For hånd med indeksering

Vi har allerede lekt gjetteleken noen ganger. Den kommer godt med når vi skal omkode.

Her setter jeg én betingelse

df$Inntekt < 3

Her setter jeg to

df$Inntekt > 3 & df$Inntekt < 7 

Lag en ny variabel

df$Inntekt_kat = NA

Lav inntekt

df$Inntekt.kat[df$Inntekt <= 3] = "Lav"

df$Inntekt.kat[df$Inntekt > 3 & df$Inntekt < 7 ] = "Middels"

df$Inntekt.kat[df$Inntekt >= 7 ] = "Hoy"

Har det fungert?

table(df$Inntekt.kat)

## 
##     Hoy     Lav Middels 
##     495     432     444

Hva slags målenivå er dette?

class(df$Inntekt.kat)

## [1] "character"

Skal vi omkode til kategorisk?

df$Inntekt.kat <- factor(df$Inntekt.kat, 
                         levels = c("Lav", "Middels", "Hoy"))

… eller ordinal

df$Inntekt.kat <- factor(df$Inntekt.kat, 
                         levels = c("Lav", "Middels", "Hoy"),
                         ordered = TRUE)

Ta grep

Her griper jeg bokstavene “dd”. Svaret er linjenummeret i datasettet.

grep("dd", df$Inntekt.kat)

Dette kan jeg bruke for omkoding ved hjelp av indeksering. Hvilke inntektsverdier inneholder “dd”?

df$Inntekt.kat[grep("dd", df$Inntekt.kat)]

Funksjonen grepl() gir TRUE/FALSE-svar. Det er nyttig når du skal lage en ny variabel.

df$rik <- grepl("Hoy", df$Inntekt.kat)

R leser TRUE som 1 og FALSE som 0.

sum(df$rik)

## [1] 495

Du kan eksplisitt omkode om du ønsker

df$rik <- grepl("Hoy", df$Inntekt.kat) %>%
  as.numeric()

table(df$rik)

## 
##   0   1 
## 941 495

Bytt ut

Du kan substituere bokstaver med andre.

gsub(pattern = ". problem", 
     replacement = "n utfordring", 
     x = "vi har et problem")

## [1] "vi har en utfordring"

Merket du bruken min av “.”?

Din tur!

Det finnes egne regex-koder for å finne fram regelmessige uttrykk.

Lek deg rundt med kodene fra tabellen!

Mitt forslag:

grep("^noe .*",
     c("ikkenoe", "noe annet", "noe mer", "nei,nei!", "Noe"))

## [1] 2 3

#enda mer inkluderende
grep("^(N|n)oe .*",
     c("ikkenoe", "noe annet", "noe mer", "nei,nei!", "Noe"))

## [1] 2 3

Dette er grunnsteinen jeg bruker når jeg samler data automatisk (“data scraping”). Men det er også nyttig for å finne alle relevante observasjoner selv om jeg ikke husker/det er skrivefeil i verdinavnene.

Indeksering er ikke nødvendig

I tidyverse, indekserer vi egentlig ikke, men vi kan hente frem spesifikke variabler og observasjoner. Derimot bruker vi ikke disse funksjonene når vi omkoder.

Spesifikke observasjoner

#base
df[df$Inntekt > 3,]

#dplyr
df %>%
  filter(Inntekt > 3)

Spesifikke variabler: da selekterer du variablene.

#baseR
df[,"Inntekt"]
#dplyr
df %>%
  select(Inntekt)

Du vil skjelden bruke select() når du koder om. I stedet vil du legge til nye variabler direkte i datasettet. Derimot kan du hente ut variabler når du ser på dataene eller ønsker å dele et “rent” datasett.

Omkoding: i ett skritt

Når vi lager nye variabler, er mutate() gull. Som andre funksjoner i denne serien, kan du legge inn egne funksjoner inn i funksjonen når du oppretter ny variabel. Husk dog å lagre datasettet (her: ved å overskrive).

df <- df %>%
  mutate(Inntekt_omk = ifelse(Inntekt <= 3, "Lav",
                              ifelse(Inntekt > 7, "Hoy", "Middels")))

Noter deg hvordan jeg ikke indekserer. Jeg jobber hele tiden med hele datasettet, men presiserer hvilke variabler og variabelverdier som skal brukes for å opprette den nye variabelen.

Sjekk:

df$Inntekt_omk %>% table

## .
##     Hoy     Lav Middels 
##     378     432     561

Din tur!

Her må vi kode om: noen av partiene inneholder små bokstaver. Kod om CHES dataene (df2) slik at alle partier korresponderer med ESS (df).

• kan du komme på en løsning selv?
• forsøk denne løsningen: omkod begge variabler til små bokstaver ved hjelp av tolower() eller toupper().
• bruk %in% for å sjekke om du fikk det riktig.

Din tur

Nå kan vi sjekke om respondentene og partiene de stemte på har omtrent samme holdning til innvandring! Hvilke partier har størst avstand fra velgerne sine?

• korreler de to ved hjelp av cor.test()

cor.test(df$Skepsis, df$Skepsis_parti)

## 
##  Pearson's product-moment correlation
## 
## data:  df$Skepsis and df$Skepsis_parti
## t = 10.848, df = 1052, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.2618089 0.3704663
## sample estimates:
##       cor 
## 0.3171781

• aggreger/regn ut den gjennomsnitlige differansen mellom velgerne og partiet ved hjelp av group_by() i dplyr. Da kan det være nyttig å ta den absolutte differensen ved hjelp av abs(); f.eks abs(1-2)

df %>%
  group_by(Parti) %>%
  summarize(distanse = mean(abs(Skepsis - Skepsis_parti),
                            na.rm = T)) %>%
  #Sorterer i nedadgående (descending) verdier
  arrange(desc(distanse))