Tag: Python

Intro to Python: ทำความรู้จักกับภาษา Python และวิธีใช้งานเบื้องต้น สำหรับผู้เริ่มต้น พร้อมตัวอย่าง

ในบทความนี้ เราจะไปทำความรู้จักกับภาษา Python กัน:

Python คืออะไร?
วิธีเขียน Python เบื้องต้น
Data types ใน Python
การทำงานกับ data types ใน Python

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

🐍 Python คืออะไร?

Python เป็น high-level programming language ที่พัฒนาโดย programmer ชาวดัชต์ Guido van Rossum ในช่วง ปี ค.ศ. 1980-1990 เพื่อทำให้การเขียน programme เป็นเรื่องง่าย

van Rossum เรียกภาษาที่คิดขึ้นมาว่า Python ตามชื่อกลุ่มนักแสดงตลกจากประเทศอังกฤษ Monty Python หรือ The Pythons เพราะคำว่า Python สั้น จำง่าย และดูลึกลับ (ไม่มีความเกี่ยวข้องกับชนิดงู Python แต่อย่างใด)

เนื่องจาก Python เป็น high-level language หรือมีความใกล้เคียงกับภาษามนุษย์ (มากกว่าภาษาคอมพิวเตอร์) จึงเป็นภาษาที่ใช้งานและทำความเข้าใจง่าย และเป็นที่นิยมของนักพัฒนาทั่วโลก

ในปัจจุบัน (2025) Python ครองอันดับในฐานะ programming language ที่เป็นที่นิยมมากที่สุด (อ้างอิง TIOBE):

นอกจากใช้งานง่ายแล้ว Python ยังมีข้อดีอื่น ๆ อีก ได้แก่:

เป็น open source
มี libraries รองรับการใช้งานที่มากมายและหลากหลาย
แก้ bug ได้ง่าย
ใช้ได้กับหลายระบบปฏิบัติการ ทั้ง Windows, macOS, และ Linux

การใช้งาน Python มีตั้งแต่:

เขียน programme
เขียน web application
ทำ web scraping
ทำ data analysis
พัฒนา AI และ machine learning

🏁 Getting Started With Python

สำหรับการเริ่มใช้งาน Python เราสามารถติดตั้ง Python บนคอมพิวเตอร์ของเรา โดยดาวน์โหลด Python จาก https://www.python.org/downloads/:

หรือใช้งานผ่าน online services ฟรี เช่น:

Note: บทความนี้มีตัวอย่าง code ใน Google Colab สามารถกดเข้าไปดูได้

👶 Baby Steps

หลังจากเตรียมตัวให้พร้อมแล้ว เรามาดูวิธีเขียน Python เบื้องต้นกัน

🔢 (1) Basic Arithmetic

สำหรับก้าวแรกในการเขียน Python เรามาเริ่มจากการคิดเลขง่าย ๆ กัน เช่น:

บวก:

# Addition
3 + 4

ลบ:

# Subtraction
10 - 7

คูณ:

# Multiplication
2 * 2

หาร:

# Division
9 / 3

เราจะเห็นได้ว่า Python สามารถคิดเลขให้ได้อย่างรวดเร็ว:

📦 (2) Variables

ในการทำงานกับ Python เราสามารถสร้าง variable เพื่อช่วยเก็บข้อมูลได้ (แทนที่การเขียน code เรียกใช้ข้อมูลเองทุกครั้ง)

เช่น เราสามารถเก็บเงินค่าขนม:

# Create allowance variable
allowance = 100

และค่าใช้จ่าย:

# Create expense variable
expense = 40

แล้วเรียกใช้งานทั้งสองค่า เช่น ดูว่าเดือนนี้เราเหลือเงินเท่าไร:

# Calculate remaining balance
allowance - expense

ผลลัพธ์:

เราสามารถ update ค่าใน variable ได้ เช่น update expense จาก 40 เป็น 70:

# Update expense
expense = 70

ถ้าเราคำนวณเงินคงเหลือ:

# Calculate remaining balance
allowance - expense

เราจะได้ค่าที่ต่างไปจากเดิม:

สุดท้าย เราสามารถเก็บผลลัพธ์ที่ได้ ไว้ใน variable ตัวใหม่ เพื่อเรียกใช้งานในภายหลังได้:

# Store remaining balance in a variable
remain = allowance - expense

# Check remaining balance
remain

ผลลัพธ์:

Note: เราสามารถลบ variable ได้ด้วย del() เช่น del(remain) จะลบ remain จาก Python

🍞 Data Types

ตอนนี้ เรารู้วิธีการทำงานกับ Python เบื้องต้นแล้ว

เรามาทำความรู้จักกับ data type หรือประเภทข้อมูล ซึ่งเป็นตัวกำหนด action ที่เราสามารถกระทำใช้กับข้อมูลได้

โดย Python มี 6 data types ที่เราใช้บ่อย ได้แก่:

No.	Type	Meaning	Example
1	Integre	เลขจำนวนเต็ม	`11`
2	Float	เลขทศนิยม	`3.78104`
3	String	ข้อความ	`"Python"`
4	Boolean	จริง/ไม่จริง	`True`
5	List	เก็บข้อมูลได้หลายประเภท	`[”John”, 34, True]`
6	Dictionary	เก็บ key-value pair	`{"name": "John", "age": 34, "is_male": True}`

เราไปดูกันว่า แต่ละ data type สามารถทำอะไรได้บ้าง

👉 Integre & Float

1️⃣ Arithmetic

จากที่ได้เห็นก่อนหน้านี้ เราสามารถใช้ integre และ float ในการคำนวณเลขได้ เช่น:

3 * 7

และ

7.3915 - 3.2914

2️⃣ Type Casting

ทั้งนี้ เราสามารถเปลี่ยนข้อมูลบางประเภท ให้เป็น integre และ float ได้ดังนี้

เปลี่ยนให้เป็น integre:

# Convert to integre
int(100.50)

ผลลัพธ์:

เปลี่ยนให้เป็น float:

# Convert to float
float("100")

ผลลัพธ์:

100.0

👉 String

1️⃣ Markers of String

String ใน Python จะอยู่ใน "" หรือ '' เสมอ เช่น

# Single-line string
"John"

หรือ

# Single-line string
'John'

ถ้าเรามีข้อความหลายบรรทัด ให้ใช้ """ หรือ ''':

# Multiple-line string
"""
My name is Wick.
John Wick.
I'm looking for my dog.
"""

หรือ

# Multiple-line string
'''
My name is Wick.
John Wick.
I'm looking for my dog.
'''

2️⃣ Type Casting

เราสามารถเปลี่ยนข้อมูลต่าง ๆ ให้เป็น string ได้โดยใช้ str() เช่น:

str(100)

ผลลัพธ์:

'100'

สังเกตว่า ตอนนี้ 100 อยู่ใน '' แสดงว่า 100 เป็น string และไม่ใช่ integre แล้ว

ถ้าเราเอา 100 นี้ไปคิดเลข ระบบจะส่ง error กลับมา เพราะเราไม่สามารถคำนวณเลขด้วย string ได้:

TypeError                                 Traceback (most recent call last)
<ipython-input-49-efc4e6e83db0> in <cell line: 0>()
      1 # String cannot be used in arithmetic operation
----> 2 str(100) + 100

TypeError: can only concatenate str (not "int") to str

3️⃣ Concatenate

แม้ว่าเราจะไม่สามารถบวกลบ string ได้ แต่เราสามารถใช้ + เพื่อรวม string เข้าด้วยกันได้ เช่น:

"I have " + str(100) + " THB."

ผลลัพธ์:

'I have 100 THB.'

4️⃣ String Methods

นอกจากการรวม string แล้ว เรายังมีอย่างอื่นที่ใช้กับ string ได้อีก เช่น:

No.	Method	Explain
1	`upper()`	เปลี่ยนให้เป็นพิมพ์ใหญ่ทั้งหมด
2	`lower()`	เปลี่ยนให้เป็นพิมพ์เล็กทั้งหมด
3	`capitalize()`	เปลี่ยนอักษรแรกให้เป็นพิมพ์ใหญ่
4	`title()`	เปลี่ยนอักษรแรกของทุกคำให้เป็นพิมพ์ใหญ่
5	`strip()`	ลบ space ออกจากก่อนและหลังคำ
6	`replace()`	แทนที่คำ
7	`split()`	แยกคำ
8	`join(iterable)`	รวมคำ
9	`find(substring)`	หาตำแหน่งของคำ
10	`count()`	นับตัวอักษรที่ต้องการ

👉 Boolean

Boolean เป็นเหมือนกับค่า on (True) และ off (False) ของ switch ซึ่งเป็นพื้นฐานของการทำงานของคอมพิวเตอร์

1️⃣ Check for True & False

เราสามารถใช้ bool() เพื่อเช็กว่า ข้อมูลเราเป็น True หรือ False เช่น:

bool("John")

ผลลัพธ์:

True

bool() จะส่ง True กลับมาทุกครั้ง ยกเว้นในกรณีเหล่านี้:

Type	False	Explain
Integre	`bool(0)`	เลขเป็น 0
String	`bool("")`	String ที่เป็นค่าว่าง
Boolean	`bool(False)`	Boolean ที่เป็นค่า False
List	`bool([])`	List ที่เป็นค่าว่าง
Dictionary	`bool({})`	Dictionary ที่เป็นค่าว่าง

2️⃣ Comparison

Python จะส่งค่า boolean กลับมา เมื่อเราทำการเปรียบเทียบ เช่น:

10 > 5

ผลลัพธ์:

True

หรือ

10 < 5

ผลลัพธ์:

False

👉 List

1️⃣ Purpose

List ใช้เก็บข้อมูลหลาย ๆ ค่า เช่น:

Integre
Float
String
Boolean
List
Dictionary
etc.

เช่น:

# List can store data of different types
a_list = [10, 15.94, "ok", True, ["egg", "milk"], {"store": "Walmart"}]

2️⃣ Indexing & Slicing

เราสามารถดึงข้อมูลที่อยู่ใน list ได้ โดยการใช้ []:

Syntax	Explain
list[x]	ดึงข้อมูลในตำแหน่งที่ x
list[-x]	ดึงข้อมูลในตำแหน่งที่ -x (นับจากหลังมาหน้า)
list[x:y]	ดึงข้อมูลในตำแหน่งระหว่าง x และ y-1 (ข้อมูลที่ y จะไม่ถูกดึงมาด้วย)
list[-x:-y]	ดึงข้อมูลในตำแหน่งระหว่าง -x และ -y-1 (ข้อมูลที่ -y จะไม่ถูกดึงมาด้วย)

เช่น เรามี list ผลไม้:

# A list
my_list = ["apple", "banana", "cherry"]

เราสามารถดึง “apple” ออกได้โดยใช้:

# Get "apple"
my_list[0]

ผลลัพธ์:

'apple'

Note: เราใช้ 0 เพราะใน Python เราจะเริ่มนับตำแหน่งที่ 1 เป็น 0

หรือเลือก “apple” ถึง “cherry”:

# Get "apple" to "cherry"
my_list[0:3]

ผลลัพธ์:

['apple', 'banana', 'cherry']

3️⃣ Check Length

เราสามารถหาความยาวของ list ได้ด้วย len() เช่น:

# Check length
len(my_list)

ผลลัพธ์:

4️⃣ Add to List

เราสามารถเพิ่มข้อมูลลงใน list ได้ด้วย 2 วิธี:

No.	Way	Example
1	`.append()`	เพิ่มข้อมูล 1 ค่า
2	`.extend()`	เพิ่มข้อมูลจาก list หรือ string

ตัวอย่าง .append():

# append()
my_list.append("orange")

my_list

ผลลัพธ์:

['apple', 'banana', 'cherry', 'orange']

ตัวอย่าง .extend():

เรามี 2 lists ที่ต้องการรวมกัน:

# Lists to merge
list_1 = [1, 2, 3]
list_2 = [4, 5, 6]

ให้เราใช้ .extend() แบบนี้:

# extend()
list_1.extend(list_2)

ผลลัพธ์:

[1, 2, 3, 4, 5, 6]

5️⃣ Update List

เราสามารถ update ข้อมูลใน list ได้ โดยการระบุตำแหน่งข้อมูลที่เราต้องการ update

เช่น เราต้องการเปลี่ยน “orange” เป็น “kiwi”:

# Update list
my_list[3] = "kiwi"

my_list

เมื่อเราเรียกดู my_list เราจะเห็นว่า “orange” เปลี่ยนเป็น “kiwi”:

['apple', 'banana', 'cherry', 'kiwi']

6️⃣ Delete From List

เราสามารถลบข้อมูลออกจาก list ได้ด้วย .remove()

เช่น ลบ “kiwi” ออกจาก my_list:

# Delete from list
my_list.remove("kiwi")

my_list

ผลลัพธ์:

['apple', 'banana', 'cherry']

👉 Dictionary

1️⃣ Purpose

Dictionary มีไว้เก็บ key-value pair เช่น:

# A dictionary
cities = {"Thailand": "Bangkok",
          "Japan": "Tokyo",
          "Brazil": "Brasilia"}

2️⃣ Extract Values

เราสามารถดึงข้อมูลออกจาก dictionary ได้ด้วยการระบุ key ของข้อมูล

เช่น ต้องการดึง “Tokyo” ให้เราระบุ “Japan”:

# Extract values from list
cities["Japan"]

ผลลัพธ์:

'Tokyo'

3️⃣ Get Keys & Values

เราสามารถดู keys และ values ทั้งหมดใน dictionary ได้ด้วย .keys() และ .values() เช่น:

# Get keys
cities.keys()

ผลลัพธ์:

dict_keys(['Thailand', 'Japan', 'Brazil'])

และ

# Get values
cities.values()

ผลลัพธ์:

dict_values(['Bangkok', 'Tokyo', 'Brasilia'])

4️⃣ Add to Dictionary

เราสามารถเพิ่มข้อมูลลงใน dictionary ได้ โดยการใส่ key และ value ใหม่ เช่น:

# Add to dictionary
cities["US"] = "New York"

cities

ผลลัพธ์:

{'Thailand': 'Bangkok',
 'Japan': 'Tokyo',
 'Brazil': 'Brasilia',
 'US': 'New York'}

5️⃣ Update Dictionary

เราสามารถ update ข้อมูลใน dictionary ได้ด้วยเรียก key และใส่ value ใหม่ เช่น:

# Update dictionary
cities["US"] = "Washington DC"

cities

ผลลัพธ์:

{'Thailand': 'Bangkok',
 'Japan': 'Tokyo',
 'Brazil': 'Brasilia',
 'US': 'Washington DC'}

6️⃣ Delete From Dictionary

เราสามารถลบข้อมูลออกจาก dictionary ได้ด้วย del

เช่น ลบ “US”: “Washington DC” ออก:

# Delete from dictionary
del cities["US"]

cities

ผลลัพธ์:

{'Thailand': 'Bangkok', 'Japan': 'Tokyo', 'Brazil': 'Brasilia'}

2025-03-20

R Foundation: ทำความรู้จักกับภาษา R สำหรับผู้เริ่มต้น – ภาษา R คืออะไร, ต่างกับ Python ยังไง, และเขียนยังไง?

ในบทความนี้ เราจะมาทำความรู้จักภาษา R กัน:

ภาษา R คืออะไร?
R แตกต่างกับ Python ยังไง?
พื้นฐานการเขียนภาษา R

ถ้าพร้อมแล้วมาเริ่มกันเลย

😆 ภาษา R คืออะไร?

R เป็นภาษาคอมพิวเตอร์ที่ถูกพัฒนาขึ้นในช่วง ค.ศ. 1990 โดยนักสถิติ 2 ท่านจาก University of Auckland ในนิวซีแลนด์:

Ross Ihaka
Robert Gentleman

โดยทั้งคู่พัฒนา R เพื่อทำงานกับข้อมูลในห้องแล็บโดยเฉพาะ

และด้วยเหตุที่ R ถูกออกแบบมาเพื่อทำงานกับข้อมูล จึงได้ชื่อว่าเป็น “statistical programming language”

Note: ตัวอักษรแรกของนักพัฒนาเป็นที่มาของชื่อภาษา

“Logo for R” by The R Foundation (from https://www.r-project.org/logo/ under the CC-BY-SA 4.0)

เพราะ R เป็นภาษาสำหรับ data จึงเป็นที่นิยมในสายอาชีพ data อย่าง:

Data analyst
Data scientist
Business intelligence analyst
Statistician
Researcher

ในปัจจุบัน (Jan 2025) R ได้รับความนิยมเป็นอันดับ 18 ของโลก (อ้างอิง TIOBE index):

นอกจากเป็นภาษา data แล้ว R ยังได้รับความนิยม เพราะ:

เป็นภาษา open source
ผู้ใช้งานสามารถสร้าง package (library) ในการวิเคราะห์ข้อมูลเองได้
ผู้ใช้สามารถใช้ package ที่คนอื่นเขียนไว้แล้ว มาวิเคราะห์ข้อมูลได้ (ในปัจจุบัย R มี package ให้เลือกใช้งานมากกว่า 17,000 packages)
ใช้งานได้กับหลากหลาย OS เช่น Windows, MacOS, และ Linux

🐍 R vs Python: แตกต่างกันยังไง?

ทั้ง R และ Python ต่างได้เป็นที่นิยมในสายงาน data science และมีลักษณะที่คล้ายกัน คือ:

เป็นภาษา open source
มี community ผู้ใช้งานขนาดใหญ่
มี packages ให้เลือกใช้จำนวนมาก

แต่ R และ Python จุดที่แตกต่างกัน คือ:

R	Python
เหมาะกับการทำงาน data โดยเฉพาะการวิเคราะห์สถิติเชิงลึก	เป็นภาษาสำหรับงานทั่วไป (general-purpose) รองรับการใช้งานหลายประเภทกว่า R

ดังนั้น แม้ว่า R อาจจะสามารถทำงานนอกเหนือจากงาน data ได้ (เช่น web scrapping) แต่อาจจะไม่ดีเท่ากับ Python ที่ถูกออกแบบมาให้ใช้งานทั่วไป

Note:

สำหรับคนที่สนใจสายงาน data ควรเลือกศึกษาทั้ง 2 ภาษา

แต่การจะหยิบมาใช้งาน ขึ้นอยู่กับงานตรงหน้า:

R	Python
งานวิจัยและการวิเคราะห์ข้อมูลเชิงลึก เช่น สร้างโมเดลทางสถิติ รวมทั้งการสร้างกราฟจากข้อมูลอย่างง่าย	งานที่ต้องมีความยืดหยุ่น เช่น machine learning และ AI หรืองานที่ต้อง integrate กับเครื่องมืออื่น ๆ เช่น web scrapping และ software development

🌏 Objects & Functions: โลกทั้งใบของ R

หลังจากทำความรู้จักความรู้จักกับ R เบื้องต้นแล้ว เรามาดูหลักการทำงานของ R กัน

ในการทำงานกับ R เราต้องเข้าใจก่อนว่า ทุกสิ่งที่อยู่ใน R ประกอบด้วย 2 อย่าง ได้แก่:

Object	Function
สิ่งที่เก็บใน R	สิ่งที่เกิดขึ้นใน R

นั่นคือ:

ทุกสิ่งที่เราสร้างขึ้นใน R จะถูกเก็บอยู่ใน objects (เช่น ตัวแปร, ข้อมูล)
Functions เป็นสิ่งที่เรากระทำกับ objects (เช่น การคำนวณ การสร้างกราฟ)

เมื่อเราเข้าใจแล้ว เราสามารถทำความเข้าใจ concepts อื่น ๆ ของ โดยการต่อยอดจาก 2 องค์ประกอบนี้

🧘 Objects: Existing in R

ในส่วน objects เรามี 3 สิ่งที่ต้องความเข้าใจ เพื่อทำงานกับ R:

Variables
Data types and classes
Data structures

📦 (1) Variables: การประกาศตัวแปรใน R

Variable หรือตัวแปร เป็นเหมือนกล่องเก็บของที่เก็บข้อมูลไว้ให้เรา

เราสามารถสร้างตัวแปรด้วยการใช้ <- เช่น:

x <- 10

อย่างในตัวอย่าง เป็นการสร้างตัวแปร x ที่เก็บค่าตัวเลข 10 เอาไว้

Note: เราสามารถใช้ = แทน <- ได้ แต่ไม่เป็นที่นิยมกัน

🍱 (2) Data Types & Classes: ประเภทข้อมูลใน R

ตัวแปรใน R สามารถเก็บข้อมูลได้หลายประเภท (เช่น ตัวเลข ข้อความ)

เราต้องทำความเข้าใจประเภทของข้อมูล เพราะเป็นตัวกำหนด functions ที่เราสามารถใช้ทำงานกับ variable นั้นได้

ยกตัวอย่างเช่น x เก็บตัวแปรประเภทตัวเลข เราจะไม่สามารถใช้ functions ที่ทำงานกับตัวอักษรได้

ทั้งนี้ ประเภทข้อมูลใน R มีอยู่ 5 ประเภทที่มักใช้บ่อย ได้แก่:

No.	Data Type	Example
1	Numeric	`100`
2	Character	`"One hundred"`
3	Logical	`TRUE`, `FALSE`
4	Date	`2025-01-15`
5	Factor	`"male"`, `"female"`, `"other"`

ตัวอย่าง 👇

Numeric:

age <- 10

Character:

name <- "Ben Tennyson"

Logical:

is_hero <- TRUE

Date:

date_of_birth <- as.Date("1995-12-27")

Factor:

gender <- as.factor("Male")

Note: เราสามารถเช็กประเภทข้อมูลของตัวแปร ได้ด้วย class() เช่น:

class(age)

ผลลัพธ์:

🏠 (3) Data Structures: โครงสร้างข้อมูลใน R

Data structure เป็นการนำข้อมูลมาจัดเรียงเป็นโครงสร้างที่ใหญ่ขึ้น

Data structures เป็นเหมือนอิฐที่ประกอบกันเป็นบ้านหรือตึกใน R

โครงสร้างข้อมูลใน R มีอยู่ 5 ประเภท ซึ่งแบ่งได้เป็น 2 กลุ่มตามมิติในการเก็บข้อมูล ดังนี้:

กลุ่มที่ 1: เก็บข้อมูลได้ 1 ประเภทเท่านั้น

No.	Data Structure	การเก็บข้อมูล
1	Vector	1 มิติ
2	Matrix	2 มิติ
3	Array	n มิติ

ตัวอย่าง 👇

Vector:

v <- c(1, 3, 5, 7, 9)

ผลลัพธ์:

Matrix:

m <- matrix(1:9, ncol = 3)

ผลลัพธ์:

Array:

เช่น array แบบ 3 มิติ:

4 rows
3 columns
2 ชั้น

a <- array(1:24, dim = c(4, 3, 2))

ผลลัพธ์:

กลุ่มที่ 2: เก็บข้อมูลได้มากกว่า 1 ประเภท

No.	Data Structure	การเก็บข้อมูล
1	List	1 มิติ
2	Data frame	2 มิติ

ตัวอย่าง 👇

List:

เพราะ list สามารถเก็บข้อมูลได้หลายประเภท เราสามารถใส่อะไรลงใน list ก็ได้ (แม้แต่ data structure อื่น ๆ):

grocery_list = list("apple",
                    "milk",
                    TRUE,
                    250,
                    c(1, 3, 5, 7, 9),
                    list("Walmart", "Target"))

ผลลัพธ์:

Data frame:

สำหรับ data frame เราสามารถสร้างได้จากเชื่อม vectors เข้าด้วยกัน:

groceries <- data.frame(
  Item = c("Apples", "Carrots", "Milk"),
  Category = c("Fruit", "Vegetable", "Dairy"),
  Quantity = c(5, 2, 1),
  Price = c(1.50, 0.75, 2.50)
)

ผลลัพธ์:

Note: สำหรับใครที่นึกภาพโครงสร้างข้อมูลไม่ออก สามารถดู Figure 5.6 ในหนังสือ Hands-On R Programming เพื่อช่วยไขข้อสงสัยได้

👟 Functions: Happening in R

สำหรับ functions เรามี 2 สิ่งที่ต้องทำความเข้าใจ ได้แก่:

Operators
Functions

🧮 (1) Operators: เครื่องหมายใน R

Operators เป็นเครื่องหมาย เพื่อบอก R ว่าเราต้องการทำงานหรือการคำนวณอะไร

Operators แบ่งออกเป็น 4 ประเภท ได้แก่:

No.	Operator	For	Symbols
1	Assignment	สร้าง variable	`<-` `=`
2	Arithmetic	คิดเลข	`+` `-` `*` `/`
3	Logical	คิดตรรกะ	`&` `\|` `!`
4	Relational	เปรียบเทียบค่า	`==` `!=` `>` `<` `>=` `<=`

ตัวอย่าง 👇

Assignment

เช่น สร้างตัวแปรเก็บชื่อ “John”:

my_name <- "John"

Arithmetic

เช่น คิดเลข 3 + 4:

3 + 4

Logical

เช่น not TRUE:

!TRUE

Relational

เช่น เช็กว่า 15 มากกว่า 11 ไหม:

15 > 11

🔨 (2) Functions: Action ใน R

Functions คือ code ที่เราสามารถนำกลับมาใช้ใหม่ได้ (reusable)

Functions แบ่งออกเป็น 2 ประเภท ได้แก่:

No.	Function	Description	Example
1	Built-in	Functions ที่มาพร้อม R หรือ packages ที่เราโหลดมาใช้งาน	`print()` `sum()` `str()`
2	User-defined	Functions ที่เราสร้างเอง	สร้าง function ชื่อ `hello()` เพื่อทักทาย user

Note:

สำหรับ user-defined functions เราสามารถสร้างได้โดยใช้ function() เช่น:

greeting <- function(name) {
  print(paste("Hello", name))
}

ถ้าเราเรียกใช้งาน greeting() โดยใส่ "John" ใน ():

greeting("John")

เราจะได้ผลลัพธ์แบบนี้:

💪 Summary

ในบทความนี้ เราได้ทำความรู้กับภาษา R กัน:

R เป็นภาษาสำหรับงาน data
ทั้ง R และ Python ใช้กับงาน data ได้
- R เหมาะกับการวิเคราะห์เชิงลึก
- Python เหมาะกับงานทั่วไป
- คนที่สนใจงานสาย data ควรเรียนทั้ง 2 ภาษา
ทุกอย่างใน R แบ่งเป็น objects และ functions
Objects: สิ่งที่เก็บใน R
- Variables: เก็บข้อมูล
- Data types and classes: กำหนด functions
- Data structures: ประกอบร่างข้อมูล
Functions: สิ่งที่เกิดขึ้นใน R
- Operators: เครื่องหมายในการทำงาน
- Functions: code ที่นำกลับมาใช้ใหม่ได้

⏭️ Learn More About R

🧑‍💻 GitHub

สำหรับผู้ที่สนใจ สามารถดู code ตัวอย่างในบทความนี้ได้ที่ GitHub

🔨 Free Tool

เริ่มทดลองเขียน R ด้วยตัวเอง ผ่าน RStudio

ติดตั้งและใช้งานบน desktop : https://posit.co/downloads/
ใช้งาน online: https://posit.cloud/

ดาวน์โหลด R

Windows: https://cran.r-project.org/bin/windows/base/
macOS: https://cran.r-project.org/bin/macosx/

Note: ใช้งานฟรีทั้งแบบ desktop และ online

📗 Free e-Books

ใครที่สนใจเรียนรู้เกี่ยวกับ R เพิ่มเติม สามารถอ่านหนังสือ e-book เหล่านี้ได้ฟรี:

🏫 Free Courses

สำหรับคนที่สนใจเรียนการเขียน R สามารถศึกษาคอร์สเรียนเหล่านี้ได้:

R Crash Course จาก DataRockie
HarvardX: Data Science: R Basics จาก edX

📄 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

2025-01-30

Seaborn 101: มาดูวิธีสร้างกราฟ 5 แบบ + 3 วิธีตกแต่งกราฟอย่างง่ายใน Seaborn กัน

ในบทความนี้ เราจะมาทำความรู้จักกับ seaborn และวิธีการใช้ seaborn เพื่อสร้างและตกแต่งกราฟเบื้องต้นกัน

ถ้าพร้อมแล้วมาเริ่มกันเลย

⚓ Intro to Seaborn

seaborn เป็น library สำหรับ visualise data ใน Python ซึ่งต่อยอดมาจาก:

pandas: library สำหรับ data transformation
matplotlib: library สำหรับสร้างกราฟ

เพราะ seaborn ต่อยอดจาก pandas และ matplotlib จึงทำให้เราสามารถใช้ 3 libraries นี้ร่วมกันได้อย่างลงตัว

จุดเด่นหลักของ seaborn คือ ความสามารถในการสร้างกราฟที่สวยงามได้อย่างง่าย

มาดูกันว่า การสร้างกราฟด้วย seaborn ง่ายแค่ไหน

🍔 Dataset ตัวอย่าง

ในบทความนี้ เราจะใช้ tips ซึ่งเป็น built-in datasets ของ seaborn เพื่อดูวิธีใช้ seaborn กัน

tips เป็น dataset เกี่ยวกับ tip ที่พนักงานในร้านอาหารได้รับ โดยมี columns ดังนี้:

No.	Column	Description
1	`total_bill`	จำนวนเงินค่าอาหาร
2	`tip`	จำนวนเงินค่า tip
3	`sex`	เพศของคนจ่ายบิล
4	`smoker`	สถานะการสูบบุหรี่ของคนจ่ายบิล (สูบ vs ไม่สูบ)
5	`day`	วันของสัปดาห์
6	`time`	ช่วงเวลาของวัน (lunch vs dinner)
7	`size`	จำนวนแขกที่มาด้วยกัน

🤔 ก่อนเริ่มสร้างกราฟ

ก่อนเริ่มสร้างกราฟ ให้เราทำ 2 อย่างก่อน:

(1) import seaborn ก่อน พร้อมกับ libraries อื่น ๆ ที่มักใช้ร่วมกัน:

# Import libraries
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

Note: seaborn ใช้ตัวย่อว่า sns ตามชื่อตัวละคร Samuel Norman Seaborn จากทีวีซีรี่ย์ The West Wing

(2) ต่อจากนั้นให้ load dataset tips ที่จะใช้งาน:

# Load the dataset
tips = sns.load_dataset("tips")

Note: ถ้าเรา preview ด้วย .head() เราจะเห็นข้อมูลแบบนี้:

ในกรณีที่เราต้องการ import dataset จากข้างนอก เราสามารถใช้ pandas ช่วยได้ เช่น pd.read_csv() เพื่อโหลดไฟล์ CSV

💻 Syntax ของ Seaborn

Syntax ในการสร้างกราฟด้วย seaborn มีดังนี้:

			
sns.plot(data, x, y, customisation)
plt.show()

sns.plot = เรียกชื่อกราฟที่ต้องการสร้าง
data = ชุดข้อมูลที่ใช้สร้างกราฟ
x = ข้อมูลแกน x
y = ข้อมูลแกน y
customisation = การตั้งค่าเพื่อตกแต่งกราฟ
plt.show() = แสดงกราฟบนหน้าจอ

👉 การสร้างกราฟพื้นฐาน

มาดูวิธีการสร้าง 5 กราฟพื้นฐานกัน:

Histogram
Box plot
Scatter plot
Line plot
Bar plot

📊 1. Histograms

Histogram เป็นกราฟเพื่อสำรวจการกระจายตัว (distribution) ของข้อมูล

ตัวอย่าง:

ดูการกระจายตัวของ tip ที่พนักงานได้รับ:

# Create a histogram of tips
sns.histplot(data = tips,
             x = "tip")

# Show the plot
plt.show()

Note: สำหรับ histogram เราจะละแกน y ไว้ เพราะ y จะแสดงความถี่ของข้อมูลบนแกน x

ผลลัพธ์:

Note: จะเห็นว่า tip ที่พนักงานได้รับ อยู่ในช่วง 0.5 ถึง 10 ดอลล่าร์ โดยอยู่ในช่วง 2 ถึง 4 ดอลล่าร์มากที่สุด

📊 2. Box Plots

Box plot ทำหน้าที่คล้ายกับ histogram คือ ช่วยในการสำรวจการกระจายตัวของข้อมูล

ข้อแตกต่างของ box plot จาก histogram ก็คือ เราสามารถดู distribution หลาย ๆ อันได้บน box plot

ตัวอย่าง:

ดูการกระจายตัวของ tip ที่ได้ แบ่งตามมื้ออาหาร

# Create a box plot of tips by time
sns.boxplot(data = tips,
            x = "time",
            y = "tip")

# Show the plot
plt.show()

ผลลัพธ์:

Note: จะเห็นว่า การกระจายตัวของ tip ในแต่ละมื้อมีความใกล้เคียงกันมาก

📊 3. Scatter Plots

Scatter plot ใช้สำรวจความสัมพันธ์ระหว่างตัวแปร 2 ตัว

ตัวอย่าง:

ความสัมพันธ์ระหว่างจำนวนเงินค่าอาหาร และ tip

# Create a scatter plot of tips vs total bill
sns.scatterplot(data = tips,
                x = "total_bill",
                y = "tip")

# Show the plot
plt.show()

ผลลัพธ์:

Note: จากกราฟ เราจะเห็นได้ว่า จำนวน tip ดูเหมือนจะเพิ่มขึ้นตามจำนวนเงินค่าอาหาร

📊 4. Line Plots

Line plot ใช้สำรวจการเปลี่ยนแปลงของตัวแปรตามช่วงเวลา หรือตามตัวแปรอีกตัว

ตัวอย่าง:

ดูการเปลี่ยนแปลงของ tip ตามจำนวนแขก

# Create a line plot of tips vs party size
sns.lineplot(data = tips,
             x = "size",
             y = "tip")

# Show the plot
plt.show()

ผลลัพธ์:

Note: กราฟแสดงให้เห็นว่า tip เพิ่มขึ้นตามจำนวนแขก

📊 5. Bar Plots

Bar plot ใช้สำรวจตัวแปรตามการจัดกลุ่มของตัวแปรอีกตัว

ตัวอย่าง:

ดูจำนวน tip ในแต่ละวันของสัปดาห์

# Create a bar plot of tips vs day of week
sns.barplot(data = tips,
            x = "day",
            y = "tip")

# Show the plot
plt.show()

ผลลัพธ์:

Note: เราจะเห็นว่า ในแต่ละวัน พนักงานได้ tip ใกล้เคียงกัน แต่ในวันเสาร์และอาทิตย์จะได้เยอะกว่าวันพฤหัสฯ และวันศุกร์

🔵 การใช้สีเพื่อเพิ่มตัวแปรในกราฟ

จนถึงตอนนี้ เราจะเห็นว่า กราฟที่เราสร้างได้มีตัวแปร 1-2 ตัวเท่านั้น

ถ้าเราต้องการเพิ่มตัวแปรที่สามเข้าไป (โดยไม่เปลี่ยนประเภทกราฟ) เราสามารถทำได้ง่าย ๆ ด้วยการใช้สี ผ่านการเพิ่ม parametre ชื่อ hue

ยกตัวอย่างเช่น:

ใน scatter plot ที่แสดงความสัมพันธ์ระหว่าง tip และจำนวนเงินค่าอาหาร เราต้องการเพิ่มตัวแปรการสูบบุหรี่เข้าไปด้วย

ตัวแปร 1: tip
ตัวแปร 2: ค่าอาหาร
ตัวแปร 3: การสูบบุหรี่ของลูกค้า

เราสามารถทำได้ตามนี้:

# Create a scatter plot: tips vs total bill vs smoker types
sns.scatterplot(data = tips,
                x = "total_bill",
                y = "tip",
                hue = "smoker")

# Show the plot
plt.show()

ผลลัพธ์:

จากกราฟ เราจะเห็นได้ว่า seaborn จัดการเปลี่ยนสีข้อมูลให้เองโดยอัตโนมัติ

ทั้งนี้ ถ้าเราต้องการเปลี่ยนกราฟเป็นสีอื่น เราต้องปรับ code ของเราเพิ่มเติม

🖼️ การตกแต่งกราฟ

มาดู 3 วิธีในการตกแต่งกราฟใน seaborn กัน:

สี
Style
ข้อความ

🎨 1. สี

ใน seaborn เราสามารถปรับสีของกราฟได้ด้วย 2 วิธี:

ใช้ palette
ใช้ sns.set_palette()

วิธีที่ 1: กำหนด parametre ที่เรียกว่า palette

เช่น สำหรับ scatter plot ก่อนหน้านี้ ถ้าเราอยากเปลี่ยนข้อมูลเป็นสีดำและแดง เราสามารถเขียน code ได้ดังนี้:

เราสร้าง dictionary ชื่อ colours เพื่อระบุว่า สีไหนจะใช้กับการสูบบุหรี่ประเภทไหน:

# Specify colours
colours = {"Yes": "red",
           "No": "black"}

จากนั้น เราก็ใช้ colours เป็น argument ของ palette:

# Create a scatter plot
sns.scatterplot(data = tips,
                x = "total_bill",
                y = "tip",
                hue = "smoker",
                palette = colours)

# Show the plot
plt.show()

ผลลัพธ์:

วิธีที่ 2: เรียกใช้ sns.set_palette()

ในกรณีที่เราไม่อยากกำหนด palette เอง เราสามารถเรียก sns.set_palette() แทนได้

sns.set_palette() จะเรียกใช้และ apply ชุดสีที่เราต้องการให้กับกราฟของเราโดยอัตโนมัติ

สำหรับ sns.set_palette() เราสามารถใส่ argument ได้ดังนี้:

No.	Argument	ค่าสี
1	`"deep"`	ค่า default ที่ `seaborn` ใช้
2	`"muted"`	เป็น `"deep"` เวอร์ชันสีอ่อนกว่า
3	`"pastel"`	สีพาสเทล
4	`"dark"`	สีเข้ม
5	`"colorblind"`	สีสำหรับคนตาบอดสี

เช่น:

สร้าง scatter plot โดยใช้ "colorblind":

เราเรียกใช้ sns.set_palette() โดยใส่ argument เป็นชื่อ palette ที่ต้องการใช้ (ในกรณีนี้ คือ "colorblind" ซึ่งเหมาะกับคนตาบอดสี):

# Set the palette
sns.set_palette("colorblind")

จากนั้น สร้าง scatter plot เหมือนเดิม (3 ตัวแปร แต่ไม่มี palette):

# Create a scatter plot
sns.scatterplot(data = tips,
                x = "total_bill",
                y = "tip",
                hue = "smoker")

# Show the plot
plt.show()

ผลลัพธ์:

🎨 2. Style

นอกจากการเปลี่ยนสีกราฟแล้ว เรายังสามารถปรับ style ของกราฟได้ ผ่าน sns.set_style()

โดยสำหรับ sns.set_style() เราสามารถใส่ argument ได้ดังนี้:

No.	Argument	สีพื้นหลัง	สีเส้นกราฟ
1	`"white"`	ขาว ⚪	ขาว ⚪
2	`"dark"`	ดำ ⚫	ดำ ⚫
3	`"whitegrid"`	ขาว ⚪	ดำ ⚫
4	`"darkgrid"`	ดำ ⚫	ขาว ⚪
5	`"ticks"`	ขาว ⚪	ไม่มี ✖️

Note:

"white" เป็นค่า default ของ seaborn
"tick" เหมาะสำหรับกราฟที่เราต้องการเน้นแกน x และ y

ยกตัวอย่างเช่น:

เราต้องการปรับกราฟของเราเป็น dark theme ที่มี grid:

กำหนด argument ของ sns.set_style() เป็น "darkgrid":

# Set the style
sns.set_style("darkgrid")

สร้างกราฟที่ต้องการ:

# Create a scatter plot
sns.scatterplot(data = tips,
                x = "total_bill",
                y = "tip",
                hue = "smoker")

# Show the plot
plt.show()

ผลลัพธ์:

🎨 3. ข้อความ

นอกจากสีและ style แล้ว เรายังสามารถตกแต่งกราฟเพิ่มเติม ด้วยการเพิ่มข้อความกำกับกราฟ อย่าง title และ labels (ชื่อแกน x และ y) ได้ด้วย

เราสามารถทำสิ่งนี้ได้โดยใช้ functions ของ matplotlib (plt) แบบนี้:

สร้างกราฟ:

# Create a scatter plot
sns.scatterplot(data = tips,
                x = "total_bill",
                y = "tip",
                hue = "smoker")

เพิ่ม title:

# Add a title
plt.title("Total Bill vs Tip", fontsize = 16)

เพิ่ม labels:

# Add labels
plt.xlabel("Total Bill ($)", fontsize = 12)
plt.ylabel("Tip ($)", fontsize = 12)

แสดงกราฟ

# Show the plot
plt.show()

ผลลัพธ์:

Adding title and labels with `plt.title()`, and `plt.xlabel()` and `plt.label()`

Note: จะเห็นแล้วว่า ตอนนี้กราฟของเรามีข้อความกำกับหัวข้อกราฟ (title) รวมทั้งแกน x และ y (labels)

💪 สรุป Seaborn 101

ในบทความนี้ เราเรียนรู้วิธีการสร้างกราฟง่าย ๆ ใน seaborn กัน

โดยเราเริ่มจากการสร้างกราฟพื้นฐาน 5 อย่าง:

กราฟ	Seaborn
Histogram	`sns.histplot()`
Box plot	`sns.boxplot()`
Scatter plot	`sns.scatterplot()`
Line plot	`sns.lineplot()`
Bar plot	`sns.barplot()`

พร้อมการเพิ่มตัวแปรที่สาม:

เพิ่มตัวแปรที่สาม	Seaborn
เพิ่มผ่านสี	`hue`

และจบด้วยการปรับแต่งกราฟ:

ปรับแต่ง	Seaborn
สี	`palette` `sns.set_palette()`
Style	`sns.set_style()`
ข้อความ	`plt.title()` `plt.xlabel()` `plt.ylabel()`

⏭️ Next

หวังว่า บทความนี้จะเป็นประโยชน์สำหรับคนที่ต้องการเรียนรู้เบื้องต้นเกี่ยวกับ seaborn

🧑‍💻 Example Code on GitHub

สำหรับใครที่ต้องการลงมือทำเอง สามารถดูตัวอย่าง code ของบทความนี้ได้ที่ GitHub

📚 Further Reading

สำหรับคนที่ต้องการเรียนรู้เพิ่มเติม สามารถอ่านเกี่ยวกับ seaborn ได้ตาม link ด้านล่าง:

2025-01-09

Tag: Python

Intro to Python: ทำความรู้จักกับภาษา Python และวิธีใช้งานเบื้องต้น สำหรับผู้เริ่มต้น พร้อมตัวอย่าง

🐍 Python คืออะไร?

🏁 Getting Started With Python

👶 Baby Steps

🔢 (1) Basic Arithmetic

📦 (2) Variables

🍞 Data Types

👉 Integre & Float

1️⃣ Arithmetic

2️⃣ Type Casting

👉 String

1️⃣ Markers of String

2️⃣ Type Casting

3️⃣ Concatenate

4️⃣ String Methods

👉 Boolean

1️⃣ Check for True & False

2️⃣ Comparison

👉 List

1️⃣ Purpose

2️⃣ Indexing & Slicing

3️⃣ Check Length

4️⃣ Add to List

5️⃣ Update List

6️⃣ Delete From List

👉 Dictionary

1️⃣ Purpose

2️⃣ Extract Values

3️⃣ Get Keys & Values

4️⃣ Add to Dictionary

5️⃣ Update Dictionary

6️⃣ Delete From Dictionary

Share this:

R Foundation: ทำความรู้จักกับภาษา R สำหรับผู้เริ่มต้น – ภาษา R คืออะไร, ต่างกับ Python ยังไง, และเขียนยังไง?

😆 ภาษา R คืออะไร?

🐍 R vs Python: แตกต่างกันยังไง?

🌏 Objects & Functions: โลกทั้งใบของ R

🧘 Objects: Existing in R

📦 (1) Variables: การประกาศตัวแปรใน R

🍱 (2) Data Types & Classes: ประเภทข้อมูลใน R

🏠 (3) Data Structures: โครงสร้างข้อมูลใน R

👟 Functions: Happening in R

🧮 (1) Operators: เครื่องหมายใน R

🔨 (2) Functions: Action ใน R

💪 Summary

⏭️ Learn More About R

🧑‍💻 GitHub

🔨 Free Tool

📗 Free e-Books

🏫 Free Courses

📄 References

✅ R Book for Psychologists: หนังสือภาษา R สำหรับนักจิตวิทยา

Share this:

Seaborn 101: มาดูวิธีสร้างกราฟ 5 แบบ + 3 วิธีตกแต่งกราฟอย่างง่ายใน Seaborn กัน

⚓ Intro to Seaborn

🍔 Dataset ตัวอย่าง

🤔 ก่อนเริ่มสร้างกราฟ

💻 Syntax ของ Seaborn

👉 การสร้างกราฟพื้นฐาน

📊 1. Histograms

📊 2. Box Plots

📊 3. Scatter Plots

📊 4. Line Plots

📊 5. Bar Plots

🔵 การใช้สีเพื่อเพิ่มตัวแปรในกราฟ

🖼️ การตกแต่งกราฟ

🎨 1. สี

🎨 2. Style

🎨 3. ข้อความ

💪 สรุป Seaborn 101

⏭️ Next

🧑‍💻 Example Code on GitHub

📚 Further Reading

Share this: