ที่นี่

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • สรุป 10 วิธีใช้งาน data frame ในภาษา R: creating, indexing, subsetting, filtering, sorting, และอื่น ๆ — ตัวอย่างการทำงานกับ Jujutsu Kaisen data frame

    สรุป 10 วิธีใช้งาน data frame ในภาษา R: creating, indexing, subsetting, filtering, sorting, และอื่น ๆ — ตัวอย่างการทำงานกับ Jujutsu Kaisen data frame

    Data frame เป็นหนึ่งใน data structure ที่พบบ่อยที่สุดในการทำงานกับข้อมูล

    Data frame เก็บข้อมูลในรูปแบบตาราง โดย:

    • 1 row = 1 รายการ (เช่น ข้อมูลของ John)
    • 1 column = 1 ประเภทข้อมูล (เช่น อายุ)

    ตัวอย่าง data frame:

    ในบทความนี้ เราจะมาสรุป 10 วิธีในการทำงานกับ data frame กัน:

    1. Creating: การสร้าง data frame
    2. Previewing: การดูข้อมูล data frame
    3. Indexing: การเลือก columns ที่ต้องการ
    4. Subsetting: การเลือก rows และ columns ที่ต้องการ
    5. Filtering: การกรองข้อมูล
    6. Sorting: การจัดลำดับข้อมูล
    7. Aggregating: การสรุปข้อมูล
    8. Adding columns: การเพิ่ม columns ใหม่
    9. Removing columns: การลบ columns
    10. Binding: การเชื่อมข้อมูลใหม่เข้ากับ data frame

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1️⃣ Creating

    เราสามารถสร้าง data frame ด้วย data.frame() ซึ่งต้องการ ชื่อ column และ vector ที่เก็บข้อมูลของ column นั้น ๆ:

    # Create a data frame
jjk_df <- data.frame(
  ID = 1:10,
  Name = c("Yuji Itadori", "Megumi Fushiguro", "Nobara Kugisaki", "Satoru Gojo",
           "Maki Zenin", "Toge Inumaki", "Panda", "Kento Nanami", "Yuta Okkotsu", "Suguru Geto"),
  Age = c(15, 16, 16, 28, 17, 17, 18, 27, 17, 27),
  Grade = c("1st Year", "1st Year", "1st Year", "Special", "2nd Year",
            "2nd Year", "2nd Year", "Special", "Special", "Special"),
  CursedEnergy = c(80, 95, 70, 999, 60, 85, 75, 200, 300, 400),
  Technique = c("Divergent Fist", "Ten Shadows", "Straw Doll", "Limitless",
                "Heavenly Restriction", "Cursed Speech", "Gorilla Mode",
                "Ratio Technique", "Rika", "Cursed Spirit Manipulation"),
  Missions = c(25, 30, 20, 120, 35, 28, 40, 90, 55, 80)
)

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
4   4      Satoru Gojo  28  Special          999                  Limitless      120
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80

    2️⃣ Previewing

    เรามี 8 functions สำหรับดูข้อมูล data frame:

    No.FunctionFor
    1View()ดูข้อมูลทั้งหมด
    2head()ดูข้อมูล 6 rows แรก
    3tail()ดูข้อมูล 6 rows สุดท้าย
    4str()ดูโครงสร้างข้อมูล
    5summary()ดูสถิติข้อมูล
    6dim()ดูจำนวน rows และ columns
    7nrow()ดูจำนวน rows
    8ncol()ดูจำนวน columns

    เราไปดูตัวอย่างทั้ง 8 functions กัน

    .

    👀 View()

    View() ใช้ดูข้อมูลทั้งหมดใน data frame:

    # View the whole data frame
View(jjk_df)

    เราจะเห็นผลลัพธ์ในหน้าต่างใหม่:

    Note: เนื่องจาก View() แสดงข้อมูลทั้งหมด จึงเหมาะกับการใช้งานกับ data frame ขนาดเล็ก

    .

    head() ใช้ดูข้อมูล 6 rows แรกใน data frame:

    # View the first 6 rows
head(jjk_df)

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy            Technique Missions
1  1     Yuji Itadori  15 1st Year           80       Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95          Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70           Straw Doll       20
4  4      Satoru Gojo  28  Special          999            Limitless      120
5  5       Maki Zenin  17 2nd Year           60 Heavenly Restriction       35
6  6     Toge Inumaki  17 2nd Year           85        Cursed Speech       28

    .

    🐒 tail()

    tail() ใช้ดูข้อมูล 6 rows สุดท้ายใน data frame:

    # View the last 6 rows
tail(jjk_df)

    ผลลัพธ์:

       ID         Name Age    Grade CursedEnergy                  Technique Missions
5   5   Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6 Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7        Panda  18 2nd Year           75               Gorilla Mode       40
8   8 Kento Nanami  27  Special          200            Ratio Technique       90
9   9 Yuta Okkotsu  17  Special          300                       Rika       55
10 10  Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80

    .

    🏗️ str()

    str() ใช้ดูโครงสร้างข้อมูลของ data frame:

    # View the data frame structure
str(jjk_df)

    ผลลัพธ์:

    'data.frame':	10 obs. of  7 variables:
 $ ID          : int  1 2 3 4 5 6 7 8 9 10
 $ Name        : chr  "Yuji Itadori" "Megumi Fushiguro" "Nobara Kugisaki" "Satoru Gojo" ...
 $ Age         : num  15 16 16 28 17 17 18 27 17 27
 $ Grade       : chr  "1st Year" "1st Year" "1st Year" "Special" ...
 $ CursedEnergy: num  80 95 70 999 60 85 75 200 300 400
 $ Technique   : chr  "Divergent Fist" "Ten Shadows" "Straw Doll" "Limitless" ...
 $ Missions    : num  25 30 20 120 35 28 40 90 55 80

    จากผลลัพธ์ เราจะเห็นข้อมูล 5 อย่าง ได้แก่:

    1. จำนวน rows (obs.)
    2. จำนวน columns (variables)
    3. ชื่อ columns (เช่น ID)
    4. ประเภทข้อมูลของแต่ละ column (เช่น int)
    5. ตัวอย่างข้อมูลของแต่ละ column (เช่น 1 2 3 4 5 6 7 8 9 10)

    .

    🧮 summary()

    summary() ใช้สรุปข้อมูลใน data frame เช่น:

    • ค่าเฉลี่ย (Mean)
    • จำนวนข้อมูล (Length)
    # View the summary
summary(jjk_df)

    ผลลัพธ์:

           ID            Name                Age           Grade            CursedEnergy     Technique            Missions     
 Min.   : 1.00   Length:10          Min.   :15.00   Length:10          Min.   : 60.00   Length:10          Min.   : 20.00  
 1st Qu.: 3.25   Class :character   1st Qu.:16.25   Class :character   1st Qu.: 76.25   Class :character   1st Qu.: 28.50  
 Median : 5.50   Mode  :character   Median :17.00   Mode  :character   Median : 90.00   Mode  :character   Median : 37.50  
 Mean   : 5.50                      Mean   :19.80                      Mean   :236.40                      Mean   : 52.30  
 3rd Qu.: 7.75                      3rd Qu.:24.75                      3rd Qu.:275.00                      3rd Qu.: 73.75  
 Max.   :10.00                      Max.   :28.00                      Max.   :999.00                      Max.   :120.00

    .

    💠 dim()

    dim() ใช้แสดงจำนวน rows และ columns ใน data frame:

    # View the dimensions
dim(jjk_df)

    ผลลัพธ์:

    [1] 10  7

    .

    🚣 nrow()

    nrow() ใช้แสดงจำนวน rows ใน data frame:

    # Get the number of rows
nrow(jjk_df)

    ผลลัพธ์:

    [1] 10

    .

    🏦 ncol()

    ncol() ใช้แสดงจำนวน columns ใน data frame:

    # Get the number of columns
ncol(jjk_df)

    ผลลัพธ์:

    [1] 7

    3️⃣ Indexing

    Indexing หมายถึง การเลือก columns ที่ต้องการ ซึ่งเราทำได้ 2 วิธี:

    1. ใช้ $ (นิยมใช้)
    2. ใช้ [[]]

    💰 Using $

    เราสามารถใช้ $ ได้แบบนี้:

    df$col

    ยกตัวอย่างเช่น เลือก column Name:

    # Index with $
jjk_df$Name

    ผลลัพธ์:

     [1] "Yuji Itadori"     "Megumi Fushiguro" "Nobara Kugisaki"  "Satoru Gojo"      "Maki Zenin"      
 [6] "Toge Inumaki"     "Panda"            "Kento Nanami"     "Yuta Okkotsu"     "Suguru Geto"

    .

    🔳 Using [[]]

    เราสามารถใช้ [[]] ได้แบบนี้:

    df[["col"]]

    ยกตัวอย่างเช่น เลือก column Name:

    # Index with [[]]
jjk_df[["Name"]]

    ผลลัพธ์:

     [1] "Yuji Itadori"     "Megumi Fushiguro" "Nobara Kugisaki"  "Satoru Gojo"      "Maki Zenin"      
 [6] "Toge Inumaki"     "Panda"            "Kento Nanami"     "Yuta Okkotsu"     "Suguru Geto"

    4️⃣ Subsetting

    Subsetting คือ การเลือก rows และ columns จาก data frame ซึ่งเราทำได้ 2 วิธี:

    1. ใช้ df[rows, cols] syntax
    2. ใช้ subset()

    .

    🍽️ df[rows, cols]

    เราสามารถใช้ df[rows, cols] ได้ 3 แบบ:

    1. เลือก rows
    2. เลือก columns
    3. เลือก rows และ columns

    แบบที่ 1. เลือก rows อย่างเดียว:

    # Subset rows only
jjk_df[1:5, ]

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy            Technique Missions
1  1     Yuji Itadori  15 1st Year           80       Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95          Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70           Straw Doll       20
4  4      Satoru Gojo  28  Special          999            Limitless      120
5  5       Maki Zenin  17 2nd Year           60 Heavenly Restriction       35

    แบบที่ 2. เลือก columns อย่างเดียว:

    # Subset columns only
jjk_df[, "Name"]

    ผลลัพธ์:

     [1] "Yuji Itadori"     "Megumi Fushiguro" "Nobara Kugisaki"  "Satoru Gojo"      "Maki Zenin"      
 [6] "Toge Inumaki"     "Panda"            "Kento Nanami"     "Yuta Okkotsu"     "Suguru Geto"

    แบบที่ 3. เลือก rows และ columns:

    # Subset rows and columns
jjk_df[1:5, c("Name", "Technique")]

    ผลลัพธ์:

                  Name            Technique
1     Yuji Itadori       Divergent Fist
2 Megumi Fushiguro          Ten Shadows
3  Nobara Kugisaki           Straw Doll
4      Satoru Gojo            Limitless
5       Maki Zenin Heavenly Restriction

    .

    🔪 subset()

    เราสามารถ subset ข้อมูลได้ด้วย subset() ซึ่งต้องการ 2 arguments:

    subset(x, select)
    1. x = data frame
    2. select = columns ที่ต้องการเลือก
    # Subset using susbet() - select conlumns only
subset(jjk_df, select = c("Name", "Technique"))

    ผลลัพธ์:

                   Name                  Technique
1      Yuji Itadori             Divergent Fist
2  Megumi Fushiguro                Ten Shadows
3   Nobara Kugisaki                 Straw Doll
4       Satoru Gojo                  Limitless
5        Maki Zenin       Heavenly Restriction
6      Toge Inumaki              Cursed Speech
7             Panda               Gorilla Mode
8      Kento Nanami            Ratio Technique
9      Yuta Okkotsu                       Rika
10      Suguru Geto Cursed Spirit Manipulation

    ในกรณีที่เราต้องการเลือก rows ด้วย เราจะต้องกำหนด rows ใน x:

    # Subset using susbet() - select both rows and columns
subset(jjk_df[1:5, ], select = c("Name", "Technique"))

    ผลลัพธ์:

                  Name            Technique
1     Yuji Itadori       Divergent Fist
2 Megumi Fushiguro          Ten Shadows
3  Nobara Kugisaki           Straw Doll
4      Satoru Gojo            Limitless
5       Maki Zenin Heavenly Restriction

    5️⃣ Filtering

    เราสามารถกรองข้อมูลใน data frame ได้ 2 วิธี:

    1. ใช้ df[rows, cols] syntax
    2. ใช้ subset()

    .

    🍽️ df[rows, cols]

    เราสามารถกรองข้อมูลด้วย df[rows, cols] โดยกำหนดเงื่อนไขการกรองใน rows

    เช่น กรองข้อมูลตัวละครที่อยู่ปี 1:

    # Filter using df[rows, cols] - 1 condition
jjk_df[jjk_df$Grade == "1st Year", ]

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy      Technique Missions
1  1     Yuji Itadori  15 1st Year           80 Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95    Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70     Straw Doll       20

    ในกรณีที่เรามีมากกว่า 1 เงื่อนไข เราสามารถใช้ logical operators ช่วยได้:

    OperatorMeaning
    &AND
    |OR
    !NOT

    ยกตัวอย่างเช่น กรองข้อมูลตัวละครที่อยู่ปี 1 และมีอายุ 15 ปี:

    # Filter using df[rows, cols] - multiple conditions
jjk_df[jjk_df$Grade == "1st Year" & jjk_df$Age == 15, ]

    ผลลัพธ์:

      ID         Name Age    Grade CursedEnergy      Technique Missions
1  1 Yuji Itadori  15 1st Year           80 Divergent Fist       25

    .

    🔪 subset()

    เราสามารถใช้ subset() เพื่อกรองข้อมูลได้แบบนี้:

    # Filter using subset() - 1 condition
subset(jjk_df, Grade == "1st Year")

    ผลลัพธ์:

      ID             Name Age    Grade CursedEnergy      Technique Missions
1  1     Yuji Itadori  15 1st Year           80 Divergent Fist       25
2  2 Megumi Fushiguro  16 1st Year           95    Ten Shadows       30
3  3  Nobara Kugisaki  16 1st Year           70     Straw Doll       20

    เราสามารถเพิ่มเงื่อนไขการกรองได้ด้วย logical operator เช่น:

    # Filter using subset() - multiple conditions
subset(jjk_df, Grade == "1st Year" & Age == 15)

    ผลลัพธ์:

      ID         Name Age    Grade CursedEnergy      Technique Missions
1  1 Yuji Itadori  15 1st Year           80 Divergent Fist       25

    6️⃣ Sorting

    สำหรับการเรียงข้อมูล เราจะใช้ order() ซึ่งเพื่อเรียงข้อมูลได้ 3 แบบ:

    1. Ascending (A–Z)
    2. Descending (Z–A)
    3. Sort by multiple columns: จัดเรียงด้วยหลาย columns

    .

    ⬇️ Ascending

    ยกตัวอย่างเช่น เรียงลำดับตามจำนวนภารกิจ (Missions):

    # Sort ascending (default)
jjk_df[order(jjk_df$Missions), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
4   4      Satoru Gojo  28  Special          999                  Limitless      120

    .

    ⬆️ Descending

    เราสามารถเรียงข้อมูลแบบ descending ได้ 2 วิธี:

    1. ใช้ decreasing
    2. ใช้ -

    วิธีที่ 1. ใช้ decreasing:

    # Sort descending with decreasing
jjk_df[order(jjk_df$Missions, decreasing = TRUE), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
4   4      Satoru Gojo  28  Special          999                  Limitless      120
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20

    วิธีที่ 2. ใช้ -:

    # Sort descending with -
jjk_df[order(-jjk_df$Missions), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
4   4      Satoru Gojo  28  Special          999                  Limitless      120
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20

    .

    ↔️ Sort by Multiple Columns

    เราสามารถจัดเรียงข้อมูลได้มากกว่า 1 column ด้วยการเลือก columns ที่ต้องการจัดเรียงเพิ่ม

    เช่น จัดเรียงด้วย:

    • Grade
    • จำนวนภารกิจ (Missions)
    # Sort by multiple columns
jjk_df[order(jjk_df$Grade, jjk_df$Missions), ]

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
4   4      Satoru Gojo  28  Special          999                  Limitless      120

    7️⃣ Aggregating

    เราสามารถสรุปข้อมูลโดยใช้ statistics functions เช่น:

    FunctionFor
    mean()หาค่าเฉลี่ย
    median()หาค่ามัธยฐาน
    min()หาค่าต่ำสุด
    max()หาค่าสูงสุด
    sd()หาค่า standard deviation

    ยกตัวอย่างเช่น หาค่าเฉลี่ย Cursed Energy (CursedEnergy):

    # Find average Cursed Energy
mean(jjk_df$CursedEnergy)

    ผลลัพธ์:

    [1] 236.4

    8️⃣ Adding Columns

    เราสามารถเพิ่ม columns ใหม่ได้ด้วยแบบนี้:

    df$new_col <- value

    ยกตัวอย่างเช่น เพิ่ม column Ranking:

    # Add a column
jjk_df$Ranking <- ifelse(jjk_df$CursedEnergy > 100, "High", "Low")

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions Ranking
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25     Low
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30     Low
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20     Low
4   4      Satoru Gojo  28  Special          999                  Limitless      120    High
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35     Low
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28     Low
7   7            Panda  18 2nd Year           75               Gorilla Mode       40     Low
8   8     Kento Nanami  27  Special          200            Ratio Technique       90    High
9   9     Yuta Okkotsu  17  Special          300                       Rika       55    High
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80    High

    9️⃣ Removing Columns

    เราสามารถลบ columns ได้ด้วยวิธีเดียวกันกับการเพิ่ม columns:

    df$col <- NULL

    ยกตัวอย่างเช่น ลบ column Ranking:

    # Remove a column
jjk_df$Ranking <- NULL

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
4   4      Satoru Gojo  28  Special          999                  Limitless      120
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80

    🔟 Binding

    เราสามารถเชื่อม data frame ได้ 2 แบบ:

    1. rbind(): เชื่อม row
    2. cbind(): เชื่อม column

    .

    🤝 rbind()

    rbind() ใช้เชื่อม data frame กับ row ใหม่ และต้องการ 2 arguments:

    rbind(df1, df2)
    1. df1 = data frame ที่ 1
    2. df2 = data frame ที่ 2

    ยกตัวอย่างเช่น เพิ่มชื่อตัวละครใหม่ (Hajime Kashimo):

    # Create a new data frame
new_sorcerer <- data.frame(
  ID = 11,
  Name = "Hajime Kashimo",
  Age = 25,
  Grade = "Special",
  CursedEnergy = 500,
  Technique = "Lightning",
  Missions = 60
)

# Bind the data frames by rows
jjk_df <- rbind(jjk_df, new_sorcerer)

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20
4   4      Satoru Gojo  28  Special          999                  Limitless      120
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28
7   7            Panda  18 2nd Year           75               Gorilla Mode       40
8   8     Kento Nanami  27  Special          200            Ratio Technique       90
9   9     Yuta Okkotsu  17  Special          300                       Rika       55
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80
11 11   Hajime Kashimo  25  Special          500                  Lightning       60

    .

    🤲 cbind()

    cbind() ใช้เชื่อม data frame กับ column ใหม่ และต้องการ 2 arguments ได้แก่:

    cbind(df, vector)
    1. df = data frame
    2. vector = vector ที่เก็บข้อมูลของ column ใหม่

    ยกตัวอย่างเช่น เพิ่ม column ที่บอกว่าตัวละครเป็นครูหรือไม่ (IsTeacher):

    # Bind a column
jjk_df <- cbind(
  jjk_df,
  IsTeacher = c(FALSE, FALSE, FALSE, TRUE, FALSE,
                FALSE, FALSE, TRUE, FALSE, TRUE, FALSE)
)

# View the result
jjk_df

    ผลลัพธ์:

       ID             Name Age    Grade CursedEnergy                  Technique Missions IsTeacher
1   1     Yuji Itadori  15 1st Year           80             Divergent Fist       25     FALSE
2   2 Megumi Fushiguro  16 1st Year           95                Ten Shadows       30     FALSE
3   3  Nobara Kugisaki  16 1st Year           70                 Straw Doll       20     FALSE
4   4      Satoru Gojo  28  Special          999                  Limitless      120      TRUE
5   5       Maki Zenin  17 2nd Year           60       Heavenly Restriction       35     FALSE
6   6     Toge Inumaki  17 2nd Year           85              Cursed Speech       28     FALSE
7   7            Panda  18 2nd Year           75               Gorilla Mode       40     FALSE
8   8     Kento Nanami  27  Special          200            Ratio Technique       90      TRUE
9   9     Yuta Okkotsu  17  Special          300                       Rika       55     FALSE
10 10      Suguru Geto  27  Special          400 Cursed Spirit Manipulation       80      TRUE
11 11   Hajime Kashimo  25  Special          500                  Lightning       60     FALSE

    😺 GitHub

    ดูตัวอย่าง code ในบทความนี้ได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • Machine Learning in R: รวบรวม 13 บทความสอนสร้าง Machine Learning ในภาษา R

    Machine Learning in R: รวบรวม 13 บทความสอนสร้าง Machine Learning ในภาษา R

    ภาษา R มี packages จำนวนมาก สำหรับสร้าง machine learning models

    ในบทความนี้ ผมรวบรวม 13 บทความสอนทำ machine learning ซึ่งแบ่งได้เป็น 4 กลุ่ม ดังนี้:

    1. Supervised learning models หรือการ train models แบบมีเฉลย
    2. Tree-based models หรือการสร้าง model ที่ใช้ decision trees
    3. Unsupervised learning models หรือการ train models แบบไม่มีเฉลย
    4. All-in-one packages หรือ packages สำหรับทำ machine learning แบบครบครัน ตั้งแต่การเตรียมข้อมูลไปจนถึงการประเมินประสิทธิภาพ รวมทั้งใช้ model ได้ตามต้องการ

    กลุ่มที่ 1. Supervised learning models (4 บทความ):

    1. KNN
    2. Naïve Bayes
    3. Linear regression
    4. Logistic regression
    5. Generalised linear models

    กลุ่มที่ 2. Tree-based models (3 บทความ):

    1. ภาค 1: Single tree และ random forest 1
    2. ภาค 2: Random forest 2
    3. ภาค 3: Boosted trees

    กลุ่มที่ 3. Unsupervised learning models (3 บทความ):

    1. k-means
    2. Hierarchical clustering analysis (HCA)
    3. Principal component analysis (PCA)

    กลุ่มที่ 4. All-in-one packages (2 บทความ):

    1. caret (เป็น package ที่เก่ากว่า)
    2. tidymodels (เป็น package ที่ใหม่กว่า)
  • dbplyr: แนะนำ package และ 6 ขั้นตอนในการทำงานกับ database ด้วย dplyr syntax ในภาษา R — ตัวอย่างการทำงานกับ Chinook database

    dbplyr: แนะนำ package และ 6 ขั้นตอนในการทำงานกับ database ด้วย dplyr syntax ในภาษา R — ตัวอย่างการทำงานกับ Chinook database

    ในบทความนี้ เราจะไปดูวิธีใช้ dbplyr ซึ่งเป็น package สำหรับทำงานกับ database ในภาษา R และเหมาะกับคนที่ต้องการทำงานโดยใช้ภาษา R เป็นหลักกัน

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    🤔 What Is dbplyr?

    dbplyr เป็น package ในภาษา R สำหรับทำงานกับ database โดยใช้ dplyr syntax แทน SQL เช่น แทนที่เราเขียน:

    SELECT * FROM table

    เราสามารถใช้ dplyr syntax ได้แบบนี้:

    select(table, everything())

    (Note: อ่านวิธีใช้ dplyr ได้ที่นี่)

    🏁 Getting Started

    เราสามารถเริ่มใช้งาน dbplyr ได้โดยติดตั้งและโหลด 4 packages ดังนี้:

    1. DBI: สำหรับเชื่อมต่อกับ database (อ่านวิธีใช้เพิ่มเติมได้ที่นี่)
    2. RSQLite: สำหรับเชื่อมต่อกับ SQLite database (เราจะเปลี่ยน package นี้ตาม database ที่เราใช้ เช่น RPostgres สำหรับ Postgres database)
    3. dplyr: สำหรับ dplyr syntax เช่น select(), filter(), arrange()
    4. dbplyr: สำหรับทำงานกับ database ด้วย dplyr syntax
    # Install packages
install.packages("DBI")
install.packages("RSQLite")
install.packages("dplyr")
install.packages("dbplyr")

# Load packages
library(DBI)
library(RSQLite)
library(dplyr)
library(dbplyr)

    🏃‍♂️‍➡️ Using dbplyr

    เราสามารถใช้ dbplyr เพื่อทำงานกับ database ได้ใน 6 ขั้นตอน:

    1. Connect to the database
    2. Create a lazy tibble
    3. Create a query
    4. Show the query
    5. Get the result

    .

    1️⃣ Connect to the Database

    ในขั้นแรก เราจะเชื่อมต่อกับ local database ด้วย DBI::dbConnect และ RSQLite::SQLite():

    # Connect to database
con <- dbConnect(RSQLite::SQLite(),
                 "chinook.sqlite")

    Note: โหลด “chinook.sqlite” ได้จาก GitHub

    .

    2️⃣ Create a Lazy Tibble

    ในขั้นที่ 2 เราจะสร้าง lazy tibble หรือ object ที่ใช้แทน database table ซึ่งทำได้ใน 2 steps:

    Step 1. ดูรายชื่อ table ทั้งหมด ใน database ด้วย DBI::dbListTables():

    # View all tables
dbListTables(con)

    ผลลัพธ์:

     [1] "Album"         "Artist"        "Customer"      "Employee"     
 [5] "Genre"         "Invoice"       "InvoiceLine"   "MediaType"    
 [9] "Playlist"      "PlaylistTrack" "Track"

    Step 2. สร้าง lazy tibble จากชื่อ table ที่ต้องการ ด้วย dplyr::tbl():

    # Create lazy tibble
tracks <- tbl(con,
              "Track")

# View tibble
tracks

    ผลลัพธ์:

    # Source:   table<`Track`> [?? x 9]
# Database: sqlite 3.50.1 [C:\\My Code\\RStudio\\chinook.sqlite]
   TrackId Name           AlbumId MediaTypeId GenreId Composer Milliseconds  Bytes UnitPrice
     <int> <chr>            <int>       <int>   <int> <chr>           <int>  <int>     <dbl>
 1       1 For Those Abo…       1           1       1 Angus Y…       343719 1.12e7      0.99
 2       2 Balls to the …       2           2       1 NA             342562 5.51e6      0.99
 3       3 Fast As a Sha…       3           2       1 F. Balt…       230619 3.99e6      0.99
 4       4 Restless and …       3           2       1 F. Balt…       252051 4.33e6      0.99
 5       5 Princess of t…       3           2       1 Deaffy …       375418 6.29e6      0.99
 6       6 Put The Finge…       1           1       1 Angus Y…       205662 6.71e6      0.99
 7       7 Let's Get It …       1           1       1 Angus Y…       233926 7.64e6      0.99
 8       8 Inject The Ve…       1           1       1 Angus Y…       210834 6.85e6      0.99
 9       9 Snowballed           1           1       1 Angus Y…       203102 6.60e6      0.99
10      10 Evil Walks           1           1       1 Angus Y…       263497 8.61e6      0.99
# ℹ more rows
# ℹ Use `print(n = ...)` to see more rows

    .

    3️⃣ Create a Query

    ในขั้นที่ 3 เราจะเขียน dplyr syntax เพื่อ query table ที่ต้องการ

    เช่น สรุปข้อมูลจำนวนเพลง ค่าเฉลี่ยความยาวเพลง (Milliseconds) และขนาดเพลง (Bytes) ของแต่ละ album:

    # Create query
album_info <- tracks |>
  
  # Group by album
  group_by(AlbumId) |>
  
  # Summarise
  summarise(
    
    # Number of tracks
    tracks = n(),
    
    # Average duration
    mean_millisec = mean(Milliseconds,
                         na.rm = TRUE),
    
    # Total size
    total_bytes = sum(Bytes)
  ) |>
  
  # Sort by duration
  arrange(desc(mean_millisec))

    ตอนนี้ code ของเราจะยังไม่ถูกส่งไปยัง database เพราะ lazy tibble จะเก็บคำสั่งไว้จนกว่าเราจะมีคำสั่งให้ส่ง

    เราไปดูคำสั่งที่เราสามารถใช้กับ code ที่ยังไม่ถูกส่งไปกัน

    .

    4️⃣ Show the Query

    เราสามารถใช้ dbplyr::show_query() เพื่อดู SQL ที่จะถูกส่งไปยัง database (ซึ่งแปลงมาจาก dplyr syntax ของเรา) ได้:

    # Show query
show_query(album_info)

    ผลลัพธ์:

    <SQL>
SELECT
  `AlbumId`,
  COUNT(*) AS `tracks`,
  AVG(`Milliseconds`) AS `mean_millisec`,
  SUM(`Bytes`) AS `total_bytes`
FROM `Track`
GROUP BY `AlbumId`
ORDER BY `mean_millisec` DESC

    .

    5️⃣ Collect the Result

    เราสามารถส่ง code เพื่อไป query database ได้ด้วย dbplyr::collect():

    # Get result
album_info_tb <- collect(album_info)

# View the result
album_info_tb

    ผลลัพธ์:

    # A tibble: 347 × 4
   AlbumId tracks mean_millisec total_bytes
     <int>  <int>         <dbl>     <int64>
 1     253     24      2925574. 12872621850
 2     227     19      2778265. 10059916535
 3     229     26      2717907  13917603291
 4     231     24      2637068. 12344960921
 5     226      1      2622250    490750393
 6     228     23      2599142. 11781321607
 7     230     25      2594197.  5280909854
 8     254      1      2484567    492670102
 9     261     17      2321673.  7708725642
10     251     25      1532684.  7652731262
# ℹ 337 more rows
# ℹ Use `print(n = ...)` to see more rows

    .

    6️⃣ Disconnect the Database

    สุดท้าย เมื่อเราทำงานเสร็จแล้ว เราจะปิดการเชื่อมต่อกับ database ด้วย DBI::dbDisconnect():

    # Disconnect from database
dbDisconnect(con)

    เป็นการจบ loop การทำงานกับ database ด้วย dbplyr

    💪 Summary

    ในบทความนี้ เราได้ไปทำความรู้จัก 6 ขั้นตอนในการใช้ dbplyr เพื่อทำงานกับ database ในภาษา R กัน:

    1. Connect to the database: DBI::dbConnect() และ RSQLite::SQLite()
    2. Create a lazy tibble: dplyr::tbl()
    3. Create a query: ใช้ dplyr syntax คู่กับ lazy tibble
    4. Show the query: dbplyr::show_query()
    5. Collect the result: dbplyr::collect()
    6. Disconnect the database: DBI::dbDisconnect()

    😺 GitHub

    ดูตัวอย่าง code และ database ในบทความนี้ได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • DBI: แนะนำ 4 ขั้นตอนในการเชื่อมต่อและ query ข้อมูลจาก database โดยใช้ภาษา R — ตัวอย่างการทำงานกับ Chinook database

    DBI: แนะนำ 4 ขั้นตอนในการเชื่อมต่อและ query ข้อมูลจาก database โดยใช้ภาษา R — ตัวอย่างการทำงานกับ Chinook database

    ในบทความนี้ เราจะมาดู 4 ขั้นตอนในการเชื่อมต่อและทำงานกับ database ในภาษา R ด้วย DBI package กัน:

    1. Get started
    2. Explore the database
    3. Query the database
    4. Close the connection

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    💻 Step 1. Get Started

    📦 DBI Package

    DBI (Database Interface) เป็น package สำหรับเชื่อมต่อกับ database ซึ่งทำให้เราทำงานกับ database ในภาษา R ได้โดยตรง

    ในบทความนี้ เรามาลองดูการใช้งาน DBI ผ่านการทำงานกับ Chinook SQLite database กัน (เราสามารถโหลด Chinook เพื่อลองทำตามได้จาก GitHub)

    .

    ⬇️ Install & Connect

    ในขั้นแรกของการใช้งาน เราจะติดตั้งและโหลด DBI พร้อมกับ package สำหรับ database ที่เราจะทำงานด้วย

    อย่างในกรณีนี้ เราจะติดตั้งและโหลด RSQLite package เพราะเราจะทำงานกับ SQLite database

    Note: ถ้าเราทำงานกับ database อื่น เราจะต้องติดตั้งและโหลด package อื่น เช่น:

    • MySQL → RMySQL
    • PostgresSQL → RPostgresSQL
    • Oracle → ROracle

    ติดตั้ง packages:

    # Install
install.packages("DBI")
install.packages("RSQLite")

    โหลด packages:

    # Load
library(DBI)
library(RSQLite)

    หลังติดตั้งและโหลด packages แล้ว เราจะเชื่อมต่อกับ database ด้วย dbConnect() แบบนี้:

    # Connect to database
con <- dbConnect(RSQLite::SQLite(),
                 "chinook.sqlite")

    Note: ในกรณีที่ database ไม่ได้อยู่ใน working directory เราจะต้องใช้ absolute file path แทนชื่อไฟล์ เช่น:

    # Connect to database
con <- dbConnect(RSQLite::SQLite(),
                 "C:/Users/YourUser/Documents/R_Projects/my_data/chinook.sqlite")

    เท่านี้ เราก็พร้อมที่จะทำงานกับ database กันแล้ว

    👀 Step 2. Explore the Database

    เริ่มแรก เราจะสำรวจ database เพื่อทำความเข้าใจโครงสร้างข้อมูลกันก่อน

    เรามี 2 functions ที่ช่วยเราได้ ได้แก่:

    1. dbListTables(): ดูรายชื่อ tables ทั้งหมดใน database
    2. dbGetQuety(): ดู columns ใน table ที่ต้องการ

    .

    1️⃣ dbListTable()

    ตัวอย่าง:

    # List tables in the database
dbListTables(con)

    ผลลัพธ์:

     [1] "Album"         "Artist"        "Customer"      "Employee"     
 [5] "Genre"         "Invoice"       "InvoiceLine"   "MediaType"    
 [9] "Playlist"      "PlaylistTrack" "Track"

    .

    2️⃣ dbGetQuery()

    ตัวอย่าง:

    # List columns in a table
dbGetQuery(con,
           "PRAGMA table_info(Artist)")

    ผลลัพธ์:

      cid     name          type notnull dflt_value pk
1   0 ArtistId       INTEGER       1         NA  1
2   1     Name NVARCHAR(120)       0         NA  0

    ในกรณีที่เราต้องการดู columns ในทุก table เราสามารถใช้ for loop ช่วยได้แบบนี้:

    # Get the table list
tables <- dbListTables(con)

# Get all columns
for (table_name in tables) {
  
  # Print the table name
  message(paste0("\\n👉 Table: ", table_name))
  
  # Get the columns
  column_info <- dbGetQuery(con,
                            paste0("PRAGMA table_info(",
                                   table_name, 
                                   ")"))
  
  # Print the columns
  print(column_info)
}

    ผลลัพธ์:

    👉 Table: Album
  cid     name          type notnull dflt_value pk
1   0  AlbumId       INTEGER       1         NA  1
2   1    Title NVARCHAR(160)       1         NA  0
3   2 ArtistId       INTEGER       1         NA  0
👉 Table: Artist
  cid     name          type notnull dflt_value pk
1   0 ArtistId       INTEGER       1         NA  1
2   1     Name NVARCHAR(120)       0         NA  0
👉 Table: Customer
   cid         name         type notnull dflt_value pk
1    0   CustomerId      INTEGER       1         NA  1
2    1    FirstName NVARCHAR(40)       1         NA  0
3    2     LastName NVARCHAR(20)       1         NA  0
4    3      Company NVARCHAR(80)       0         NA  0
5    4      Address NVARCHAR(70)       0         NA  0
6    5         City NVARCHAR(40)       0         NA  0
7    6        State NVARCHAR(40)       0         NA  0
8    7      Country NVARCHAR(40)       0         NA  0
9    8   PostalCode NVARCHAR(10)       0         NA  0
10   9        Phone NVARCHAR(24)       0         NA  0
11  10          Fax NVARCHAR(24)       0         NA  0
12  11        Email NVARCHAR(60)       1         NA  0
13  12 SupportRepId      INTEGER       0         NA  0
👉 Table: Employee
   cid       name         type notnull dflt_value pk
1    0 EmployeeId      INTEGER       1         NA  1
2    1   LastName NVARCHAR(20)       1         NA  0
3    2  FirstName NVARCHAR(20)       1         NA  0
4    3      Title NVARCHAR(30)       0         NA  0
5    4  ReportsTo      INTEGER       0         NA  0
6    5  BirthDate     DATETIME       0         NA  0
7    6   HireDate     DATETIME       0         NA  0
8    7    Address NVARCHAR(70)       0         NA  0
9    8       City NVARCHAR(40)       0         NA  0
10   9      State NVARCHAR(40)       0         NA  0
11  10    Country NVARCHAR(40)       0         NA  0
12  11 PostalCode NVARCHAR(10)       0         NA  0
13  12      Phone NVARCHAR(24)       0         NA  0
14  13        Fax NVARCHAR(24)       0         NA  0
15  14      Email NVARCHAR(60)       0         NA  0
👉 Table: Genre
  cid    name          type notnull dflt_value pk
1   0 GenreId       INTEGER       1         NA  1
2   1    Name NVARCHAR(120)       0         NA  0
👉 Table: Invoice
  cid              name          type notnull dflt_value pk
1   0         InvoiceId       INTEGER       1         NA  1
2   1        CustomerId       INTEGER       1         NA  0
3   2       InvoiceDate      DATETIME       1         NA  0
4   3    BillingAddress  NVARCHAR(70)       0         NA  0
5   4       BillingCity  NVARCHAR(40)       0         NA  0
6   5      BillingState  NVARCHAR(40)       0         NA  0
7   6    BillingCountry  NVARCHAR(40)       0         NA  0
8   7 BillingPostalCode  NVARCHAR(10)       0         NA  0
9   8             Total NUMERIC(10,2)       1         NA  0
👉 Table: InvoiceLine
  cid          name          type notnull dflt_value pk
1   0 InvoiceLineId       INTEGER       1         NA  1
2   1     InvoiceId       INTEGER       1         NA  0
3   2       TrackId       INTEGER       1         NA  0
4   3     UnitPrice NUMERIC(10,2)       1         NA  0
5   4      Quantity       INTEGER       1         NA  0
👉 Table: MediaType
  cid        name          type notnull dflt_value pk
1   0 MediaTypeId       INTEGER       1         NA  1
2   1        Name NVARCHAR(120)       0         NA  0
👉 Table: Playlist
  cid       name          type notnull dflt_value pk
1   0 PlaylistId       INTEGER       1         NA  1
2   1       Name NVARCHAR(120)       0         NA  0
👉 Table: PlaylistTrack
  cid       name    type notnull dflt_value pk
1   0 PlaylistId INTEGER       1         NA  1
2   1    TrackId INTEGER       1         NA  2
👉 Table: Track
  cid         name          type notnull dflt_value pk
1   0      TrackId       INTEGER       1         NA  1
2   1         Name NVARCHAR(200)       1         NA  0
3   2      AlbumId       INTEGER       0         NA  0
4   3  MediaTypeId       INTEGER       1         NA  0
5   4      GenreId       INTEGER       0         NA  0
6   5     Composer NVARCHAR(220)       0         NA  0
7   6 Milliseconds       INTEGER       1         NA  0
8   7        Bytes       INTEGER       0         NA  0
9   8    UnitPrice NUMERIC(10,2)       1         NA  0

    🔍 Step 3. Query the Database

    หลังสำรวจ database แล้ว เราสามารถ query ข้อมูลได้ด้วย 3 functions ได้แก่:

    1. dbReadTable()
    2. dbGetQuery()
    3. dbSendQuery()

    .

    1️⃣ dbReadTable()

    เราจะใช้ dbReadTable() เมื่อต้องการดึงข้อมูลทั้งหมดมาจาก table ที่ต้องการ

    ตัวอย่างเช่น ดูข้อมูลทั้งหมดใน Genre:

    # Query with dbReadTable()
dbReadTable(con,
            "Genre")

    ผลลัพธ์:

       GenreId               Name
1        1               Rock
2        2               Jazz
3        3              Metal
4        4 Alternative & Punk
5        5      Rock And Roll
6        6              Blues
7        7              Latin
8        8             Reggae
9        9                Pop
10      10         Soundtrack
11      11         Bossa Nova
12      12     Easy Listening
13      13        Heavy Metal
14      14           R&B/Soul
15      15  Electronica/Dance
16      16              World
17      17        Hip Hop/Rap
18      18    Science Fiction
19      19           TV Shows
20      20   Sci Fi & Fantasy
21      21              Drama
22      22             Comedy
23      23        Alternative
24      24          Classical
25      25              Opera

    .

    2️⃣ dbGetQuery()

    ในกรณีที่เราต้องการดูข้อมูลแบบเจาะจง เราจะใช้ dbGetQuery() ซึ่งต้องการ 2 arguments:

    1. Connection ที่เชื่อมต่อกับ database
    2. SQL query ที่กำหนดข้อมูลที่ต้องการจาก database

    ตัวอย่างการใช้งาน #1 – ดึงข้อมูลลูกค้าที่มาจากบราซิล:

    # Query with dbGetQuery() - example 1
dbGetQuery(con,
           "SELECT
              CustomerId,
              FirstName,
              LastName, Email
            FROM
              Customer
            WHERE
              country = 'Brazil';")

    ผลลัพธ์:

      CustomerId FirstName  LastName                         Email
1          1      Luís Gonçalves          luisg@embraer.com.br
2         10   Eduardo   Martins      eduardo@woodstock.com.br
3         11 Alexandre     Rocha              alero@uol.com.br
4         12   Roberto   Almeida roberto.almeida@riotur.gov.br
5         13  Fernanda     Ramos      fernadaramos4@uol.com.br

    ตัวอย่าง #2 – คำนวณยอดขายรวมของแต่ละประเทศ โดยเรียงจากมากไปน้อย:

    # Query with dbGetQuery() - example 2
dbGetQuery(con,
           "SELECT
              BillingCountry,
              SUM(Total) AS TotalSales
            FROM
              Invoice
            GROUP BY
              BillingCountry
            ORDER BY
              TotalSales DESC;")

    ผลลัพธ์:

       BillingCountry TotalSales
1             USA     523.06
2          Canada     303.96
3          France     195.10
4          Brazil     190.10
5         Germany     156.48
6  United Kingdom     112.86
7  Czech Republic      90.24
8        Portugal      77.24
9           India      75.26
10          Chile      46.62
11        Ireland      45.62
12        Hungary      45.62
13        Austria      42.62
14        Finland      41.62
15    Netherlands      40.62
16         Norway      39.62
17         Sweden      38.62
18          Spain      37.62
19         Poland      37.62
20          Italy      37.62
21        Denmark      37.62
22        Belgium      37.62
23      Australia      37.62
24      Argentina      37.62

    ตัวอย่าง #3 – ดึงชื่อเพลงและชื่ออัลบัม 10 อันดับแรก:

    # Query with dbGetQuery() - example 3
dbGetQuery(con,
           "SELECT
              T.Name AS TrackName,
              A.Title AS AlbumTitle
            FROM
              Track AS T
            JOIN
              Album AS A ON T.AlbumID = A.AlbumID
            LIMIT 10;")

    ผลลัพธ์:

                                     TrackName                            AlbumTitle
1  For Those About To Rock (We Salute You) For Those About To Rock We Salute You
2                        Balls to the Wall                     Balls to the Wall
3                          Fast As a Shark                     Restless and Wild
4                        Restless and Wild                     Restless and Wild
5                     Princess of the Dawn                     Restless and Wild
6                    Put The Finger On You For Those About To Rock We Salute You
7                          Let's Get It Up For Those About To Rock We Salute You
8                         Inject The Venom For Those About To Rock We Salute You
9                               Snowballed For Those About To Rock We Salute You
10                              Evil Walks For Those About To Rock We Salute You

    .

    3️⃣ dbSendQuery()

    dbSendQuery() ทำงานเหมือนกับ dbGetQuery() แต่ต่างกันที่ dbGetQuery() จะยังส่งข้อมูลใด ๆ กลับมาจนกว่าเราจะเรียกดูด้วย dbFetch()

    ยกตัวอย่างเช่น ดูข้อมูลลูกค้า 10 รายชื่อแรกเมื่อเรียงตามนามสกุล:

    # Send query
res <- dbSendQuery(con,
                   "SELECT
                      CustomerId,
                      LastName,
                      FirstName,
                      Email
                    FROM
                      Customer
                    ORDER BY
                      LastName
                    LIMIT 10;")

# Fetch results
dbFetch(res)

    ผลลัพธ์:

       CustomerId   LastName FirstName                         Email
1          12    Almeida   Roberto roberto.almeida@riotur.gov.br
2          28    Barnett     Julia           jubarnett@gmail.com
3          39    Bernard   Camille      camille.bernard@yahoo.fr
4          18     Brooks  Michelle             michelleb@aol.com
5          29      Brown    Robert              robbrown@shaw.ca
6          21      Chase     Kathy           kachase@hotmail.com
7          26 Cunningham   Richard      ricunningham@hotmail.com
8          41     Dubois      Marc       marc.dubois@hotmail.com
9          34  Fernandes      João           jfernandes@yahoo.pt
10         30    Francis    Edward           edfrancis@yachoo.ca

    เมื่อเราเรียกดูข้อมูลทั้งหมดแล้ว เราจะไม่สามารถเรียกดูซ้ำได้:

    # Fetch results
dbFetch(res)

    ผลลัพธ์:

    > dbFetch(res)
[1] CustomerId LastName   FirstName  Email     
<0 rows> (or 0-length row.names)

    ทั้งนี้ เราสามารถกำหนดจำนวนข้อมูลที่จะเรียกดูในแต่ละครั้งได้ เช่น:

    # Send query
res <- dbSendQuery(con,
                   "SELECT
                      CustomerId,
                      LastName,
                      FirstName,
                      Email
                    FROM
                      Customer
                    ORDER BY
                      LastName
                    LIMIT 10;")

# Fetch five, twice
dbFetch(res, n = 5)
dbFetch(res, n = 5)
dbFetch(res, n = 5)

    ผลลัพธ์:

    > dbFetch(res, n = 5)
  CustomerId LastName FirstName                         Email
1         12  Almeida   Roberto roberto.almeida@riotur.gov.br
2         28  Barnett     Julia           jubarnett@gmail.com
3         39  Bernard   Camille      camille.bernard@yahoo.fr
4         18   Brooks  Michelle             michelleb@aol.com
5         29    Brown    Robert              robbrown@shaw.ca
> dbFetch(res, n = 5)
  CustomerId   LastName FirstName                    Email
1         21      Chase     Kathy      kachase@hotmail.com
2         26 Cunningham   Richard ricunningham@hotmail.com
3         41     Dubois      Marc  marc.dubois@hotmail.com
4         34  Fernandes      João      jfernandes@yahoo.pt
5         30    Francis    Edward      edfrancis@yachoo.ca
> dbFetch(res, n = 5)
[1] CustomerId LastName   FirstName  Email     
<0 rows> (or 0-length row.names)

    เราสามารถใช้ dbSendQuery() และ dbFetch() เพื่อดูข้อมูลเป็นชุด ๆ แทนที่จะดูข้อมูลทั้งหมดในครั้งเดียวแบบ dbGetQuery()

    Note: ในกรณีที่เราต้องการลบ query ที่เราส่งไป database ด้วย dbSendQuery() ให้เราใช้ dbClearResult():

    # Clear results
dbClearResult(res)

    🤚 Step 4. Close the Connection

    สุดท้าย เมื่อเราทำงานกับ database เสร็จแล้ว เราต้องสิ้นสุดการเชื่อมต่อกับ database ด้วย dbDisconnect():

    # Close the connection
dbDisconnect(con)

    เป็นอันจบการทำงานกับ database ด้วย DBI

    💪 Summary

    ในบทความนี้ เราได้ไปดูวิธีการใช้งาน DBI เพื่อทำงานกับ database กัน:

    เชื่อมต่อ database:

    • dbConnect()

    สำรวจ database:

    • dbListTables()
    • dbGetQuery()

    Query ข้อมูล:

    • dbReadTable()
    • dbGetQuery()
    • dbSendQuery(), dbFetch(), และ dbClearResult()

    ปิดการเชื่อมต่อ:

    • dbDisconnect()

    😺 GitHub

    ดู code และ database ในบทความนี้ได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • sqldf(): แนะนำ function ในการทำงานกับ data frame ด้วย SQL ในภาษา R — ตัวอย่างจาก Cars93

    sqldf(): แนะนำ function ในการทำงานกับ data frame ด้วย SQL ในภาษา R — ตัวอย่างจาก Cars93

    ในบทความนี้ เราจะมาดูวิธีใช้ sqldf() ซึ่งเป็น function ที่ช่วยให้เราทำงานกับ data frame ในภาษา R ได้ด้วย SQL syntax และเหมาะกับคนที่คุ้นเคยกับการใช้ SQL ในการทำงานกัน

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    🏁 Getting Started: Install & Load sqldf

    ก่อนเริ่มใช้ sqldf() เราจะต้องติดตั้งและโหลด sqldf ซึ่งเป็น package ต้นทางของ sdldf() ด้วย install.packages() และ library() ตามลำดับ:

    # Install sqldf
install.packages("sqldf")

# Load sqldf
library(sqldf)

    Note:

    • เราใช้ install.packages() เพื่อติดตั้งแค่ครั้งเดียว
    • เราใช้ library() เพื่อโหลด sqldf ทุกครั้งที่เริ่ม session ใหม่

    🏃‍♂️‍➡️ Using sqldf

    sqldf() ต้องการ 1 argument คือ character ที่มี SQL query เช่น:

    sqldf("SELECT * FROM df")

    เราลองมาดูตัวอย่างการใช้ sqldf() กับ Cars93 dataset (จาก MASS package) ซึ่งมีข้อมูลรถ 93 คันที่ขายในปี ค.ศ. 1993:

    # Install MASS
install.packages("MASS")

# Load MASS
library(MASS)

# Load the dataset
data(Cars93)

# View the dataset structure
str(Cars93)

    ผลลัพธ์:

    'data.frame':	93 obs. of  27 variables:
 $ Manufacturer      : Factor w/ 32 levels "Acura","Audi",..: 1 1 2 2 3 4 4 4 4 5 ...
 $ Model             : Factor w/ 93 levels "100","190E","240",..: 49 56 9 1 6 24 54 74 73 35 ...
 $ Type              : Factor w/ 6 levels "Compact","Large",..: 4 3 1 3 3 3 2 2 3 2 ...
 $ Min.Price         : num  12.9 29.2 25.9 30.8 23.7 14.2 19.9 22.6 26.3 33 ...
 $ Price             : num  15.9 33.9 29.1 37.7 30 15.7 20.8 23.7 26.3 34.7 ...
 $ Max.Price         : num  18.8 38.7 32.3 44.6 36.2 17.3 21.7 24.9 26.3 36.3 ...
 $ MPG.city          : int  25 18 20 19 22 22 19 16 19 16 ...
 $ MPG.highway       : int  31 25 26 26 30 31 28 25 27 25 ...
 $ AirBags           : Factor w/ 3 levels "Driver & Passenger",..: 3 1 2 1 2 2 2 2 2 2 ...
 $ DriveTrain        : Factor w/ 3 levels "4WD","Front",..: 2 2 2 2 3 2 2 3 2 2 ...
 $ Cylinders         : Factor w/ 6 levels "3","4","5","6",..: 2 4 4 4 2 2 4 4 4 5 ...
 $ EngineSize        : num  1.8 3.2 2.8 2.8 3.5 2.2 3.8 5.7 3.8 4.9 ...
 $ Horsepower        : int  140 200 172 172 208 110 170 180 170 200 ...
 $ RPM               : int  6300 5500 5500 5500 5700 5200 4800 4000 4800 4100 ...
 $ Rev.per.mile      : int  2890 2335 2280 2535 2545 2565 1570 1320 1690 1510 ...
 $ Man.trans.avail   : Factor w/ 2 levels "No","Yes": 2 2 2 2 2 1 1 1 1 1 ...
 $ Fuel.tank.capacity: num  13.2 18 16.9 21.1 21.1 16.4 18 23 18.8 18 ...
 $ Passengers        : int  5 5 5 6 4 6 6 6 5 6 ...
 $ Length            : int  177 195 180 193 186 189 200 216 198 206 ...
 $ Wheelbase         : int  102 115 102 106 109 105 111 116 108 114 ...
 $ Width             : int  68 71 67 70 69 69 74 78 73 73 ...
 $ Turn.circle       : int  37 38 37 37 39 41 42 45 41 43 ...
 $ Rear.seat.room    : num  26.5 30 28 31 27 28 30.5 30.5 26.5 35 ...
 $ Luggage.room      : int  11 15 14 17 13 16 17 21 14 18 ...
 $ Weight            : int  2705 3560 3375 3405 3640 2880 3470 4105 3495 3620 ...
 $ Origin            : Factor w/ 2 levels "USA","non-USA": 2 2 2 2 2 1 1 1 1 1 ...
 $ Make              : Factor w/ 93 levels "Acura Integra",..: 1 2 4 3 5 6 7 9 8 10 ...

    .

    1️⃣ Example 1. SELECT

    เลือกข้อมูลจาก columns Manufacturer, Model, Min.Price, และ Max.Price:

    # Set query
select_query <- "
SELECT
  Manufacturer,
  Model,
  `Min.Price`,
  `Max.Price`
FROM
  Cars93
"

# Select from df
select_result <- sqldf(select_query)

# View the result
select_result

    Note: เราใช้ backticks (`) สำหรับชื่อ columns ที่ไม่ valid ใน SQL (เช่น column ที่มี . อย่าง Min.Price และ Max.Price)

    ผลลัพธ์:

        Manufacturer          Model Min.Price Max.Price
1          Acura        Integra      12.9      18.8
2          Acura         Legend      29.2      38.7
3           Audi             90      25.9      32.3
4           Audi            100      30.8      44.6
5            BMW           535i      23.7      36.2
6          Buick        Century      14.2      17.3
7          Buick        LeSabre      19.9      21.7
8          Buick     Roadmaster      22.6      24.9
9          Buick        Riviera      26.3      26.3
10      Cadillac        DeVille      33.0      36.3
11      Cadillac        Seville      37.5      42.7
12     Chevrolet       Cavalier       8.5      18.3
13     Chevrolet        Corsica      11.4      11.4
14     Chevrolet         Camaro      13.4      16.8
15     Chevrolet         Lumina      13.4      18.4
16     Chevrolet     Lumina_APV      14.7      18.0
17     Chevrolet          Astro      14.7      18.6
18     Chevrolet        Caprice      18.0      19.6
19     Chevrolet       Corvette      34.6      41.5
20      Chrylser       Concorde      18.4      18.4
21      Chrysler        LeBaron      14.5      17.1
22      Chrysler       Imperial      29.5      29.5
23         Dodge           Colt       7.9      10.6
24         Dodge         Shadow       8.4      14.2
25         Dodge         Spirit      11.9      14.7
26         Dodge        Caravan      13.6      24.4
27         Dodge        Dynasty      14.8      16.4
28         Dodge        Stealth      18.5      33.1
29         Eagle         Summit       7.9      16.5
30         Eagle         Vision      17.5      21.2
31          Ford        Festiva       6.9       7.9
32          Ford         Escort       8.4      11.9
33          Ford          Tempo      10.4      12.2
34          Ford        Mustang      10.8      21.0
35          Ford          Probe      12.8      15.2
36          Ford       Aerostar      14.5      25.3
37          Ford         Taurus      15.6      24.8
38          Ford Crown_Victoria      20.1      21.7
39           Geo          Metro       6.7      10.0
40           Geo          Storm      11.5      13.5
41         Honda        Prelude      17.0      22.7
42         Honda          Civic       8.4      15.8
43         Honda         Accord      13.8      21.2
44       Hyundai          Excel       6.8       9.2
45       Hyundai        Elantra       9.0      11.0
46       Hyundai         Scoupe       9.1      11.0
47       Hyundai         Sonata      12.4      15.3
48      Infiniti            Q45      45.4      50.4
49         Lexus          ES300      27.5      28.4
50         Lexus          SC300      34.7      35.6
51       Lincoln    Continental      33.3      35.3
52       Lincoln       Town_Car      34.4      37.8
53         Mazda            323       7.4       9.1
54         Mazda        Protege      10.9      12.3
55         Mazda            626      14.3      18.7
56         Mazda            MPV      16.6      21.7
57         Mazda           RX-7      32.5      32.5
58 Mercedes-Benz           190E      29.0      34.9
59 Mercedes-Benz           300E      43.8      80.0
60       Mercury          Capri      13.3      15.0
61       Mercury         Cougar      14.9      14.9
62    Mitsubishi         Mirage       7.7      12.9
63    Mitsubishi       Diamante      22.4      29.9
64        Nissan         Sentra       8.7      14.9
65        Nissan         Altima      13.0      18.3
66        Nissan          Quest      16.7      21.5
67        Nissan         Maxima      21.0      22.0
68    Oldsmobile        Achieva      13.0      14.0
69    Oldsmobile  Cutlass_Ciera      14.2      18.4
70    Oldsmobile     Silhouette      19.5      19.5
71    Oldsmobile   Eighty-Eight      19.5      21.9
72      Plymouth          Laser      11.4      17.4
73       Pontiac         LeMans       8.2       9.9
74       Pontiac        Sunbird       9.4      12.8
75       Pontiac       Firebird      14.0      21.4
76       Pontiac     Grand_Prix      15.4      21.6
77       Pontiac     Bonneville      19.4      29.4
78          Saab            900      20.3      37.1
79        Saturn             SL       9.2      12.9
80        Subaru          Justy       7.3       9.5
81        Subaru         Loyale      10.5      11.3
82        Subaru         Legacy      16.3      22.7
83        Suzuki          Swift       7.3      10.0
84        Toyota         Tercel       7.8      11.8
85        Toyota         Celica      14.2      22.6
86        Toyota          Camry      15.2      21.2
87        Toyota         Previa      18.9      26.6
88    Volkswagen            Fox       8.7       9.5
89    Volkswagen        Eurovan      16.6      22.7
90    Volkswagen         Passat      17.6      22.4
91    Volkswagen        Corrado      22.9      23.7
92         Volvo            240      21.8      23.5
93         Volvo            850      24.8      28.5

    .

    2️⃣ Example 2. WHERE

    คัดกรองข้อมูลรถที่ชื่อผู้ผลิตขึ้นต้นด้วย “M”:

    # Set query
where_result <- "
SELECT
  Manufacturer,
  Model,
  `Min.Price`,
  `Max.Price`
FROM
  Cars93
WHERE
  Manufacturer LIKE 'M%'
"

# Filter df
where_result <- sqldf(where_result)

# View the result
where_result

    ผลลัพธ์:

        Manufacturer    Model Min.Price Max.Price
1          Mazda      323       7.4       9.1
2          Mazda  Protege      10.9      12.3
3          Mazda      626      14.3      18.7
4          Mazda      MPV      16.6      21.7
5          Mazda     RX-7      32.5      32.5
6  Mercedes-Benz     190E      29.0      34.9
7  Mercedes-Benz     300E      43.8      80.0
8        Mercury    Capri      13.3      15.0
9        Mercury   Cougar      14.9      14.9
10    Mitsubishi   Mirage       7.7      12.9
11    Mitsubishi Diamante      22.4      29.9

    .

    3️⃣ Example 3. Aggregate

    หารถ 10 อันดับแรกที่มีราคาสูงสุด:

    # Set query
aggregate_query <- "
SELECT
  Manufacturer,
  AVG(Price) AS Avg_Price
FROM
  Cars93
GROUP BY
  Manufacturer
ORDER BY
  Avg_Price DESC
LIMIT
  10;
"

# Aggregate df
aggregate_result <- sqldf(aggregate_query)

# View the result
aggregate_result

    ผลลัพธ์:

        Manufacturer Avg_Price
1       Infiniti      47.9
2  Mercedes-Benz      46.9
3       Cadillac      37.4
4        Lincoln      35.2
5           Audi      33.4
6          Lexus      31.6
7            BMW      30.0
8           Saab      28.7
9          Acura      24.9
10         Volvo      24.7

    😺 GitHub

    ดูตัวอย่าง code ทั้งหมดได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists
  • readxl และ XLConnect: วิธีใช้ 2 packages สำหรับทำงานกับ Excel ในภาษา R — ตัวอย่างการทำงานกับ Daily Household Transactions

    readxl และ XLConnect: วิธีใช้ 2 packages สำหรับทำงานกับ Excel ในภาษา R — ตัวอย่างการทำงานกับ Daily Household Transactions

    Excel เป็นเครื่องมือทำงานยอดนิยมในการทำงาน ซึ่งทำให้ในหลาย ๆ ครั้ง ข้อมูลที่เราต้องการถูกเก็บอยู่ในไฟล์ Excel (เช่น .xls และ .xlsx)

    ในบทความนี้ เราจะมาทำความรู้จักกับ readxl และ XLConnect ซึ่งเป็น packages สำหรับทำงานกับ Excel ในภาษา R กัน

    เราจะดูการใช้งานผ่านตัวอย่างการทำงานกับ Daily Transactions Dataset จาก Kaggle ที่ถูกเก็บในไฟล์ XLSX (”Daily Household Transactions.xlsx”):

    ข้อมูลใน ”Daily Household Transactions.xlsx”

    ถ้าพร้อมแล้ว ไปเริ่มกันเลย

    1️⃣ Package 1. readxl

    readxl เป็น package สำหรับโหลดข้อมูลจาก Excel และมี function ที่เราจะเรียกใช้งานได้ คือ read_excel() ซึ่งต้องการ 2 arguments:

    1. path: ชื่อไฟล์ หรือ file path
    2. sheet: ชื่อหรือลำดับของ sheet ที่เก็บข้อมูลที่เราต้องการ

    ในการเริ่มต้นใช้งาน readxl เราจะติดตั้งและโหลด package:

    # Install readxl
install.packages("readxl")

# Load readxl
library(readxl)

    จากนั้น เรียกใช้ read_excel() เพื่อโหลดข้อมูล:

    # Import Excel data with read_excel()
all_transactions <- read_excel("Daily Household Transactions.xlsx",
                               sheet = 1)

# View the first few rows
head(all_transactions)

    ผลลัพธ์:

    # A tibble: 6 × 8
  Date                Mode              Category Subcategory Note  Amount `Income/Expense` Currency
  <dttm>              <chr>             <chr>    <chr>       <chr>  <dbl> <chr>            <chr>   
1 2018-09-20 12:04:08 Cash              Transpo… Train       2 Pl…     30 Expense          INR     
2 2018-09-20 12:03:15 Cash              Food     snacks      Idli…     60 Expense          INR     
3 2018-09-19 00:00:00 Saving Bank acco… subscri… Netflix     1 mo…    199 Expense          INR     
4 2018-09-17 23:41:17 Saving Bank acco… subscri… Mobile Ser… Data…     19 Expense          INR     
5 2018-09-16 17:15:08 Cash              Festiva… Ganesh Puj… Gane…    251 Expense          INR     
6 2018-09-15 06:34:17 Credit Card       subscri… Tata Sky    Perm…    200 Expense          INR

    Note: read_excel() มี parametres อื่น ๆ ที่เราสามารถตั้งค่าได้ เช่น:

    • range: ช่วงข้อมูลที่เราต้องการโหลด
    • col_names: ชื่อ columns
    • col_types: ประเภทข้อมูลในแต่ละ column
    • skip: จำนวน rows ที่เราจะข้ามในการโหลดข้อมูล เช่น เรากำหนด skip = 5, read_excel() จะโหลดข้อมูลตั้งแต่ row ที่ 6 เป็นต้นไป

    ดูคู่มือการใช้งาน read_excel() ทั้งหมดได้ที่ read_excel: Read xls and xlsx files.

    2️⃣ Package 2. XLConnect

    XLConnect เป็น package ที่ช่วยให้เราทำงานกับไฟล์ Excel จาก R ได้โดยตรง

    การใช้งาน XLConnect แบ่งได้เป็น 5 กรณี ดังนี้:

    1. โหลดและสำรวจ workbook
    2. โหลดข้อมูลจาก sheet
    3. จัดการ sheet
    4. เพิ่มข้อมูลใน sheet
    5. บันทึก workbook

    เราไปดูการใช้งานในแต่ละกรณีกัน

    .

    📔 กรณีที่ 1. โหลดและสำรวจ Workbook

    ในการเริ่มใช้งาน XLConnect เราจะต้องติดตั้งและโหลด package ก่อน:

    # Install
install.packages("XLConnect")

# Load
library(XLConnect)

    จากนั้น เราสามารถโหลด Excel เราเข้ามาใน R ได้ด้วย loadWorkbook():

    # Load the workbook
workbook <- loadWorkbook("Daily Household Transactions.xlsx")

    และดู sheet ทั้งหมดใน workbook ด้วย getSheets():

    # List sheets
getSheets(workbook)

    ผลลัพธ์:

    [1] "All Transactions"

    ในตัวอย่าง จะเห็นว่า Excel ของเรามี 1 sheet ได้แก่ “All Transactions”

    .

    ⬇️ กรณีที่ 2. โหลดข้อมูลจาก sheet

    เมื่อเห็นโครงสร้างของไฟล์ Excel แล้ว เราสามารถโหลดข้อมูลจาก sheet ที่ต้องการได้ด้วย readWorksheet():

    # Get sheet data
sheet1_data <- readWorksheet(workbook,
                             sheet = "All Transactions")

# Print data
head(sheet1_data)

    ผลลัพธ์:

                     Date                  Mode       Category             Subcategory                                     Note Amount Income.Expense Currency
1 2018-09-20 12:04:08                  Cash Transportation                   Train                     2 Place 5 to Place 0     30        Expense      INR
2 2018-09-20 12:03:15                  Cash           Food                  snacks              Idli medu Vada mix 2 plates     60        Expense      INR
3 2018-09-19 00:00:00 Saving Bank account 1   subscription                 Netflix                     1 month subscription    199        Expense      INR
4 2018-09-17 23:41:17 Saving Bank account 1   subscription Mobile Service Provider                        Data booster pack     19        Expense      INR
5 2018-09-16 17:15:08                  Cash      Festivals            Ganesh Pujan                              Ganesh idol    251        Expense      INR
6 2018-09-15 06:34:17           Credit Card   subscription                Tata Sky Permanent Residence - Tata Play recharge    200        Expense      INR

    .

    🖐️ กรณีที่ 3. จัดการ Sheet

    ในการจัดการ sheet เราสามารถทำได้ 3 อย่าง:

    1. สร้าง sheet ใหม่: createSheet()
    2. เปลี่ยนชื่อ sheet: renameSheet()
    3. ลบ sheet: removeSheet()

    ยกตัวอย่างการสร้าง sheet ใหม่:

    # Create new sheets
createSheet(workbook,
            name = "New")

# List sheets
getSheets(workbook)

    ผลลัพธ์:

    [1] "All Transactions" "New"

    เปลี่ยนชื่อ sheet:

    # Rename the new sheet
renameSheet(workbook,
            sheet = "New",
            newName = "Some Transactions")

# List sheets
getSheets(workbook)

    ผลลัพธ์:

    [1] "All Transactions"  "Some Transactions"

    และลบ sheet ทิ้ง:

    # Delete the new sheet
removeSheet(workbook,
            sheet = "Some Transactions")

# List sheets
getSheets(workbook)

    ผลลัพธ์:

    [1] "All Transactions"

    .

    ➕ กรณีที่ 4. เพิ่มข้อมูลใน Sheet

    เราสามารถใส่ข้อมูลลงใน sheet ได้ด้วย writeWorksheet()

    ยกตัวอย่างเช่น เราต้องการเพิ่มข้อมูลสรุปค่าใช้จ่ายตามประเภทการใช้จ่าย

    เราจะเริ่มจากสรุปค่าใช้จ่ายตามประเภทโดยใช้ dplyr package:

    # Load dplyr
library(dplyr)

# Calculate expense by category
expense_by_cat <- sheet1_data |>
  
  # Filter for expense
  filter(Income.Expense == "Expense") |>
  
  # Group by category
  group_by(Category) |>
  
  # Calculate sum amount
  summarise(Sum = sum(Amount)) |>
    
  # Ungroup
  ungroup() |>
  
  # Sort by category
  arrange(desc(Sum))

# View the results
expense_by_cat

    (Note: อ่านเกี่ยวกับการใช้ dplyr ได้ที่นี่)

    ผลลัพธ์:

    # A tibble: 27 × 2
   Category                  Sum
   <chr>                   <dbl>
 1 Money transfer        606529.
 2 Investment            271858 
 3 Transportation        169054.
 4 Household             161646.
 5 subscription          114588.
 6 Food                   96403.
 7 Public Provident Fund  90000 
 8 Other                  87025.
 9 Family                 78582.
10 Health                 66253.
# ℹ 17 more rows
# ℹ Use `print(n = ...)` to see more rows

    จากนั้น สร้าง sheet ใหม่เพื่อเก็บข้อมูลที่เราได้มา:

    # Create a new sheet
createSheet(workbook,
            name = "Expense by Category")

# Add data to "Expense by Catogory" sheet
writeWorksheet(workbook,
               data = expense_by_cat,
               sheet = "Expense by Category")

    เมื่อเราเรียกดูข้อมูลจาก “Expense by Catogory” เราจะเห็นข้อมูลแบบนี้:

    # Read the sheet
readWorksheet(workbook,
              sheet = "Expense by Category")

    ผลลัพธ์:

                    Category       Sum
1         Money transfer 606528.90
2             Investment 271858.00
3         Transportation 169053.78
4              Household 161645.58
5           subscription 114587.91
6                   Food  96403.10
7  Public Provident Fund  90000.00
8                  Other  87025.28
9                 Family  78582.20
10                Health  66252.75
11               Tourism  63608.85
12                  Gift  40168.00
13               Apparel  25373.82
14     Recurring Deposit  22000.00
15                  maid  21839.00
16                  Cook  12443.00
17                  Rent  10709.00
18             Festivals   6911.00
19               Culture   4304.36
20                Beauty   4189.00
21      Self-development   2357.00
22             Education    537.00
23              Grooming    400.00
24           Social Life    298.00
25   water (jar /tanker)    148.00
26             Documents    100.00
27      garbage disposal     67.00

    .

    💾 กรณีที่ 5. บันทึก Workbook

    จนถึงจุดนี้ สิ่งที่เราแก้ไขไปจะยังไม่ถูกบันทึกลงในไฟล์ Excel ของเรา

    เราต้องใช้ saveWorkbook() เพื่อบันทึกการเปลี่ยนแปลงทั้งหมดได้

    อย่างในตัวอย่าง เราจะบันทึกการเปลี่ยนแปลงทั้งหมดไปที่ workbook ใหม่ชื่อ “Daily Household Transactions (Updated).xlsx”:

    # Save the file
saveWorkbook(workbook,
             file = "Daily Household Transactions (Updated).xlsx")

    เมื่อเราเปิด working directory ดู เราจะเห็น Excel 2 ไฟล์:

    1. ไฟล์ต้นฉบับ
    2. ไฟล์ที่เราสร้างใหม่
    Workbook ต้นฉบับ (ซ้าย) และ workbook ที่เราสร้างใหม่ (ขวา)

    💪 Summary

    ในบทความนี้ เราได้เรียนรู้วิธีการทำงานกับ Excel ในภาษา R ผ่าน 2 packages ได้แก่:

    Package 1. readxl:

    FunctionFor
    read_excel()โหลดข้อมูลจาก Excel

    Package 2. XLConnect:

    FunctionFor
    loadWorkbook()โหลด workbook
    getSheets()ดู sheets ใน workbook
    readWorksheet()โหลดข้อมูลจาก sheet
    createSheet()สร้าง sheet
    renameSheet()เปลี่ยนชื่อ sheet
    removeSheet()ลบ sheet
    writeWorksheet()เพิ่มข้อมูลใน sheet
    saveWorkbook()บันทึก workbook

    😺 GitHub

    ดู code และ Excel ตัวอย่างได้ที่ GitHub

    📃 References

    ✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

    📕 ขอฝากหนังสือเล่มแรกในชีวิตด้วยนะครับ 😆

    🙋 ใครที่กำลังเรียนจิตวิทยาหรือทำงานสายจิตวิทยา และเบื่อที่ต้องใช้ software ราคาแพงอย่าง SPSS และ Excel เพื่อทำข้อมูล

    💪 ผมขอแนะนำ R Book for Psychologists หนังสือสอนใช้ภาษา R เพื่อการวิเคราะห์ข้อมูลทางจิตวิทยา ที่เขียนมาเพื่อนักจิตวิทยาที่ไม่เคยมีประสบการณ์เขียน code มาก่อน

    ในหนังสือ เราจะปูพื้นฐานภาษา R และพาไปดูวิธีวิเคราะห์สถิติที่ใช้บ่อยกัน เช่น:

    • Correlation
    • t-tests
    • ANOVA
    • Reliability
    • Factor analysis

    🚀 เมื่ออ่านและทำตามตัวอย่างใน R Book for Psychologists ทุกคนจะไม่ต้องพึง SPSS และ Excel ในการทำงานอีกต่อไป และสามารถวิเคราะห์ข้อมูลด้วยตัวเองได้ด้วยความมั่นใจ

    แล้วทุกคนจะแปลกใจว่า ทำไมภาษา R ง่ายขนาดนี้ 🙂‍↕️

    👉 สนใจดูรายละเอียดหนังสือได้ที่ meb:

    ดูรายละเอียดหนังสือ R Book for Psychologists